平均への回帰（Regression to the Mean）とは？｜好調も不調も、ただ「戻る」だけかもしれないという警戒信号

平均への回帰という言葉を知らなくても、似たような場面には心当たりがあるはずです。

先月とびぬけて成績が良かった営業担当者が、今月は急に平凡な数字に戻ってしまう。

新しく打った施策の初速がすばらしく良く見えたのに、数週間経つと当たり前の水準まで落ち着いてしまう。

こうした「戻り」を、担当者の慢心や施策の効果切れとして説明したくなりますが、実はもっと単純な統計的な性質だけで説明できてしまうことがあります。

平均への回帰（regression to the mean）とは、たまたま平均から大きく外れた観測値が、次に測定したときには平均に近づいて見えるという、確率が絡む現象に広く共通する性質のことです。

本記事では、この性質がなぜ起きるのかを歴史的な発見から確認し、営業やプロダクト、A/Bテストの現場でどんな誤解を生みやすいか、そしてどう見分ければよいかを具体的に見ていきます。

厄介なのは、この現象に気づかないままでも、日々の業務は普通に回ってしまう点です。

褒めたら下がった、叱ったら伸びた、といった因果関係のように見える体験が積み重なるほど、平均への回帰という地味な統計の説明よりも、もっともらしい人の物語のほうを信じたくなってしまいます。

平均への回帰とは何か——運が均されていく仕組み

平均への回帰が起きる条件はシンプルで、観測される数字が実力と運の両方でできている場合に生じます。

数字は実力と運の合計でできている

営業の月間成約数も、広告のクリック率も、生まれつきの才能や日々の努力の積み重ねだけで決まっているわけではありません。

たまたま良い顧客に当たった、たまたま天候が味方した、たまたま競合が値上げした直後だった、といったその回限りの運も、観測された数字には必ず混ざり込みます。

ある月にとびぬけて良い数字が出たとすれば、それは実力が普段より高かったからというより、実力に加えて運まで良い方向に重なった結果である可能性が高くなります。

運は次の観測まで持ち越されない

問題は、この運の部分が次の月まで持ち越されるとは限らないという点です。

実力の部分はおおむね維持されても、運の部分は毎回サイコロを振り直すようなものなので、平均的には偏りのない方向へ戻っていきます。

その結果、今回とびぬけて良かった（悪かった）数字は、次回は運の上乗せ、または差し引きがなくなった分だけ、平均に近い水準に見えてくるというわけです。

これは規則性のある成長や低下ではなく、サンプルの選び方そのものが生む見かけの変化であるという点を、まず押さえておく必要があります。

発見の逸話——親子の身長に見つかった規則性

平均への回帰という考え方を最初に定式化したのは、19世紀のイギリスの科学者フランシス・ゴルトンだといわれています。

親子の身長を比べて見えてきたこと

ゴルトンは、親の身長と、その子どもが成人したときの身長との関係を調べました。

背の高い親からは背の高い子が生まれやすい傾向はあるものの、子の身長は親ほど極端にはならず、集団全体の平均に少しだけ近づく形で分布することに気づきました。

背の低い親についても同じで、子は親よりわずかに平均へ近づいた身長になる傾向が見られました。

統計的な性質であって、遺伝の特殊な法則ではない

当時のゴルトンはこの傾向を、世代を経るごとに平均へ引き戻される先祖返りのような現象として説明しようとしましたが、後の統計学の発展によって、これは遺伝の力が弱いことを示す特別な法則ではなく、測定にばらつきを含む量であれば分野を問わず現れる一般的な統計の性質であることが整理されていきました。

身長も、営業成績も、テストの点数も、実力に加えて偶然のばらつきを含む量である限り、極端な値の次の観測は平均側に寄って見えやすいということです。

叱ると伸びるように見えるのはなぜか——空軍の逸話

平均への回帰が人の判断をどれだけ狂わせるかを示す例として、よく引き合いに出されるのが、心理学者ダニエル・カーネマンが紹介したイスラエル空軍のフライトインストラクターの逸話です。

褒めると下がり、叱ると上がるように見えた

訓練生の操縦を褒めた回のあと、次の操縦の出来がむしろ悪くなり、逆に厳しく叱った回のあとは、次の操縦がなぜか上達して見える、というベテラン教官の経験則がありました。

この経験則から、教官たちは褒めることは訓練生を甘やかし、叱ることこそが上達を促すという考えに傾いていきました。

実際には、極端な回のあとに平均へ戻っただけ

しかし冷静に考えると、教官が思わず褒めたくなるのは、いつもよりずばぬけて上手くできた回であり、思わず叱りたくなるのは、いつもより明らかに下手だった回です。

いずれも訓練生の普段の実力からたまたま外れた回を評価しているにすぎず、次の回はその訓練生の本来の実力の水準へ戻っていくのが自然な成り行きです。

つまり、褒めた翌回の出来が悪く見えるのも、叱った翌回の出来が良く見えるのも、教官の声かけが引き起こした変化ではなく、平均への回帰がそう見せていただけだった、というのがこの逸話の核心です。

人は良い変化には介入の効果を、悪い変化には介入の失敗を結びつけたくなりますが、変化の大部分がもともと平均へ戻る性質によるものだとしたら、その解釈は成り立たなくなります。

この教訓は軍の訓練に限らず、日々の1on1や人事考課のように、部下の成果を見てフィードバックの強弱を決める場面すべてに当てはまります。

ビジネスの現場で起きる誤解

この逸話は歴史の一場面に見えますが、同じ構造は日々のビジネスの意思決定にいくらでも見つかります。

絶好調だった担当者が急に平凡になる

先月ずばぬけた成約数を叩き出した担当者に注目が集まり、そのやり方を型化して他のメンバーに広めようとした矢先、当の本人の成績が今月は平凡な水準に戻ってしまう、という場面は珍しくありません。

先月の数字が実力と運の両方でできていたとすれば、今月は運の上乗せが消えた分だけ数字が落ち着くのは自然なことであり、その担当者のやり方自体が急に悪くなったとは限りません。

同じことは逆に不調が続いた担当者へのてこ入れにも当てはまり、特に何もしなくても翌月の数字がある程度戻ってくる可能性を、常に差し引いて考える必要があります。

RevOpsの現場でも、四半期の実績がずば抜けて良かったことを理由に、次の四半期のクオータ（目標数値）をそのまま比例して引き上げてしまうと、平均への回帰によって未達が続出しかねません。過去の実績を目標に反映させるときは、好調だった分にどれだけ運が乗っていたかを差し引いて見積もる姿勢が欠かせません。

A/Bテストの初期の勝ち案に飛びつく

A/Bテストを始めてまだ数日、片方の案のコンバージョン率が明らかに高く見えて、担当者が思わず結果を確定させたくなる場面があります。

しかし少ないサンプルで観測された極端な差は平均への回帰の影響を強く受けやすく、テストを続けるうちに差が縮んでいくことがよくあります。

A/Bテストのサンプルサイズ設計であらかじめ必要な観測数を決めておくのは、まさにこの初期のたまたまの勝ちに振り回されないための備えでもあります。

ダッシュボードの急上昇・急降下に一喜一憂する

日次のダッシュボードで特定の指標が急に跳ね上がったりへこんだりすると、担当者はつい何か重大な変化が起きたと身構えてしまいます。

多くの場合、その値は複数の要因が重なった結果のばらつきの範囲内にすぎず、翌日には何もしなくても平均的な水準へ戻ってくることが少なくありません。

短期の変化に対して毎回原因分析の会議を開くよりも、まずは数日から数週間の傾向として数字を眺め、それでも戻らない変化だけを深掘りする方が、限られた時間を有効に使えます。

個人開発者の月次収益にも同じ揺れは起こる

AIソロプレナーやインディーハッカーのように一人でプロダクトを回している立場では、月次の売上や新規登録者数の増減が、そのまま本人の気分を大きく左右します。

たまたま話題の投稿がバズって登録が跳ねた翌月に数字が落ち着いても、それはプロダクトが急に魅力を失ったからではなく、前月の跳ねに運の要素が乗っていたと考えたほうが説明がつく場合が少なくありません。

逆に悪い月が続いたからといって根本から作り直す前に、まず数か月分の移動平均で傾向を見て、単発の落ち込みなのか、それとも本当に下降トレンドに入っているのかを切り分ける価値があります。

スポーツやメディアに見るジンクスの正体

スポーツ雑誌の表紙を飾った選手やチームが、その直後に不振に陥るという話も、平均への回帰でかなりの部分を説明できると考えられています。

雑誌の表紙に選ばれるのは、たいてい直近の成績がずばぬけて良い選手であり、その好調さには実力に加えて運の上乗せが含まれている可能性が高いといえます。

表紙掲載のあとに成績が落ち着いて見えるのは、掲載そのものが不運を呼んだからではなく、もともと平均へ戻るタイミングにあった選手が、たまたま好調のピークで表紙に選ばれやすかったから、と考えるほうが自然です。

同じ構造は雑誌の表紙に限らず、その時点でもっとも目立つ数字が取り上げられやすいあらゆる場面、たとえば決算発表で話題になった急成長企業や、SNSでバズった一回限りの成功事例にも当てはまります。

見分け方と対策——戻っただけを効果と混同しないために

平均への回帰そのものをなくすことはできませんが、分析の仕方を工夫することで、誤って介入の効果と取り違えるリスクはかなり減らせます。

次のようなサインに気づいたら、一度立ち止まって平均への回帰の影響を疑ってみる価値があります。

• 評価や介入のきっかけが、特に良かった・悪かったという極端な一回の観測になっている
• 比較対象となる比較群（介入しなかった場合の推移）を置かずに、前後の数字だけを見て効果を語っている
• サンプル数が少ない期間の変化だけで、結論を急いで確定させようとしている

同じ対象を複数回観測してから判断する

一回の極端な数字に反応するのではなく、複数回の観測を平均してから評価することで、運の影響をある程度ならすことができます。

営業成績であれば単月ではなく四半期の推移で、A/Bテストであれば初日の差ではなく計画したサンプル数に達するまでの累積の差で判断する、という具合です。

何もしなかった場合と比べる

介入の効果を正しく確かめる一番確実な方法は、同じように極端な数字を出した対象を二つのグループに分け、一方にだけ介入し、もう一方には何もしないまま推移を比べることです。

介入しなかったグループも同じように平均へ戻っているなら、その戻りは介入の効果ではなく平均への回帰によるものだったと判断できます。

比較群を用意する余裕がない現場でも、この数字は放っておいても戻る可能性があるという前提を関係者と共有しておくだけで、早まった手柄争いや犯人探しをかなり防ぐことができます。

下の表は、ある営業チームの月間成約数を例に、平均への回帰を考えに入れた場合と入れない場合で、翌月の数字の解釈がどう変わるかを説明用の仮の数値でまとめたものです。

同じ「先月の絶好調」という事実を見ていても、運の存在をどれだけ織り込むかによって、翌月に対する期待値の立て方はまったく違うものになります。

似ている罠との違い

平均への回帰は、データ分析につきまとう他のいくつかの罠とよく混同されます。

違いを整理しておくと、目の前の数字のおかしさがどの罠によるものかを見分けやすくなります。

いずれも、正しく数字を読んでいるつもりのまま結論を誤らせるという意味で共通しており、平均への回帰を知っただけで残りの罠にも免疫ができるわけではありません。

MonaLensのA/Bテストの結果画面が、初日の差ではなく開始からの累積の数字で成果を示すのも、極端な初期観測に飛びついて誤った判断をしないための工夫のひとつです。

プロダクトマネージャーが新機能のリリース直後の数字だけでGo/No-Goを判断してしまうのも、同じ落とし穴です。

リリース直後の指標には目新しさによる一時的な押し上げも混ざりやすく、数週間かけて数字が落ち着いてから改めて評価する方が、平均への回帰に振り回されずに済みます。

平均への回帰は、悪いニュースでもなければ、誰かの手柄を否定する理屈でもありません。

むしろ、極端な数字の裏側には運の要素が混ざっているという当たり前の事実を思い出させてくれるだけの、地味だけれど手強い統計の性質です。

次に絶好調だった担当者が急に平凡に戻った、叱ったら成績が伸びたという話を耳にしたときは、それが本当に介入の効果なのか、それとも平均への回帰がそう見せているだけなのかを、一度立ち止まって考えてみてください。

その一呼吸が、次の判断をもっともらしいだけの物語から守ってくれるはずです。