サンプリングバイアスとは

統計では、知りたい対象全体を母集団、実際に集めたデータを標本と呼びます。標本が母集団の縮図になっていれば、標本から全体を正しく推測できます。ところが、集め方そのものに偏りがあると、標本は母集団からずれます。これがサンプリングバイアスです。

身近な例

Webアンケートで世の中の意見を調べると、回答者はネットをよく使う人や、そのテーマに関心の強い人に偏ります。営業を続けている企業だけを調べて成功の条件を探すと、倒産した企業の情報が抜け落ちます。後者は生存者バイアスとも呼ばれます。

簡単な数値例で確かめます。ある町の住民は若年層と高齢層が半分ずつで、ある施策への賛成率は若年層80%、高齢層40%だとします。町全体の賛成率は0.5×80% + 0.5×40% = 60%です。ところが回答者が若年層90%、高齢層10%に偏ると、標本の賛成率は0.9×80% + 0.1×40% = 76%になり、実際より16ポイント高く出ます。

AIで問題になる理由

機械学習のモデルは、学習データを世界の縮図とみなして規則性を学びます。米国のNISTの報告書は、オンラインのアンケートやSNSから集めたデータは特定のサービスの利用者しか代表しないのに、より広い用途のモデルの学習に使われがちだと指摘しています。学習データに少ない集団では予測の精度が下がり、アルゴリズムバイアスの原因になります。AI事業者ガイドラインも、統計的な意味のバイアスの例としてサンプリングバイアスを挙げています。

対策

• 母集団の構成を確かめ、無作為抽出や、集団ごとに抽出する層化抽出を使う。
• 不足している集団のデータを追加で集める。
• 母集団の比率に合わせて、集団ごとに重みを付けて集計や学習をする。
• 集団ごとにモデルの精度を評価し、偏りの影響を確かめる。

同じ方法のまま件数を増やしても、偏りは小さくなりません。集め方を見直すことが基本です。