結論
統計検定準1級とは、統計検定2級までの基礎知識をもとに、実社会のさまざまな問題に適切な統計の手法を応用できる力を問う試験です。CBT方式で、試験時間90分・25〜30問(5肢選択と数値入力)、100点満点で60点以上が合格です。受験料は一般8,000円・学割6,000円(税込)で、公式が公表している合格率は2021〜2025年の各年で34.7〜35.9%です。
この記事でわかること
- 試験の形式・受験料・申込から合格証までの流れと、公式の合格率5年分(2級との比較つき)
- 出題範囲表の大項目と、2027年1月1日から使われる新しい範囲表で加わる「統計的因果推論」
- 範囲表にある最尤推定・検定と検出力・重回帰と多重共線性を、自作の例題で Python を使って解いた結果
この記事で実際に動かしたもの:Python 3.13 と NumPy・SciPy で、公式の合格率の集計、ポアソン分布の最尤推定と信頼区間の被覆確率、母比率の差の検定・検出力・サンプルサイズ、重回帰の係数・自由度調整済み決定係数・AIC・VIF の計算。
統計検定には、4級から1級までの「統計の力」を段階的に問う種別があり、準1級は CBT 方式で受けられる中では最も上の段です。並びを先に図で示します。
flowchart TD
G4[4級<br>中学校までの範囲] --> G3[3級<br>高校数学の範囲]
G3 --> G2[2級<br>大学基礎課程]
G2 --> P1[準1級<br>大学専門課程 CBT]
P1 --> G1[1級<br>大学院レベル 論述式]
よく調べられることの答えを先にまとめます。
| 知りたいこと | 答え | 詳しい節 |
|---|---|---|
| 統計検定準1級とは | 2級までの知識をもとに、統計の手法を実社会の問題に応用する力を問う試験。大学専門課程(3・4年次)程度 | 統計検定準1級とは |
| 試験時間・問題数 | 90分・25〜30問。5肢選択と数値入力 | 試験の形式 |
| 合格点 | 100点満点で60点以上 | 試験の形式 |
| 統計検定準1級の合格率 | CBT 方式で2021〜2025年は34.7〜35.9%(5年の単純平均35.24%) | 合格率と難易度 |
| 統計検定準1級の難易度 | 同じ5年の2級(46.1〜49.9%)より合格率が約13ポイント低い | 合格率と難易度 |
| 受験料・試験日 | 一般8,000円・学割6,000円(税込)。会場が指定する日時ならいつでも受けられる | 申込から合格証まで |
| 出題範囲 | 確率・推定・検定・回帰・多変量解析・時系列・ベイズ法など。2027年1月1日から範囲表が新しくなる | 出題範囲 |
| 統計検定準1級の勉強方法 | 公式のワークブックで範囲を一周し、公式問題集で90分の演習。式は Python で数値を出して確かめる | 勉強方法と学ぶ順番 |
確認環境:試験の位置づけ・形式・受験料・合格基準・出題範囲表・公式テキスト・合格率は、統計検定の公式サイト(toukei-kentei.jp の「統計検定準1級」「試験概要」「検定種別の目安」「過去の受験データ」「公式テキスト・問題集」「CBT方式試験のよくある質問」「統計検定1級」)を WebFetch で読んで確かめました。申込の方法・再受験の決まり・持ち物は、CBT 方式の運営会社であるオデッセイコミュニケーションズの準1級のページで確かめています。出題範囲表の PDF は、この環境からのダウンロードがプロキシで拒否されたため、WebFetch で読み取った文面の範囲だけを書いています。例題と集計は、Ubuntu 24.04.5 LTS の上の Python 3.13.18、NumPy 2.5.3、SciPy 1.18.1 で実行しました。例題のデータと問題は自作で、実際の試験問題ではありません。図は Mermaid で描画を確かめています。申込サイトへの登録や受験の予約はしていません(確認日 2026年11月16日)。
本記事の内容は、ご自由にお使いください。
ご利用の際は、出典として本ページへのリンクを記載いただけますようお願いします。
(記載例)出典:株式会社RJC「統計検定準1級とは|難易度・合格率・出題範囲と勉強方法をPython例題で」
統計検定準1級とは(位置づけと対象のレベル)
この節では、統計検定準1級がどんな力を問う試験で、どのくらいのレベルなのかが分かります。
統計検定は、一般財団法人統計質保証推進協会が主催し、日本統計学会が公式に認定している検定です。試験概要のページには、総務省・文部科学省・経済産業省・内閣府など複数の省庁の後援が記載されています。
準1級について、公式の準1級のページは「統計検定2級までの基礎知識をもとに、実社会の様々な問題に対して適切な統計学の諸手法を応用できる能力を問うもの」と説明しています。大学の基礎的な統計学の講義に続いて学ぶ応用的な手法が対象で、データの集め方の計画、手法の選び方、結果の正しい読み方までが問われます。準1級の内容は2級の内容をすべて含むとも書かれています。
「検定種別の目安」のページでは、レベルが次のように示されています。
2級
大学基礎課程(1・2年次)程度。3級までの知識が必須。60点以上で合格。
統計の基礎と活用
準1級
大学専門課程(3・4年次)程度。2級までの知識が必須で、幅広い統計学の知識が求められる。60点以上で合格。
手法の応用
1級
大学院レベル。準1級までの知識が必須。「統計数理」と「統計応用」の論述式。合格水準は非公開。
理論と専門分野
この記事の見方でエンジニアの仕事に置き換えると、2級は「平均・分散・検定・単回帰の意味が分かり、結果を読める」段階、準1級は「データの性質を見て手法を選び、回帰の前提が崩れていないか・検出力が足りるかまで判断できる」段階です。A/B テストの設計、需要の予測、ログの集計結果の読み方など、データを扱う開発の作業と重なる項目が多く含まれます。
統計検定準1級の試験の形式(CBT・90分・25〜30問・60点)
この節では、試験時間・問題数・出題の形式・合格基準と、そこから計算した1問あたりの時間が分かります。
準1級は CBT 方式(会場のパソコンで解く試験)だけで行われます。CBT 方式は2021年7月27日に始まり、紙の PBT 方式は1級以外では2021年で終わっています。
| 項目 | 公式の記載(2026年11月16日時点) |
|---|---|
| 方式 | CBT 方式 |
| 出題の形式 | 5肢選択問題、数値入力問題 |
| 試験時間 | 90分 |
| 問題数 | 25〜30問 |
| 合格基準 | 100点満点で60点以上 |
| 受験料(税込) | 一般8,000円、学割6,000円 |
| 結果 | 試験の直後に「試験結果レポート」が出る |
公式の FAQ によると、CBT の問題はプールからコンピューターが無作為に選んで出すため、受験した回や人ごとに異なります。難易度と合否の基準は PBT 方式と同じ程度で、得られる資格も同じだと説明されています。
1問あたりの時間は3.0〜3.6分です。最尤推定量を導いてから数値を入れる問題や、行列の計算が入る問題は1問で5分以上かかることもあるので、時間のかかる問題を後に回す順番を演習で決めておくと、90分の中で解ける問題を取りこぼしにくくなります。配点は公表されていないため、「何問正解で合格か」は決まった数では言えません。
統計検定準1級の合格率と難易度(公式の5年分を集計)
この節では、公式が公表している準1級の合格率と、2級と比べた難易度が分かります。
統計検定の公式サイトの「過去の受験データ」には、CBT 方式の各年・各種別の合格率が載っています。準1級は2021〜2025年の5年分です。同じ表の2級の値と並べて、Python で差と比を計算しました。
import numpy as np
# 統計検定 公式「過去の受験データ」の CBT 方式の合格率(%)
years = [2021, 2022, 2023, 2024, 2025]
pre1 = np.array([34.8, 35.9, 35.3, 35.5, 34.7])
g2 = np.array([48.0, 49.9, 49.1, 48.1, 46.1])
for y, a, b in zip(years, pre1, g2):
print(y, "準1級", a, "2級", b, "差", round(b - a, 1))
print("準1級の5年平均:", round(pre1.mean(), 2), " 幅:", pre1.min(), "〜", pre1.max())
print("2級の5年平均:", round(g2.mean(), 2))
print("準1級÷2級:", round(pre1.mean() / g2.mean(), 3))
print("合格者は受験者の約", round(100 / pre1.mean(), 2), "人に1人")
for q in (25, 30):
print(q, "問なら1問あたり", round(90 / q, 1), "分")
2021 準1級 34.8 2級 48.0 差 13.2
2022 準1級 35.9 2級 49.9 差 14.0
2023 準1級 35.3 2級 49.1 差 13.8
2024 準1級 35.5 2級 48.1 差 12.6
2025 準1級 34.7 2級 46.1 差 11.4
準1級の5年平均: 35.24 幅: 34.7 〜 35.9
2級の5年平均: 48.24
準1級÷2級: 0.731
合格者は受験者の約 2.84 人に1人
25 問なら1問あたり 3.6 分
30 問なら1問あたり 3.0 分
| 年 | 準1級の合格率 | 2級の合格率 | 差(ポイント) |
|---|---|---|---|
| 2021年 | 34.8% | 48.0% | 13.2 |
| 2022年 | 35.9% | 49.9% | 14.0 |
| 2023年 | 35.3% | 49.1% | 13.8 |
| 2024年 | 35.5% | 48.1% | 12.6 |
| 2025年 | 34.7% | 46.1% | 11.4 |
読み取れることは3つです。
1毎年ほぼ35%で動かない
5年の幅は34.7〜35.9%の1.2ポイントだけ。受験者のおよそ2.8人に1人が合格している。
22級より約13ポイント低い
5年の単純平均は準1級35.24%、2級48.24%。準1級は2級の約0.73倍。
3受験者は2級を通った人が多い
範囲が2級をすべて含むため、2級の合格者が受ける例が多いと考えられる。同じ35%でも、母集団の水準は2級より高い。
平均は各年の率をそのまま平均した単純平均です。公式のページでは受験者数がグラフで示されているだけで、本文から数を読み取れなかったため、受験者数で重みを付けた平均は出していません。2020年以前の紙の試験(PBT)の準1級の合格率は、公式の「過去の受験データ」のページの本文からは読み取れなかったので、この記事では扱いません。
難易度を数字以外で言うと、範囲の広さが大きな壁です。準1級の範囲表には、2級の内容に加えて、多変量解析・時系列解析・ベイズ法・マルコフ連鎖・モデル選択までが並びます。合格率の差には、この範囲の差が表れていると考えられます。
統計検定準1級の申込から合格証まで(受験料・試験日・流れ)
この節では、申込の手順と、結果・合格証・オープンバッジが届くまでの流れが分かります。
準1級は決まった試験日がなく、会場が指定している日時ならいつでも受けられます。自宅など任意の場所からは受けられず、運営会社が認定したパソコンスクールや専門学校などの会場で受けます。
オデッセイIDを登録する
CBT の運営会社(オデッセイコミュニケーションズ)の無料の ID が受験に要る。
試験会場を探して申し込む
運営会社のサイトで会場を探し、会場に直接申し込んで受験料を払う。実施日や申込の方法は会場ごとに異なる。学割は申込のときに伝え、所属校の名前を知らせる。
当日、写真付きの身分証明書を持って受ける
学割なら学生証も要る。電卓は1人1台まで。計算用紙と数値表は会場で配られ、終わると回収される。
試験の直後に合否が分かる
試験が終わると合否が判定され、「試験結果レポート」を受け取る。
合格証とオープンバッジが届く
合格証は試験日から4〜6週間後に郵送。成績が優秀な場合は表彰状が添えられる。オープンバッジは試験日の翌月の第3週に発行される。
同じ種別を2回目以降に受けるときは、前回の試験の終了から168時間(7日)以上空ける決まりがあります。運営会社のページには、この決まりに反すると、取得した資格の取り消しや受験資格の喪失になる場合があると書かれています。回数の上限はなく、合格した種別をもう一度受けることもできると公式の FAQ にあります。
統計検定準1級の出題範囲(範囲表の大項目)
この節では、公式の出題範囲表に並ぶ大項目と、2027年1月1日から使われる新しい範囲表の違いが分かります。
公式の準1級のページには、2つの出題範囲表が置かれています。2026年12月31日までの受験は従来の範囲表、2027年1月1日以降の受験は新しい範囲表が対象です。公式テキストの案内には、新しい範囲表に合わせて「統計的因果推論」の解説・章が新たに加わったと書かれています。
新しい範囲表を WebFetch で読み取った範囲では、大項目は次の順に並んでいます。
| 大項目 | 主な用語(範囲表から抜粋) | 2級との関係 |
|---|---|---|
| 確率と確率変数 | 条件付き確率、ベイズの定理、母関数、変数変換、極限定理 | 2級を広げる |
| 種々の確率分布 | 離散型・連続型の分布、t分布・カイ二乗分布・F分布などの標本分布 | 2級を広げる |
| 統計的推測(推定) | 十分統計量、最尤法、不偏性・一致性、クラーメル・ラオの不等式、フィッシャー情報量、区間推定 | 理論が深くなる |
| 統計的推測(検定) | P-値、第一種・第二種の過誤、検出力、サンプルサイズの決定、ネイマン・ピアソンの基本定理、尤度比検定、ノンパラメトリック法 | 理論が深くなる |
| マルコフ連鎖と確率過程の基礎 | マルコフ連鎖、確率過程の基礎 | 新しく加わる |
| 回帰分析 | 重回帰、自由度調整済み決定係数、多重共線性、L1・L2正則化、回帰診断、ロジスティック回帰、一般化線形モデル、比例ハザードモデル | 2級を広げる |
| 分散分析と実験計画法 | 分散分析と実験計画の基本原理、標本調査法 | 2級を広げる |
| 多変量解析 | 主成分分析、判別分析、クラスター分析、因子分析 | 新しく加わる |
| 時系列解析 | 時系列の基本概念と各種のモデル | 新しく加わる |
| 分割表 | 分割表の解析とモデル | 2級を広げる |
| 不完全データ・モデル選択 | 欠測のあるデータの扱い、情報量規準 | 新しく加わる |
| ベイズ法 | 事前分布・事後分布、MCMC 法、ギブスサンプリング、階層ベイズモデル | 新しく加わる |
| シミュレーション・計算手法 | 乱数やシミュレーションを使う計算 | 新しく加わる |
| 統計的因果推論 | グラフィカルモデル、DAG、因果効果、バックドア基準、フロントドア基準 | 2027年1月1日から |
「2級との関係」の列は、範囲表の用語を見て、この記事で分けたものです。範囲表の細かい用語の並びは、受験の前に公式の PDF で確かめるのが確実です。従来の範囲表を WebFetch で読み取った範囲では「統計的因果推論」の語は見当たらず、回帰分析の正則化は L1 だけが書かれていました。2026年12月31日までに受けるか、2027年1月1日以降に受けるかで、学ぶ範囲が少し変わります。
範囲に入っている分布と平均・分散の関係は、関連記事「確率分布とは|種類一覧・平均と分散・選び方をPythonで実演」で扱っています。
2級・1級との違い(統計検定準1級はどこが変わるか)
この節では、2級・準1級・1級の違いを、形式と問われ方の両方から比べられます。
2級と準1級の一番の違いは、「手法の意味を知っている」から「手法を選び、前提を確かめて使える」への変わり方です。形式も、準1級には数値入力の問題が加わります。
統計検定2級
CBT・90分・35問程度・4〜5肢選択
大学基礎課程(1・2年次)程度
統計の基礎と活用の理論と知識を問う(公式の説明)
受験料7,000円(学割5,000円)
統計検定準1級
CBT・90分・25〜30問・5肢選択と数値入力
大学専門課程(3・4年次)程度
2級の全範囲+多変量解析・時系列・ベイズ法・確率過程など
受験料8,000円(学割6,000円)
| 項目 | 2級 | 準1級 | 1級 |
|---|---|---|---|
| 方式 | CBT | CBT | PBT(紙)・論述式 |
| 試験時間・問題 | 90分・35問程度 | 90分・25〜30問 | 「統計数理」90分(5問から3問)と「統計応用」90分(1分野5問から3問) |
| 合格基準 | 60点以上 | 60点以上 | 非公開。両方の合格が要る |
| 受験料(税込) | 7,000円 | 8,000円 | 各8,000円、同時に受けると12,000円 |
| 試験日 | 通年 | 通年 | 年1回(2026年は11月15日) |
1級は準1級の内容をすべて含み、「統計数理」と「統計応用」の両方に合格して1級になります。片方だけ合格した場合は、有効期間の中でもう片方に合格すれば認められると公式の1級のページにあります。準1級は、1級の前に範囲全体を選択式で確かめる段として使えます。
統計検定準1級の勉強方法と学ぶ順番
この節では、公式の教材と、範囲表から決めた学ぶ順番が分かります。
軸になる教材は、公式サイトに載っている2冊です。
- 統計検定準1級対応の公式テキスト(ワークブック)(日本統計学会公式認定、学術図書出版社、ISBN 978-4-7806-1475-6、3,300円):範囲を一通り学ぶための本。増補版は2027年1月1日からの新しい範囲表に合わせ、「統計的因果推論」の章が加わっています。
- 「統計検定 準1級 公式問題集」(実務教育出版、2021年11月刊行):2015〜2021年の全6回分の PBT 方式の問題と解説(2020年は実施なし)。
CBT の問題は公開されていないため、本番の形に近い演習は公式問題集が中心です。公式のページには、公式問題集の過去問の中に会場で配られない「付表5」を使う問題があり、今の CBT の仕様とは異なるという注意が書かれています。公式の勉強時間の目安は、確認した公式のページには見当たりませんでした。
範囲表の並びと、手法どうしの依存関係から決めた順番です。
- 12級の範囲を確かめ直す2級の公式テキスト「統計学基礎」で基礎を確かめる。準1級は2級をすべて含む
- 2確率と確率分布を広げる変数変換・母関数・条件付き分布・極限定理。後の推定の計算の土台
- 3推定の理論最尤法・フィッシャー情報量・不偏性・クラーメル・ラオの不等式
- 4検定の理論と検出力尤度比検定・第二種の過誤・サンプルサイズの決定・分割表の検定
- 5回帰分析重回帰・多重共線性・回帰診断・ロジスティック回帰・一般化線形モデル
- 6多変量解析・時系列・確率過程主成分分析・クラスター分析・マルコフ連鎖。行列の計算に慣れる
- 7ベイズ法・シミュレーション・モデル選択事後分布・MCMC・情報量規準
- 8統計的因果推論(2027年1月1日以降に受ける場合)DAG・バックドア基準・因果効果の分解
- 9公式問題集を90分で解く時間を計り、後に回す問題の決め方を練習する
エンジニアであれば、式を読んだらすぐ Python で数値を出して確かめる学び方が身につきやすくなります。導いた最尤推定量を数値の最大化と比べる、信頼区間の被覆確率を数える、といった確かめ方を次の3つの節で示します。主成分分析と行列の計算は、関連記事「主成分分析(PCA)とは|手順・寄与率・負荷量の読み方をPythonで実演」と関連記事「逆行列とは|求め方(2×2公式・掃き出し法・余因子)をPythonで検算」で扱っています。
例題1:最尤推定と信頼区間を Python で解く(推定)
この節では、範囲表の「最尤法」「フィッシャー情報量」「区間推定」「被覆確率」を、1つの例題で計算して確かめられます。
問題(自作):あるサービスの1日の問い合わせ件数を20日分記録した。件数がポアソン分布に従うとき、平均 λ の最尤推定値と95%信頼区間を求めよ。
手で解くと、対数尤度は log L(λ) = Σx·log λ − nλ − Σlog(x!) で、λ で微分して0とおくと λ̂ = Σx / n(標本平均)になります。フィッシャー情報量は I(λ) = n / λ なので、標準誤差は √(λ̂ / n) です。この答えを、数値で尤度を最大化した結果と比べます。
import numpy as np
from scipy import stats, optimize
# 20日分の問い合わせ件数(自作のデータ)
x = np.array([3, 5, 2, 4, 6, 3, 4, 2, 5, 4, 3, 7, 4, 2, 5, 3, 4, 6, 3, 5])
n, S = len(x), x.sum()
lam_hat = x.mean() # 式で求めた最尤推定量(標本平均)
nll = lambda lam: -stats.poisson.logpmf(x, lam).sum()
res = optimize.minimize_scalar(nll, bounds=(0.01, 20), method="bounded")
print("式の最尤推定値:", lam_hat, " 数値で最大化:", round(res.x, 6))
print("最大対数尤度:", round(-res.fun, 4))
se = np.sqrt(lam_hat / n) # フィッシャー情報量 n/λ から
z = stats.norm.ppf(0.975)
print("標準誤差:", round(se, 4))
print("ワルド型95%区間:", round(lam_hat - z * se, 3), round(lam_hat + z * se, 3))
lo = stats.chi2.ppf(0.025, 2 * S) / (2 * n)
hi = stats.chi2.ppf(0.975, 2 * S + 2) / (2 * n)
print("カイ二乗分布による正確な95%区間:", round(lo, 3), round(hi, 3))
# 被覆確率:真の λ で、区間が λ を含む確率を厳密に足し上げる
def coverage(lam, n):
s = np.arange(0, 5000)
pm = stats.poisson.pmf(s, lam * n)
m = s / n
w = (m - z * np.sqrt(m / n) <= lam) & (lam <= m + z * np.sqrt(m / n))
lo = np.where(s > 0, stats.chi2.ppf(0.025, 2 * s) / (2 * n), 0.0)
hi = stats.chi2.ppf(0.975, 2 * s + 2) / (2 * n)
e = (lo <= lam) & (lam <= hi)
return float(round((pm * w).sum(), 4)), float(round((pm * e).sum(), 4))
for lam, nn in [(4, 20), (4, 100), (1, 20), (1, 5), (0.5, 5)]:
print(f"λ={lam} n={nn} 被覆確率(ワルド型, 正確):", coverage(lam, nn))
式の最尤推定値: 4.0 数値で最大化: 4.0
最大対数尤度: -36.8586
標準誤差: 0.4472
ワルド型95%区間: 3.123 4.877
カイ二乗分布による正確な95%区間: 3.172 4.978
λ=4 n=20 被覆確率(ワルド型, 正確): (0.9449, 0.9561)
λ=4 n=100 被覆確率(ワルド型, 正確): (0.9508, 0.9545)
λ=1 n=20 被覆確率(ワルド型, 正確): (0.9475, 0.9568)
λ=1 n=5 被覆確率(ワルド型, 正確): (0.8699, 0.9796)
λ=0.5 n=5 被覆確率(ワルド型, 正確): (0.9168, 0.9858)
- 式で求めた λ̂ = 4.0 と、尤度を数値で最大化した値が一致しました。
- ワルド型(推定値 ± 1.96 × 標準誤差)の区間は 3.123〜4.877、カイ二乗分布を使う正確な区間は 3.172〜4.978 で、正確な区間は右に少し長くなります。ポアソン分布が右に裾を引く形だからです。
- 被覆確率(区間が本当の λ を含む確率)は、nλ が小さいとワルド型が95%を下回ります。λ=1・n=5 では 86.99% でした。正確な区間はどの条件でも95%以上です。
区間の式の両辺に n を掛けると分かるとおり、区間が当たるかどうかは合計 Σx の分布(平均 nλ のポアソン分布)だけで決まります。そのため、λ と n を別々に見るのではなく、nλ(期待される合計件数)で近似が使えるかを判断します。nλ=80 では 94.49%、nλ=5 では 86.99% でした。nλ=2.5(λ=0.5・n=5)のほうが 91.68% と高いのは、分布が飛び飛びの値をとるために被覆確率が上下に揺れるためで、nλ が小さい範囲ではワルド型は当てにしにくいと読み取れます。
例題2:母比率の差の検定と検出力を Python で解く(検定)
この節では、範囲表の「検定の基礎」「検出力」「サンプルサイズの決定」「適合度検定」「イエーツの補正」「尤度比検定」を、A/B テストの例で比べられます。
問題(自作):Web ページの A 案と B 案をそれぞれ2,000回表示し、問い合わせが A 案60件(3.0%)、B 案84件(4.2%)だった。(1) 両側5%で差があるといえるか。(2) 本当に3.0%と4.2%の差があるとき、検出力80%にするには各案を何回表示すればよいか。
import numpy as np
from scipy import stats
# A案:2,000訪問で問い合わせ60件、B案:2,000訪問で84件(自作)
a_n, a_x, b_n, b_x = 2000, 60, 2000, 84
pa, pb = a_x / a_n, b_x / b_n
pp = (a_x + b_x) / (a_n + b_n)
zstat = (pb - pa) / np.sqrt(pp * (1 - pp) * (1 / a_n + 1 / b_n))
print("z =", round(zstat, 4), " 両側p値 =", round(2 * stats.norm.sf(abs(zstat)), 5))
tab = np.array([[a_x, a_n - a_x], [b_x, b_n - b_x]])
c, p, _, _ = stats.chi2_contingency(tab, correction=False)
print("カイ二乗 =", round(c, 4), " p =", round(p, 5), " z^2 =", round(zstat**2, 4))
c, p, _, _ = stats.chi2_contingency(tab, correction=True)
print("イエーツの補正あり =", round(c, 4), " p =", round(p, 5))
g, p, _, _ = stats.chi2_contingency(tab, correction=False, lambda_="log-likelihood")
print("尤度比 G =", round(g, 4), " p =", round(p, 5))
print("フィッシャーの正確検定 p =", round(stats.fisher_exact(tab)[1], 5))
# 検出力:本当に 3.0% → 4.2% の差があるとき、両側5%で差を見つける確率
za = stats.norm.ppf(0.975)
def power(p1, p2, n):
pbar = (p1 + p2) / 2
se0 = np.sqrt(2 * pbar * (1 - pbar) / n)
se1 = np.sqrt(p1 * (1 - p1) / n + p2 * (1 - p2) / n)
d = abs(p2 - p1)
return stats.norm.cdf((d - za * se0) / se1) + stats.norm.cdf((-d - za * se0) / se1)
for n in (1000, 2000, 3000, 4000, 5000):
print(f"各群 n={n} 検出力 =", round(power(0.03, 0.042, n), 4))
def n_needed(p1, p2, beta):
zb = stats.norm.ppf(1 - beta)
pbar = (p1 + p2) / 2
num = (za * np.sqrt(2 * pbar * (1 - pbar)) + zb * np.sqrt(p1 * (1 - p1) + p2 * (1 - p2))) ** 2
return int(np.ceil(num / (p2 - p1) ** 2))
n80 = n_needed(0.03, 0.042, 0.2)
print("検出力80%に要る各群の数 =", n80, " 90% =", n_needed(0.03, 0.042, 0.1))
rng = np.random.default_rng(530)
def sim(p1, p2, n, reps=20000):
A, B = rng.binomial(n, p1, reps), rng.binomial(n, p2, reps)
P = (A + B) / (2 * n)
Z = (B / n - A / n) / np.sqrt(P * (1 - P) * 2 / n)
return round(np.mean(np.abs(Z) > za), 4)
print("2万回の模擬実験:差があるとき(n=%d)の棄却率 =" % n80, sim(0.03, 0.042, n80))
print("2万回の模擬実験:差がないとき(n=2000)の棄却率 =", sim(0.03, 0.03, 2000))
z = 2.037 両側p値 = 0.04165
カイ二乗 = 4.1494 p = 0.04165 z^2 = 4.1494
イエーツの補正あり = 3.8108 p = 0.05092
尤度比 G = 4.1681 p = 0.04119
フィッシャーの正確検定 p = 0.05057
各群 n=1000 検出力 = 0.3019
各群 n=2000 検出力 = 0.5308
各群 n=3000 検出力 = 0.7037
各群 n=4000 検出力 = 0.8215
各群 n=5000 検出力 = 0.8964
検出力80%に要る各群の数 = 3782 90% = 5063
2万回の模擬実験:差があるとき(n=3782)の棄却率 = 0.803
2万回の模擬実験:差がないとき(n=2000)の棄却率 = 0.0476
| 方法 | 統計量 | p値 | 5%で有意か |
|---|---|---|---|
| 2標本の比率の z 検定 | z = 2.037 | 0.04165 | 有意 |
| カイ二乗検定(補正なし) | 4.1494(= z²) | 0.04165 | 有意 |
| カイ二乗検定(イエーツの補正あり) | 3.8108 | 0.05092 | 有意でない |
| 尤度比検定(G 検定) | 4.1681 | 0.04119 | 有意 |
| フィッシャーの正確検定 | ― | 0.05057 | 有意でない |
- 補正なしのカイ二乗統計量は z の2乗と一致しました(4.1494)。2×2の分割表では同じ検定です。
- p値が5%の近くにあると、補正の有無や方法で結論が分かれます。どの方法を使うかはデータを見る前に決めておくのが筋です。
- (2) の答えは各案3,782回です。このデータの2,000回では検出力は53.08%しかなく、差があっても半分近くは見逃します。2万回の模擬実験でも、3,782回のときの棄却率は80.3%、差がないときの棄却率(第一種の過誤)は4.76%で、計算と合いました。
p値の意味と誤解しやすい点は、関連記事「p値とは|意味・有意水準・よくある誤解をPythonで実演」で扱っています。
例題3:重回帰と多重共線性を Python で解く(回帰分析)
この節では、範囲表の「重回帰モデル」「自由度調整済み決定係数」「多重共線性」と、モデル選択の情報量規準(AIC)を、1つのデータで確かめられます。
問題(自作):60か月分の売上(万円)を、広告費・訪問数・価格で説明する重回帰を考える。訪問数は広告費とほぼ比例している。(1) 広告費と価格の2変数のモデルと、訪問数を加えた3変数のモデルを比べよ。(2) 多重共線性の程度を VIF で示せ。データは「売上 = 2.0 × 広告費 − 0.8 × 価格 + 150 + 誤差」で作ったので、本当の係数は分かっています。
import numpy as np
from scipy import stats
rng = np.random.default_rng(24)
m = 60
ad = rng.uniform(10, 50, m) # 広告費(万円)
visit = 30 * ad + rng.normal(0, 40, m) # 訪問数(広告費とほぼ比例する)
price = rng.uniform(80, 120, m) # 価格(百円)
y = 2.0 * ad - 0.8 * price + rng.normal(0, 6, m) + 150 # 売上(万円)
def fit(cols, names):
X = np.column_stack([np.ones(m)] + cols)
beta = np.linalg.lstsq(X, y, rcond=None)[0]
rss = ((y - X @ beta) ** 2).sum()
tss = ((y - y.mean()) ** 2).sum()
k = X.shape[1] - 1
adj = 1 - (rss / (m - k - 1)) / (tss / (m - 1))
se = np.sqrt(np.diag(rss / (m - k - 1) * np.linalg.inv(X.T @ X)))
p = 2 * stats.t.sf(np.abs(beta / se), m - k - 1)
aic = m * np.log(rss / m) + 2 * (k + 2) # 定数の項を除いた形
print(names, "R2=%.4f 調整済みR2=%.4f AIC=%.2f" % (1 - rss / tss, adj, aic))
for nm, b, s, pv in zip(["定数"] + names, beta, se, p):
print(" %-6s 係数=%8.4f 標準誤差=%.4f p=%.3g" % (nm, b, s, pv))
fit([ad, price], ["広告費", "価格"])
fit([ad, visit, price], ["広告費", "訪問数", "価格"])
def vif(cols):
out = []
for j in range(len(cols)):
Xo = np.column_stack([np.ones(m)] + [c for i, c in enumerate(cols) if i != j])
r = cols[j] - Xo @ np.linalg.lstsq(Xo, cols[j], rcond=None)[0]
out.append(float(round(1 / (r @ r / ((cols[j] - cols[j].mean()) ** 2).sum()), 2)))
return out
print("VIF(広告費, 訪問数, 価格):", vif([ad, visit, price]))
print("VIF(広告費, 価格):", vif([ad, price]))
print("広告費と訪問数の相関係数:", round(np.corrcoef(ad, visit)[0, 1], 4))
['広告費', '価格'] R2=0.9430 調整済みR2=0.9410 AIC=225.07
定数 係数=147.4328 標準誤差=7.9894 p=1.03e-25
広告費 係数= 2.0215 標準誤差=0.0750 p=3.97e-34
価格 係数= -0.8029 標準誤差=0.0738 p=1.6e-15
['広告費', '訪問数', '価格'] R2=0.9439 調整済みR2=0.9408 AIC=226.20
定数 係数=148.1439 標準誤差=8.0405 p=1.94e-25
広告費 係数= 2.5826 標準誤差=0.6242 p=0.000119
訪問数 係数= -0.0189 標準誤差=0.0208 p=0.369
価格 係数= -0.8104 標準誤差=0.0744 p=1.91e-15
VIF(広告費, 訪問数, 価格): [70.41, 70.66, 1.03]
VIF(広告費, 価格): [1.02, 1.02]
広告費と訪問数の相関係数: 0.9928
| モデル | 広告費の係数(標準誤差) | 調整済み R² | AIC |
|---|---|---|---|
| 広告費+価格 | 2.0215(0.0750) | 0.9410 | 225.07 |
| 広告費+訪問数+価格 | 2.5826(0.6242) | 0.9408 | 226.20 |
1R² は増えても調整済み R² は下がる
訪問数を加えると R² は 0.9430→0.9439 と増えたが、調整済み R² は 0.9410→0.9408 と下がった。AIC も 225.07→226.20 と悪くなった。
2標準誤差が約8.3倍に
広告費の標準誤差は 0.0750→0.6242。本当の値2.0から係数もずれた(2.5826)。VIF は約70。
3符号が直感と逆になる
訪問数の係数は −0.0189(p=0.369)。訪問が増えると売上が減るように見えるが、広告費と相関0.9928で重なっているだけ。
VIF の目安として「10を超えたら注意」がよく使われますが、これは慣習で、公式の範囲表に決まった値が書かれているわけではありません。直し方は、重なる変数のどちらかを外す、主成分にまとめる、L2 正則化(リッジ回帰)を使う、などです。回帰の種類や VIF の考え方は「回帰分析とは|単回帰・重回帰・ロジスティック回帰の違いをp値・VIFで実演」の記事でも詳しく書いています。
試験当日の注意(電卓・数値表・計算用紙)
この節では、当日の持ち物と、会場で使えるもの・使えないものが分かります。
持ち込める電卓は、四則演算・百分率・平方根ができる普通電卓か事務用電卓の1台だけです。関数電卓は使えないため、対数や指数の計算は数値表と手計算で進めます。
- 1写真付きの身分証明書学割で受けるなら学生証も。詳しくは運営会社の「当日の持ち物」のページ
- 2普通電卓か事務用電卓を1台金融電卓・関数電卓・プログラム電卓・グラフ電卓・メモ機能付き・電卓機能付きの携帯端末は不可。会場での貸し出しはない
- 3数値表は「付表1〜4」が配られる試験の後に回収。「付表5」は配られないが、配られる表だけで解けるように作られていると公式に書かれている
- 4計算用紙と筆記用具は会場のものラミネート加工の計算用紙と専用の筆記用具が配られ、回収される
数値表と電卓の練習
本番と同じ道具で解く練習と、理解を確かめる練習を分ける
統計検定準1級でよくあるつまずき
この節では、学ぶ途中や受験のときによく起きるつまずきと、その直し方が分かります。
| つまずき | 起きること | 直し方 |
|---|---|---|
| 2級の範囲を飛ばして始める | 推定・検定の理論の節で、前提になる基礎が分からず止まる | 準1級は2級をすべて含む。2級の公式テキストで基礎を確かめてから進む |
| 範囲表の版を確かめない | 2027年1月1日以降に受けるのに「統計的因果推論」を学んでいない | 受ける日に合わせて範囲表を選ぶ。公式テキストは増補版で新しい範囲に対応 |
| 公式問題集の付表5を使う問題で戸惑う | 本番では配られない表が要る問題に時間を使う | 公式の注意どおり、今の CBT の仕様とは違うものとして扱う |
| ワルド型の区間をどこでも使う | 件数が少ないと被覆確率が95%を下回る(例題1で 86.99%) | nλ や np が小さいときは正確な区間や別の近似を考える |
| p値が5%付近なのに方法を後から選ぶ | 補正の有無で有意・有意でないが入れ替わる(例題2) | 検定の方法と有意水準をデータを見る前に決める |
| R² だけで変数を増やす | 不要な変数でも R² は増え、係数の標準誤差が大きくなる(例題3) | 調整済み R²・AIC・VIF を並べて見る |
| 関数電卓を持っていく | 持ち込みが認められない | 普通電卓か事務用電卓を1台用意する |
| 不合格の翌日に申し込む | 前回から168時間(7日)経っていないと受けられない | 7日以上空けた日時で会場に申し込む |
判断表:統計検定準1級をいつ受けるか
この節では、今の自分の状態から、準1級を受けるか、先に何をするかを決められます。
| 今の状態 | おすすめの進め方 |
|---|---|
| 統計を学び始めたばかり | 3級か2級から。準1級は2級の内容をすべて含む |
| 2級に合格した、または2級の範囲を一通り解ける | 準1級へ。ワークブックで範囲を一周し、公式問題集で90分の演習 |
| 機械学習のライブラリは使えるが、推定・検定の理論が不安 | 例題1・例題2のように、式と数値の両方で確かめる学び方を推定・検定から始める |
| 2026年12月31日までに受けたい | 従来の範囲表で学ぶ。統計的因果推論は範囲表で確かめた範囲では対象外 |
| 2027年1月1日以降に受ける | 新しい範囲表と増補版のワークブックで。統計的因果推論の章も学ぶ |
| 理論を論述で示したい | 準1級の範囲を固めてから1級(年1回・論述式)へ |
| 深層学習の実装を中心に学びたい | 統計検定とは別の試験も比べる |
深層学習の実装を問う試験との違いは、関連記事「E資格とは|試験内容・合格率・G検定との違いとNumPyで解く要点」で扱っています。分類モデルの結果を正しく読む指標は「Precision(適合率)・再現率・正解率・F1の違い|陽性1%で実測」の記事で、準1級の検定・推定の考え方と合わせて読むと、モデルの指標の数字を統計の目で読めるようになります。
よくある質問
この節では、統計検定準1級について調べられることの多い質問に答えます。
Q. 統計検定準1級の試験日はいつですか?
決まった試験日はありません。CBT 方式で、会場が指定している日時ならいつでも受けられます。実施日は会場ごとに異なります。
Q. 2級を持っていなくても準1級を受けられますか?
確認した公式のページには、準1級を受けるために2級の合格が要るという記載は見当たりませんでした。ただし準1級は2級の内容をすべて含み、2級までの知識が必須とされています。
Q. 受験料はいくらですか?
一般8,000円、学割6,000円(いずれも税込、2026年11月16日時点)です。学割は申込のときに伝え、当日は学生証を持参します。
Q. 自宅で受けられますか?
受けられません。運営会社が認定したパソコンスクールや専門学校などの会場で受けます。
Q. 結果はいつ分かりますか?
試験の直後に合否が判定され、「試験結果レポート」が出ます。合格証は試験日から4〜6週間後に郵送されます。
Q. 落ちたらすぐに受け直せますか?
同じ種別は、前回の試験の終了から168時間(7日)以上空ける必要があります。回数の上限はありません。
Q. 合格に有効期限はありますか?
公式の FAQ では、統計検定の合格に期限はないと説明されています。
Q. CBT の過去問は公開されていますか?
CBT 方式の問題は公開されていません。公式問題集には2015〜2021年の PBT 方式の6回分が収録されています。
Q. 関数電卓は使えますか?
使えません。四則演算・百分率・平方根ができる普通電卓か事務用電卓を1台だけ持ち込めます。
Q. 2027年から出題範囲が変わりますか?
2027年1月1日以降の受験は新しい出題範囲表が対象です。公式テキストの増補版には「統計的因果推論」の章が加わっています。
Q. 合格率が35%前後なのは難しいということですか?
2021〜2025年の CBT の合格率は34.7〜35.9%で、同じ年の2級より約13ポイント低い値です。受験者の多くが2級の範囲を学んだ人だと考えると、数字以上に範囲の広さへの備えが要ります。
まとめ
- 統計検定準1級は、2級までの知識をもとに統計の手法を実社会の問題に応用する力を問う試験で、大学専門課程(3・4年次)程度。
- CBT 方式・90分・25〜30問(5肢選択と数値入力)で、100点満点の60点以上が合格。受験料は一般8,000円・学割6,000円(税込)。
- 公式の合格率は2021〜2025年で34.7〜35.9%(単純平均35.24%)、同じ年の2級より約13ポイント低い。
- 2026年12月31日までは従来の範囲表、2027年1月1日以降は「統計的因果推論」を含む新しい範囲表が対象。
- 最尤推定・検出力・多重共線性のような項目は、式で解いた答えを Python の数値で確かめると、選択肢を絞る感覚が身につく。
参考・出典
確認日はいずれも 2026年11月16日です。
- 統計検定「統計検定準1級」:https://www.toukei-kentei.jp/grade/grade_pre-1
- 統計検定「試験概要」:https://www.toukei-kentei.jp/about/summary
- 統計検定「検定種別の目安」:https://www.toukei-kentei.jp/grade/guideline
- 統計検定「過去の受験データ」:https://www.toukei-kentei.jp/info/past_data
- 統計検定「公式テキスト・問題集」:https://www.toukei-kentei.jp/preparation/books/
- 統計検定「CBT方式試験のよくある質問」:https://www.toukei-kentei.jp/cbt/faqcbt/
- 統計検定「統計検定1級」:https://www.toukei-kentei.jp/grade/grade1/
- 統計検定「統計検定準1級出題範囲表(2026年12月31日まで)」:https://www.toukei-kentei.jp/hubfs/files/grade_range/grade1semi_hani_190628_2.pdf
- 統計検定「統計検定準1級出題範囲表(2027年1月1日以降)」:https://www.toukei-kentei.jp/hubfs/files/20.grade/grade_range/grade1semi_hani_20270101.pdf
- オデッセイコミュニケーションズ「統計検定 準1級」:https://cbt.odyssey-com.co.jp/toukei-kentei/kgrade1semi.html
- SciPy のドキュメント(scipy.stats):https://docs.scipy.org/doc/scipy/reference/stats.html
本記事の内容は、ご自由にお使いください。
ご利用の際は、出典として本ページへのリンクを記載いただけますようお願いします。
(記載例)出典:株式会社RJC「統計検定準1級とは|難易度・合格率・出題範囲と勉強方法をPython例題で」
株式会社RJC ― SI事業・SES事業・AI駆動開発。RJCは一緒に成長を楽しめる会社です。
WE ARE HIRING
RJCで一緒に開発しながら、
成長を楽しみませんか?
RJCは、Web・モバイル・AIを活用した開発プロジェクトで、テックリードやPM・PMOも活躍するシステム開発会社です。会社を知る、待遇を確かめる、話を聞いてみる。気になるところ見てみてください!
- 127日年間休日
- 12時間平均残業時間
- 毎日ガチャ遊びココロも大切にする福利厚生。アマギフなどの賞品ラインナップ!
ほかにも、チケットレストラン、書籍読み放題、2年ごとの慰労報奨(休暇 or 金一封)、11期連続の黒字決算。