目的変数とは？意味・説明変数との違い・具体例を解説

目的変数とは？意味・説明変数との違い・具体例を解説

目的変数とは？予測したい結果を表す変数

目的変数は、分析の中心に置く「結果側」の変数です。何かを予測したい、分類したい、数値として見積もりたいとき、その答えにあたるものが目的変数になります。

たとえば「明日雨が降るか」を知りたいなら、目的変数は「雨が降るかどうか」です。「来月の売上高」を知りたいなら、目的変数は「来月の売上高」です。病気の診断であれば「病気の有無」や「重症度」が目的変数になります。

ここで大切なのは、目的変数は単なる希望や目標ではなく、データ上で予測・判定したい具体的な値だという点です。「売上を伸ばしたい」は経営上の目標ですが、分析で扱う目的変数としては「来月の売上高」「1日の来店客数」「購入の有無」のように測定できる形へ落とし込みます。

まず「変数」とは何かを押さえる

目的変数を理解するには、先に「変数」の意味を押さえると分かりやすくなります。変数とは、状況や対象によって値が変わるものです。

気温は日や場所によって変わります。商品の価格は店、時期、セールの有無によって変わります。人の身長や体重も、個人や年齢、健康状態によって異なります。このように、固定された一つの値ではなく、観測する条件によって変化する値を変数として扱います。

データ分析では、現実の出来事をそのまま扱うのではなく、気温、価格、来店客数、売上高、購入の有無といった変数として整理します。その中で、最終的に予測したい変数が目的変数です。

目的変数と説明変数の違い

目的変数とよく一緒に出てくる言葉が「説明変数」です。目的変数が予測したい結果であるのに対して、説明変数は目的変数を予測するために使う入力側の情報です。

アイスクリームの売上を例にすると、目的変数は「アイスクリームの売上」です。一方で、気温、曜日、天気、近くでイベントがあるか、商品の価格などは、売上に影響しそうな説明変数です。気温が高いほど売上が伸びる、週末は客数が増える、といった関係をデータから学び、売上を予測します。

ただし、説明変数は必ずしも原因そのものとは限りません。気温と売上に強い関係があっても、分析だけで因果関係まで断定できるわけではありません。説明変数は、まずは目的変数を予測するための手がかりとして考えるのが安全です。

目的変数の具体例

目的変数は、扱う問題によって数値になることも、カテゴリになることもあります。数値を予測する問題は回帰、カテゴリを予測する問題は分類として扱われることが多いです。

たとえば「来月の売上高」を予測するなら、売上高は数値なので回帰の問題です。「顧客が購入するかどうか」を予測するなら、答えは「購入する」「購入しない」のカテゴリなので分類の問題になります。

このように、目的変数を決めるときは「何を予測したいのか」だけでなく、「その答えは数値なのか、カテゴリなのか」まで確認すると、後のモデル選びがしやすくなります。

飲食店の売上予測で考える目的変数

飲食店を経営している場合、将来の売上を予測できると、仕入れ量、スタッフの人数、広告の出し方を決めやすくなります。このとき、分析の目的が「来週の売上高を予測すること」であれば、目的変数は「来週の売上高」です。

一方で、売上高に影響しそうな情報として、曜日、天気、気温、近隣イベントの有無、広告の掲載状況、過去の売上、予約件数などが考えられます。これらは説明変数です。

過去のデータを見ると、雨の日は来店客数が減る、週末は家族連れが増える、イベントの日は夕方の売上が伸びる、といった傾向が見つかるかもしれません。こうした関係をモデルに学習させることで、将来の売上を予測し、準備に活かせます。

ただし、目的変数の単位を曖昧にしないことが重要です。「売上」とだけ書くより、「1日ごとの売上高」「ランチ時間帯の売上高」「翌月の売上高」のように、期間や粒度まで決めると分析のずれを防げます。

数式で見る目的変数

目的変数と説明変数の関係は、簡単な数式で考えると理解しやすくなります。

\(y = ax + b\)

この式では、\(y\) が目的変数、\(x\) が説明変数です。\(a\) と \(b\) は、\(x\) と \(y\) の関係を表す値です。たとえば \(x\) が広告費、\(y\) が売上高だとすると、広告費が変わったときに売上高がどのように変わるかを表す式として読めます。

現実のデータでは、目的変数に影響する説明変数が一つだけとは限りません。飲食店の売上なら、気温、曜日、天気、広告、イベントなど複数の説明変数が関係します。そのため、実務ではより複雑な回帰モデルや機械学習モデルを使って、複数の要因から目的変数を予測します。

それでも基本の考え方は同じです。説明変数を使って、目的変数をできるだけ正確に予測することが、予測モデルの中心になります。

目的変数を決めるときの注意点

目的変数は、分析の出発点です。ここを間違えると、どれだけ多くのデータを集めても、知りたい答えに近づけません。

まず、目的変数と説明変数を逆にしないようにします。「売上を予測したい」のに、売上を説明変数として扱い、広告費を目的変数にしてしまうと、分析の意味が変わってしまいます。何を答えとして出したいのかを最初に確認しましょう。

次に、予測時点でまだ分からない情報を説明変数に入れないことも重要です。たとえば「来月の売上高」を予測するモデルに、来月の実際の来店客数を説明変数として入れると、未来では使えない情報に頼ったモデルになります。これは実務ではよくある落とし穴です。

また、目的変数は測定できる形にする必要があります。「お客様に喜ばれるか」をそのまま目的変数にするのは曖昧です。アンケート点数、再来店の有無、口コミ評価、購入金額など、データとして記録できる形へ変換すると扱いやすくなります。

目的変数を理解すると何ができるか

目的変数を理解すると、データ分析の目的が明確になります。どのデータを集めるべきか、どのモデルを選ぶべきか、結果をどう評価するべきかを決めやすくなるからです。

たとえば目的変数が「購入するかどうか」なら、正解率や再現率などの分類向けの評価が候補になります。目的変数が「売上高」なら、予測値と実際の売上の差を確認する回帰向けの評価が必要です。

さらに、目的変数と説明変数の関係を把握できると、単に予測するだけでなく、意思決定にも使えます。広告費を増やすべきか、仕入れ量を変えるべきか、どの顧客に案内を出すべきかといった判断を、データに基づいて検討できるようになります。

まとめ

目的変数とは、データ分析や機械学習で予測したい結果を表す変数です。売上高、雨の有無、購入金額、病気の有無など、分析で答えとして知りたいものが目的変数になります。

目的変数に影響しそうな入力側の情報は説明変数です。目的変数と説明変数の関係を整理することで、予測モデルを作り、将来の判断に役立てられます。

初心者のうちは、まず「何を予測したいのか」を一文で言えるようにするのがおすすめです。その答えにあたる値が目的変数であり、目的変数を具体的に決めることが、分析全体の土台になります。

更新履歴