回帰分析

ビジネス上の意思決定において、「施策を実行した場合に売上はどれだけ変化するか」「複数の要因のうち、最も業績に影響を与えているのはどれか」という問いに、感覚ではなく定量的根拠をもって答えられるか否かは、分析の質を大きく左右する。

回帰分析（Regression Analysis）は、変数間の関係を数式として明示し、予測と要因の分解を同時に可能にする統計手法である。コンサルティングの現場では、KPI（Key Performance Indicator：重要業績評価指標）のドライバー分析から市場規模予測、価格弾力性の算出まで、幅広い場面で活用される。データドリブンな経営判断が求められる現代において、回帰分析は定量分析の基礎スキルとして位置づけられている。

回帰分析とは

回帰分析は、19世紀後半に英国の博学者フランシス・ゴルトン（Francis Galton）が「平均への回帰（Regression to the Mean）」という現象を記述したことを起源とする。その後、カール・ピアソン（Karl Pearson）らによって現在の統計的回帰分析の枠組みが確立された。

回帰分析の基本構造は、結果を表す変数を「被説明変数（目的変数・従属変数）」、結果に影響を与える要因を表す変数を「説明変数（独立変数・予測変数）」として位置づけ、両者の関係を数式（回帰式）として推定するものである。

説明変数の数によって、以下の3種類に分類される。

単回帰分析（Simple Regression Analysis）

説明変数が1つの場合に用いる。被説明変数 y と説明変数 x の関係を「y = a + bx + ε」（a：切片、b：回帰係数、ε：誤差項）という一次式で表す。

例として、気温（説明変数）とアイスクリームの売上高（被説明変数）の関係を分析する場合が該当する。

重回帰分析（Multiple Regression Analysis）

説明変数が2つ以上の場合に用いる。実際のビジネス分析では、結果に影響を与える要因が複数存在することが大半であるため、重回帰分析の適用頻度は単回帰分析を大きく上回る。

例として、アイスクリームの売上高を「気温」と「降水量」の両方で説明するモデルが挙げられる。多重共線性（Multicollinearity：複数の説明変数が互いに高い相関を持ち、回帰係数の推定が不安定になる現象）に注意が必要である。

ロジスティック回帰分析（Logistic Regression Analysis）

被説明変数が「0または1」のような二値変数（購入した／しない、来店した／しない、解約した／しないなど）をとる場合に用いる。

通常の線形回帰では確率が0〜1の範囲を超えることがあるため、ロジスティック関数（シグモイド関数）を用いて確率を推定する。顧客チャーン予測や与信スコアリングなどに広く活用される。

回帰分析の種類と選択基準

回帰分析の具体例／ミニケース

ケース1：小売業における売上予測（重回帰分析）

ある飲料メーカーが週次の販売量（被説明変数）を予測するため、「気温」「プロモーション費用」「競合の価格」「曜日ダミー変数」を説明変数として重回帰モデルを構築した。

分析の結果、気温の回帰係数が最も高く、次いでプロモーション費用の影響が大きいことが判明した。これにより、夏季の予算配分はプロモーションよりも在庫確保に優先投資するという意思決定が行われた。

ケース2：顧客解約予測（ロジスティック回帰分析）

通信事業者が解約リスクの高い顧客を特定するため、「利用頻度」「直近の問い合わせ件数」「契約年数」「割引適用有無」をもとにロジスティック回帰モデルを構築した。

スコアリングの結果、解約確率が70％を超えるセグメントに対して、事前にリテンション施策（Retention：既存顧客の維持施策）を実施した結果、解約率を12ポイント低減することに成功した。

回帰分析・相関分析・クラスター分析との違い

コンサルティング業務での回帰分析の位置づけ

論点設計（イシュー出し）

プロジェクトの初期フェーズでは、「何を被説明変数とし、どの変数を説明変数の候補とするか」を決定するプロセス自体が論点整理に直結する。

回帰分析の前提として変数の構造を検討することで、業績悪化の要因仮説を体系的に整理できる。この段階では、専門知識と業界知見を組み合わせた変数選定が分析品質を左右する。

現状分析（As-Is整理）

重回帰分析を用いてKPIのドライバーを特定し、「何が今の業績を規定しているか」を定量的に示す。回帰係数の大きさと統計的有意性（p値）を組み合わせることで、複数要因の中から優先的に対処すべき課題を絞り込める。

また、決定係数R²（R-squared：モデルが実際のデータをどれだけ説明できるかを示す0〜1の指標）によってモデルの説明力を評価する。

施策設計（To-Be）

回帰式を活用した「What-if分析」（仮定シナリオ分析）により、「プロモーション費用をX円増加させた場合、売上はY円増加する」という形で施策効果を事前推計できる。これにより、施策の費用対効果を数値根拠をもって経営層に提示することが可能になる。

さらに、価格弾力性（Price Elasticity：価格変化に対する需要の変化率）の推計など、価格戦略の策定にも応用される。

資料作成（スライド構造）

コンサルティング資料では、回帰分析の結果を「散布図＋回帰直線」のビジュアルで示したうえで、回帰係数の大きさをバー形式で比較するドライバー分析チャートを組み合わせるのが一般的である。

スライドの構成は「仮説→分析手法の説明→結果の提示→示唆の導出」の順序とし、統計的有意性を注釈に明記することで説得力を高める。

回帰分析の導入メリットと注意点

主なメリット

• 定量的な根拠に基づく予測が可能となり、意思決定の客観性が向上する
• 複数要因の影響度を同時に比較できるため、優先施策の特定に有効である
• 回帰式を用いたシミュレーションにより、施策効果の事前試算が可能となる
• 分析結果をグラフ化することで、経営層への視覚的な説明が容易になる

適用上の注意点

• 相関関係は因果関係を意味しない。回帰分析で高い相関が確認されても、施策の因果効果とは別問題である（相関と因果の混同）
• 多重共線性が存在する場合、個々の回帰係数の解釈が不安定になる。VIF（Variance Inflation Factor：分散拡大係数）を確認することが望ましい
• 外れ値（Outlier）の影響を受けやすく、異常値が少数含まれるだけで回帰式が大きく歪む可能性がある
• モデルは既存データに基づくため、学習データの範囲外への予測（外挿）は信頼性が低下する
• 変数の選択が恣意的になると、無関係な変数を有意と誤認する過学習（Overfitting）やデータ・ドレッジングのリスクが生じる（※なお、時系列データにおいて非定常な変数をそのまま用いると、無関係でも有意な相関が示される「見せかけの回帰（Spurious Regression）」が生じる点にも注意が必要である）

コンサル採用面接で回帰分析を押さえておくべき理由

コンサルティングファームの採用面接において、回帰分析そのものの定義や手順を直接問われる機会は限られている。しかし、ケース面接において売上ドライバーの特定や市場の量的予測を扱う場面では、回帰分析の考え方を基盤とした思考が解答の精度を高める。

具体的には、「複数の要因のうち最も影響が大きいものを特定する」「施策の費用対効果を定量的に示す」といった論点に対して、変数間の関係を構造化して考える姿勢は、面接官に説得力のある論理展開という印象を与える。

また、データ分析系ポジション（アナリティクス・チーム、デジタル系ファームなど）を志望する場合は、回帰分析の概念と主要手法の違いについて骨格をおさえておくと、技術的な質問への対応に余裕が生まれる。

フレームワーク名や数式を正確に暗記することよりも、「なぜその分析を選択するか」という判断軸を内面化することのほうが実際の面接では有効である。

回帰分析に関するFAQ

Q1.回帰分析とはどのような手法か。

回帰分析とは、被説明変数（結果の数値）と説明変数（要因の数値）の関係を数式として推定し、予測と要因分解を行う統計手法である。説明変数が1つの場合を単回帰分析、2つ以上の場合を重回帰分析と呼ぶ。

また、被説明変数が0または1の二値をとる場合にはロジスティック回帰分析が用いられる。分析のアウトプットとして得られる回帰式は、説明変数の値から被説明変数の予測値を算出する際に使用される。

回帰係数（各説明変数が被説明変数に与える影響の大きさ）を比較することで、複数要因の中から業績へのインパクトが大きいものを特定できる。

コンサルティングの文脈では、KPIドライバーの分解から施策効果の事前推計まで幅広く活用される手法である。

Q2.回帰分析と相関分析はどう違うのか。

相関分析は2つの変数の間に統計的な関係があるかどうかを、相関係数（−1〜+1の値）を用いて測定する手法である。

一方、回帰分析はその関係を「y = a + bx + ε」のような数式として定式化し、予測や要因の大きさの比較を可能にする。

最も重要な違いは、変数の役割にある。相関分析では2変数は対等であり方向性を仮定しないが、回帰分析では説明変数から被説明変数への方向を明示的に仮定する。

また、重回帰分析は複数の説明変数を同時に扱えるのに対し、通常の相関分析は変数ペアごとの二変量関係にとどまる。

ビジネス分析では、まず相関分析で関係の有無を確認し、次に回帰分析で定量的な関係式を推定するという手順をとることが多い。

Q3.回帰分析はどのような手順で実施するのか。

回帰分析の実施手順は、大きく5段階に分けられる。

第1段階は問題定義であり、何を被説明変数とし、どの変数を説明変数の候補とするかを仮説に基づいて設定する。

第2段階はデータ収集と前処理であり、欠損値・外れ値の処理やスケールの統一を行う。

第3段階はモデル推定であり、最小二乗法（OLS：Ordinary Least Squares）などを用いて回帰式のパラメータを算出する。

第4段階はモデル評価であり、決定係数R²、各回帰係数のp値、VIF（多重共線性の確認）などを検証する。

第5段階は解釈と活用であり、回帰係数の大きさを比較してドライバーを特定し、What-if分析に応用する。

Q4.コンサルティング業務における回帰分析の具体的な活用場面はどこか。

コンサルティング業務では、主に4つの場面で回帰分析が活用される。

第1に、KPIドライバー分析である。売上や利益といったKPIを被説明変数とし、複数の施策・環境変数を説明変数として重回帰分析を実施することで、最も影響度の高い要因を特定する。

第2に、施策効果の事前推計である。回帰式を用いたシミュレーションにより、予算投下量と期待効果の関係を定量化する。

第3に、価格弾力性の算出である。価格変化と需要変化の回帰式から弾力性を推定し、最適価格帯の設定に用いる。

第4に、市場予測・需要予測である。マクロ経済指標や人口動態を説明変数として、市場規模の将来値を推計する際に用いられる。

Q5.回帰分析に関してよくある誤解は何か。

回帰分析に関する代表的な誤解として、「相関関係＝因果関係」の混同がある。回帰分析は変数間の統計的関係を定量化する手法であり、得られた回帰係数は因果効果を意味しない。

例えば、アイスクリームの売上と溺死者数の間に正の相関が確認されても、これは「気温」という共通の要因が両変数に影響しているにすぎない（擬似相関）。因果関係を推定するためには、ランダム化比較試験（RCT）や操作変数法（IV：Instrumental Variable）などの手法を組み合わせる必要がある。

また、「データが多ければモデルの精度は向上する」という誤解も多いが、変数の質（関連性・正確性）が量よりも重要であり、無関係な変数を追加するとモデルが過学習（Overfitting）するリスクがある。

Q6.ロジスティック回帰分析が必要になるのはどのような場合か。

ロジスティック回帰分析は、被説明変数が連続値でなく「0または1」のような二値変数をとる場合に用いる。

通常の線形回帰をそのまま適用すると、モデルが0〜1の範囲外の値を予測するケースが生じ、確率としての解釈が成立しなくなる。

ロジスティック回帰では、シグモイド関数（ロジスティック関数）を用いることで出力を確率（0〜1）に変換する。

なお、ロジット関数はその逆関数であり、確率を対数オッズに変換するために用いる。

ビジネスでの主な適用例は、
・顧客解約確率の予測（チャーン予測）
・クレジットスコアリング（返済不能リスクの判定）
・購買確率の推定（マーケティングターゲティング）
などである。

コンサルティングの文脈では、重回帰分析と並んで最も頻繁に用いられる分析手法の一つであり、モデルの評価には正確度（Accuracy）よりもAUC-ROC（Area Under the Curve：モデルの識別能力を示す指標）が重視されることが多い。

まとめ（実務整理）

回帰分析は、ビジネス上の結果と要因の関係を定量的に記述する統計手法であり、「予測」と「要因分解」という2つの機能を持つ。説明変数の数と被説明変数の性質に応じて、単回帰分析・重回帰分析・ロジスティック回帰分析の3種類が使い分けられる。

コンサルティングの実務においては、KPIドライバーの特定から施策効果の事前推計、価格弾力性の算出まで、幅広い場面で参照される手法である。

一方で、相関と因果の混同、多重共線性の問題、モデルの過学習リスクなど、適用上の限界も存在する。これらを理解したうえで活用することが、分析結果の信頼性を高めるうえで重要である。

採用面接との関係では、回帰分析の詳細な手続きを網羅的に暗記することよりも、変数間の関係を構造化して考えるという骨格の考え方をおさえておくことで、ケース面接における定量的な論点整理に応用できる知識基盤となる。

一次情報

以下に、回帰分析に関する主要な一次情報を掲載する。

①総務省統計局「なるほど統計学園」
https://www.stat.go.jp/naruhodo/

②文部科学省「数理・データサイエンス・AI教育プログラム認定制度」関連資料
https://www.mext.go.jp/a_menu/koutou/suuri_datascience_ai/00001.htm