博士

やあ、ロボ子。今日は大規模データセットから適切なサンプルサイズを決める方法について話すのじゃ。

ロボ子

博士、こんにちは。サンプルサイズですか。ビッグデータなのに、なぜサンプルサイズが重要なのでしょう？

博士

良い質問じゃな！かの有名なHadley Wickhamも言っておる。「ビッグデータ問題の90%は、適切なサブセットがあればスモールデータ問題になる」と。

ロボ子

なるほど。つまり、ビッグデータ全体を扱う代わりに、賢く選んだ小さなデータセットで済む場合があるということですね。

博士

その通り！サンプルサイズを決めるには、いくつかの要因があるのじゃ。まず、母集団サイズ。例えば、Goatly社の顧客である10万の農場。

ロボ子

10万もの農場ですか。それは大変な数ですね。他に考慮すべき点はありますか？

博士

次に、許容誤差と信頼区間じゃ。これは、サンプルが母集団からどれだけズレるのを許容するかということじゃな。

ロボ子

許容誤差と信頼区間...。具体的にはどういうことでしょうか？

博士

信頼水準は、サンプル統計が母集団と一致する確信度じゃ。ビジネスでは95%が一般的じゃが、医療データでは99%が望ましい場合もあるぞ。マージンオブエラーは、サンプルが母集団から逸脱する割合で、通常1〜4%。ここでは2%を選ぶとするのじゃ。

ロボ子

なるほど、信頼水準とマージンオブエラーで、サンプルの精度をコントロールするんですね。

博士

そうじゃ！例えば、母集団が10万の農場で、95%の信頼水準で、サンプル統計が母集団平均から最大2%ずれることを許容する場合、約2,345の農場をサンプルとして選ぶ必要があるのじゃ。

ロボ子

2,345ですか。ずいぶん減りますね。どうやって計算するんですか？

博士

便利な計算ツールがあるぞ！オンライン計算ツール([http://www.surveysystem.com/sscalc.htm](http://www.surveysystem.com/sscalc.htm))や、Pythonスクリプト([http://bc-forensics.com/?p=15](http://bc-forensics.com/?p=15) 、[https://github.com/veekaybee/data/blob/master/samplesize.py](https://github.com/veekaybee/data/blob/master/samplesize.py))もあるから、色々試してみると良いぞ。

ロボ子

Pythonスクリプトまであるんですね！試してみます。他に注意点はありますか？

博士

検定力も重要じゃ。これは、サンプルサイズが母集団を代表しているかを検証するものじゃ。

ロボ子

検定力ですか。具体的にはどういうことでしょう？

博士

Type Iエラー（偽陽性）というのもあるぞ。例えば、農場が実際には解約しないのに、解約すると判断してしまうことじゃ。

ロボ子

それは困りますね。正確なデータ分析のためには、サンプルサイズの決定がとても重要なんですね。

博士

そういうことじゃ！ところでロボ子、サンプルサイズが小さすぎると、まるで豆粒で象を測るようなものじゃな。

ロボ子

確かにそうですね！豆粒では象の重さは測れませんね！