独立変数

デジタル大辞泉

どくりつ‐へんすう【独立変数】

読み方：どくりつへんすう

関数y＝f（x）で、変数xのこと。xは独立に値をとり、yはそれに従属して値が定まる。自変数。説明変数。原因変数。→従属変数

統計学用語辞典

独立変数 independent variable

　説明変数（explanatory variable），予測変数（predictor）とも呼ばれる。回帰分析において，ある 1 個の変数 Y の予測値 Yhat が，p 個の変数 Xi（i=1，2，...，p）によって Yhat=b0+b1･X1+b2･X2+･･･+bp･Xp という重回帰式で定義される場合，Xi を独立変数（リグレッサー regressor），Y を従属変数（リグレッサンド regressand）と呼ぶ。例えば実験などでいくつかの実験条件によって結果が変化するような場合，結果（従属変数）は実験条件（独立変数）に「従属」して決るが，実験条件は結果とは「独立」に自由に変えられるという意味を含んでいる。説明変数という呼びかたは，従属変数の変動を「説明」することから，予測変数という呼びかたは，従属変数を「予測」するための変数であることからつけられたものである。判別分析においては，あるケースがどの群に属するかを「予測」する。例えば 2 群の判別の場合に，n1，n2 を各群のケース数としたとき，一方の群に n2/(n1+n2)，もう一方の群に -n1/(n1+n2) という数値を与えたときの重回帰分析と，通常の線形判別分析とは等価であることが導ける。このため解析プログラムによっては，判別分析の場合にも独立変数，従属変数という呼びかたをしている。ただし，判別分析においては「独立変数」よりは「説明変数」と呼んだほうが適切かもしれない。あるケースがどの群に属するかは，例えば臨床所見から医師が鑑別診断を下すように，統計学とは別の観点から（やや経験学的に）決められる「外的基準」である。このようなことから，「従属変数」を基準変数（criterion variable）と呼ぶ場合もある（回帰分析の場合にも独立変数が「外的基準」であることに変りはない）。
詳しくは，回帰分析，判別分析を参照のこと。

ウィキペディア

独立変数と従属変数

出典: フリー百科事典『ウィキペディア（Wikipedia）』 (2025/03/16 07:26 UTC 版)

この項目「独立変数と従属変数」は途中まで翻訳されたものです。（原文：en:Dependent and independent variablesの2024-11-07T23:41:29Zの版） 翻訳作業に協力して下さる方を求めています。ノートページや履歴、翻訳のガイドラインも参照してください。要約欄への翻訳情報の記入をお忘れなく。（2025年1月）

独立変数（どくりつへんすう、英語: independent variable）によって説明される変数を従属変数（じゅうぞくへんすう、英語: dependent variable）と言う。 従属変数は、何らかの法則や規則（数学関数など）によって他の変数の値に依存するという仮定や前提のもとで用いられる。一方、独立変数は、対象となる研究等の範囲内では他の変数から独立していると見做す。^{[注釈 1]} このとき、一般的な独立変数として時間、空間、密度、質量、流体の流量^[1][2]、および将来の値（従属変数）を予測するために使用される、ある観測対象の過去の値（例：人口）などが挙げられる^[3]。

この二つのうち、常に変化が研究対象となるのは従属変数であり、統計学では説明変数とも呼ばれる入力を変更することでその変化が調べられる。実験において、他の変数を用いずに値を割り当てることができる変数は、独立変数と呼ばれる。モデルや実験は、独立変数が従属変数に与える影響を検証する。その影響が直接的な関心の対象でない場合でも、独立変数が潜在的な交絡効果を考慮するためなどの理由で含まれることがある。

1変数の微積分では、関数は通常、横軸に独立変数、縦軸に従属変数をとってグラフ化される。 この関数では、yは従属変数であり、xは独立変数である。

純粋数学において

数学において、関数とは入力（数または数の集合等）を受け、出力（数または数の集合等）を出す規則である^[4]。任意の入力を表す符号は独立変数と呼ばれ、任意の出力を表す符号は従属変数と呼ばれる。入力の最も一般的な記号はxであり、出力の最も一般的な記号はyである。関数は通常、y = f(x)と表される^[5]。

独立変数や従属変数を複数持つことも可能である。 例えば、多変数微積分では、z = f(x,y)の形をした関数にしばしば出会う。ここで、zは従属変数であり、xとyは独立変数である。 複数の出力を持つ関数は、しばしばベクトル値函数と呼ばれる。

モデル化と統計学において

数理モデルでは、従属変数の集合と独立変数の集合との関係が研究される^[要出典]。

一般線形モデルy_i = a + bx_i + e_iにおいて、y_iは従属変数のi番目の値であり、x_iは独立変数のi番目の値である。e_iの項は「誤差」であり、独立変数に依らない従属変数の変動を含む^[要出典]。

複数の独立変数がある場合にモデルはy_i = a + bx_i,1 + bx_i,2 + ... + bx_i,n + e_i, となる。ここでnは独立変数の個数を表す^[要出典]。

統計学、特に線形回帰において、データの散布図が生成され、Xが独立変数、Yが従属変数として表される。これは二変量データとも呼ばれ、(x₁, y₁)(x₂, y₂) ...(x_i, y_i)の形を取る。この一般線形モデルは、Y_i = a + Bx_i + U_iの形を取り、i = 1, 2, ... , nとなる。この場合、U_i, ... ,U_nは離散型確率変数である。これは、測定値が互いに影響を与えない場合に発生する。独立性の伝播により、U_iの独立性はY_iの独立性を意味するが、各Y_iには異なる期待値がある。各U_iは期待値が0で、分散がσ²である^[6]。

$${\displaystyle E[Y_{i}]=E[\alpha +\beta x_{i}+U_{i}]=\alpha +\beta x_{i}+E[U_{i}]=\alpha +\beta x_{i}.}$$ カテゴリ