二項検定とは？その基本と手順を分かりやすく解説！

1. 二項検定とは
- 二項分布との関係
2. 二項検定の仮説設定
3. 二項検定の手順
4. 実例：クリック率の検定
5. Pythonによる二項検定の実装
6. 二項検定の応用
7. 結論

1. 二項検定とは

二項検定は、あるイベントが2つの可能な結果（例：成功/失敗、YES/NO）を持つ試行が独立して行われる場合に、そのイベントの発生確率に関する仮説を検証する統計的手法です。

例：

広告Aと広告Bのクリック率の違いを検定する
コインが公平かどうかを検定する

二項分布との関係

二項検定は、二項分布に基づいた検定です。二項分布は、n回の独立した試行で成功がk回起こる確率をモデル化します。

2. 二項検定の仮説設定

二項検定では、次の2つの仮説を立てて検定を行います。

帰無仮説 (H0): 事象が起こる確率がpと等しい（例えば、クリック率が0.5）
対立仮説 (H1): 事象が起こる確率がpと等しくない、もしくはpより大きい/小さい（片側検定または両側検定）

3. 二項検定の手順

データ収集: 試行の回数nと成功した回数kを記録します。
仮説設定: 帰無仮説と対立仮説を設定します。
p値の計算: 二項分布に基づいて、観測されたデータが帰無仮説の下でどの程度起こりやすいか（p値）を計算します。
結論を出す: p値が有意水準（通常0.05）より小さければ、帰無仮説を棄却します。

4. 実例：クリック率の検定

例えば、広告Aのクリック率が50%かどうかを検証したい場合、100回広告が表示されて50回クリックされたとします。このデータを元に、二項検定を実施してクリック率が50%かどうかを検証します。

5. Pythonによる二項検定の実装

import scipy.stats as stats

# 例: クリック率が50%かどうか検定する
n = 100  # 試行回数
k = 50   # 成功回数
p = 0.5  # 帰無仮説の確率

# 両側検定のp値を計算
p_value = stats.binom_test(k, n, p, alternative='two-sided')

print(f'p値: {p_value:.4f}')

二項検定はPythonのscipy.statsモジュールを使用して簡単に実装できます。

6. 二項検定の応用

a. 広告のA/Bテスト

A/Bテストは、マーケティングやウェブサイトの最適化で非常に重要な手法です。たとえば、広告Aと広告Bのどちらがより効果的であるかをテストする際に、クリック率（CTR：Click-Through Rate）が関心の対象になることがよくあります。

A/Bテストにおける二項検定の応用

問題設定: 広告Aと広告Bのクリック率に違いがあるかどうかを調べる。広告Aは100回表示されて20回クリックされ、広告Bは100回表示されて30回クリックされたとします。
仮説設定:
- 帰無仮説 (H0): 広告Aと広告Bのクリック率に違いはない。
- 対立仮説 (H1): 広告Aと広告Bのクリック率に違いがある（両側検定）。
二項検定の実施: 各広告のクリック率が統計的に有意な差を持つかどうかを検定します。これにより、どちらの広告がより効果的かを定量的に判断できます。

b. 医療試験

医療試験や臨床研究では、新しい治療法や薬が従来のものと比べて効果があるかどうかを検証するために二項検定が使用されます。成功率や副作用の発生率といった二者択一の結果が得られるデータに対して適用されます。

医療試験における二項検定の応用

問題設定: 新しい薬が既存の薬よりも治癒率が高いかを調べる。既存の薬で100人中40人が回復し、新しい薬では100人中60人が回復したとします。
仮説設定:
- 帰無仮説 (H0): 新しい薬と既存の薬の治癒率に差はない。
- 対立仮説 (H1): 新しい薬の治癒率は既存の薬よりも高い（片側検定）。
二項検定の実施: 新薬の効果が統計的に有意かどうかを判断し、新しい治療法が有効かどうかを確かめます。

c. 品質管理（合格/不合格判定）

製造業や品質管理の現場では、製品の合格/不合格を判定するために二項検定が応用されます。例えば、特定の基準に基づいて製品が一定の割合で合格しているか、製造プロセスが安定しているかを検証する際に有効です。

品質管理における二項検定の応用

問題設定: 製品の合格率が基準値を満たしているかどうかを検証する。例えば、製品Aが200個製造され、そのうち180個が合格品であった場合、この合格率が90%という基準を満たしているかを検定します。
仮説設定:
- 帰無仮説 (H0): 製品の合格率は90%である。
- 対立仮説 (H1): 製品の合格率は90%を下回っている（片側検定）。
二項検定の実施: 収集したデータをもとに、製品が基準を満たしているかどうかを定量的に評価し、製造プロセスの改善や品質保証に役立てます。

d. 選挙予測・世論調査

世論調査や選挙予測では、有権者が特定の候補者を支持する割合を検定する際に二項検定が用いられます。例えば、調査サンプルに基づいて候補者Aの支持率が50%を超えているかどうかを判断します。

選挙予測における二項検定の応用

問題設定: 候補者Aが有権者の50%以上の支持を得ているかどうかを検証する。1,000人の有権者に対してアンケートを行い、そのうち550人が候補者Aを支持しているとします。
仮説設定:
- 帰無仮説 (H0): 候補者Aの支持率は50%である。
- 対立仮説 (H1): 候補者Aの支持率は50%を超えている（片側検定）。
二項検定の実施: 調査結果が統計的に有意かどうかを判断し、選挙結果の予測に役立てます。

e. ゲームデザイン

オンラインゲームやカジノゲームなどの設計において、特定のゲームの結果が公平かどうかを調べる際にも二項検定が使われます。例えば、ゲームの確率的なイベント（アイテムの出現確率や勝敗のバランス）が適切かどうかを検証します。

ゲームデザインにおける二項検定の応用

問題設定: プレイヤーにとって特定のアイテムが出現する確率が設定通りかどうかを検証する。例えば、アイテムAが10%の確率で出現するという設定のゲームで、1,000回の試行のうち80回アイテムAが出現した場合、この確率が10%通りかどうかを検定します。
仮説設定:
- 帰無仮説 (H0): アイテムAの出現率は10%である。
- 対立仮説 (H1): アイテムAの出現率は10%ではない（両側検定）。
二項検定の実施: 実際の出現率が設定値と一致しているかを検定し、ゲームバランスを調整するための判断材料にします。

7. 結論

二項検定は、2つの結果を持つデータに対して有効な統計手法です。広告のA/Bテストや医療試験など、さまざまな分野で広く利用されています。Pythonを使えば、簡単に実装して検証を行うことができるため、実務でも頻繁に使われるテクニックです。