共分散の求め方を完全解説！公式・エクセル計算から相関係数との違いまで

データ分析や統計解析の基礎を学ぶ際、誰もが最初につまずきやすい難所の一つが「共分散（Covariance）」の概念と計算手順です。2つの変数がどのように連動して変化しているかを把握するための極めて基礎的な指標でありながら、「計算手順が複雑に見える」「値の大小が何を意味しているのか直感的に掴みにくい」と悩む学習者や実務担当者は少なくありません。

統計検定の対策からビジネス現場での実データ解析まで、共分散の本質を正しく理解することはデータリテラシーの根幹を支えます。数学的な基本公式に基づく手計算の5ステップから、実務で必須となるExcel（エクセル）関数の使い分け、さらに相関係数との違いや単位の注意点まで、現場目線で余すところなく整理してお届けします。

📌 【この記事の重要ポイントまとめ】

• 要点1：共分散は「2つのデータの偏差の積の平均」であり、正の値は正の相関、負の値は負の相関の傾向を示す。
• 要点2：共分散はデータの単位（cmやkgなど）に左右されるため数値の絶対値で関係の強さは比較できず、標準化したものが相関係数である。
• 要点3：エクセルでは全データを扱う母集団なら「COVARIANCE.P」、サンプルから母集団を推測する標本なら「COVARIANCE.S」を使い分ける。

【基礎知識】共分散の意味と単位｜プラス・マイナスが示すデータの連動性

共分散とは、一言で表せば「2つのデータ系列（XとY）がどれくらい連動して増減しているか」を数値化した統計量です。高校数学の「数学I・データの分析」や大学の統計学入門で必ず登場する中核概念です。

データの散らばり具合を視覚化する散布図と正負の相関において、共分散はグラフの傾きの方向性を数学的に裏付ける役割を果たします。共分散の正負が持つ意味は以下の通りです。

1. 共分散が正（プラス）の場合：
Xの値が大きいとき、Yの値も大きい傾向があります（右上がりの散布図）。例えば「気温とアイスクリームの売上」のように、一方が増えればもう一方も増える関係性です。

2. 共分散が負（マイナス）の場合：
Xの値が大きいとき、Yの値は小さくなる傾向があります（右下がりの散布図）。共分散がマイナスになる理由は、平均値からの差（偏差）を掛け合わせた際、一方のデータがプラス（平均より上）で、もう一方がマイナス（平均より下）になる組み合わせが支配的になるためです。例えば「標高と気温」や「商品の価格と販売個数」がこれに該当します。

3. 共分散がゼロに近い場合：
Xの増減とYの増減に直線的な連動関係が見られない状態を示します。

ここで初心者が最も見落としやすいのが共分散の意味と単位です。共分散の計算過程では「Xの単位」と「Yの単位」を掛け合わせるため、算出された数値には「cm・kg」や「円・個」といった独自の複合単位が付与されます。その結果、測定単位をメートルからミリメートルに変えるだけで共分散の数値が100万倍に跳ね上がってしまうという性質を持ちます。そのため、共分散単体の絶対値の大きさだけで「連動性が強い」「弱い」と判断することは統計学的に不可能です。

【実践】共分散の求め方手計算手順｜基本公式と偏差積和の計算方法

試験対策やアルゴリズム理解のために欠かせないのが、共分散の求め方手計算手順の習得です。公式をただ丸暗記するのではなく、計算の意味を順序立てて分解することが最短の理解への近道です。

基本となる共分散の公式（標本データ全体の平均をとる場合）は次の通りです。

$$S_{xy} = \frac{1}{n} \sum_{i=1}^{n} (x_i - \bar{x})(y_i - \bar{y})$$

（※ここで $x_i, y_i$ は各データ値、$\bar{x}, \bar{y}$ はそれぞれの平均値、$n$ はデータ数）

手計算をミスなく進めるための5つのステップを、具体的な数値例（データ数 $n = 3$）で確認してみましょう。

【例題】
3人の生徒の「数学の点数X」と「理科の点数Y」がそれぞれ [A君: (60, 70)], [B君: (80, 90)], [C君: (70, 50)] であった場合の共分散を求めます。

ステップ1：各変数の平均値を計算する
・数学Xの平均値 $\bar{x} = (60 + 80 + 70) \div 3 = 70$
・理科Yの平均値 $\bar{y} = (70 + 90 + 50) \div 3 = 70$

ステップ2：各データの「偏差」を算出する（データ値 － 平均値）
・A君：Xの偏差 $(60 - 70) = -10$、Yの偏差 $(70 - 70) = 0$
・B君：Xの偏差 $(80 - 70) = +10$、Yの偏差 $(90 - 70) = +20$
・C君：Xの偏差 $(70 - 70) = 0$、Yの偏差 $(50 - 70) = -20$

ステップ3：偏差の積を計算する（Xの偏差 × Yの偏差）
・A君：$(-10) \times 0 = 0$
・B君：$(+10) \times (+20) = +200$
・C君：$0 \times (-20) = 0$

ステップ4：偏差積和の計算方法（偏差の積をすべて足し合わせる）
・偏差積和 $= 0 + 200 + 0 = 200$

ステップ5：偏差積和をデータ数で割る
・共分散 $S_{xy} = 200 \div 3 \approx 66.67$

このように、「偏差を出す → 偏差同士を掛ける → 合計する（偏差積和） → データ数で割る」という一連の流れさえ守れば、どのようなデータでも確実に共分散を導き出すことができます。

【決定版】相関係数との違いと使い分け｜指標の特性比較

共分散を学ぶ上で最大の疑問符がつくのが「なぜ共分散だけでなく相関係数が必要なのか」という点です。両者の決定的な差異を明確にするため、統計指標の比較表を作成しました。

相関係数との違いを一言でまとめるなら、「共分散をそれぞれの標準偏差の積で割り算し、単位の影響を打ち消して $-1 \sim +1$ の範囲に正規化したもの」が相関係数です。実務において「関係の強弱を他社データと比較したい」「プレゼンで直感的に伝えたい」場合は、必ず相関係数まで算出する必要があります。

【PC実務】エクセルでの共分散計算｜COVARIANCE.PとCOVARIANCE.Sの明確な使い分け

ビジネスの現場や学術研究では、手計算ではなくエクセルでの共分散計算が標準です。しかし、Excelには共分散を計算する関数が複数存在し、どちらを使うべきか迷うケースが多発しています。

現代のExcel（Excel 2010以降）には主に以下の2つの関数が用意されています。

1. COVARIANCE.P（母集団を対象とする場合）
・数式：=COVARIANCE.P(配列1, 配列2)
・分母：データ数 $n$
・対象：全数調査データ（社内全社員のデータ、工場ラインの全生産ロットなど、データそのものが母集団全体である場合）。

2. COVARIANCE.S（標本・サンプルを対象とする場合）
・数式：=COVARIANCE.S(配列1, 配列2)
・分母：自由度 $n - 1$
・対象：抜き取り調査やアンケート調査など、一部のサンプルから全体の傾向を統計的に推定する場合。

標本共分散と不偏共分散の区別は、推定精度の観点から極めて重要です。手元の限られたサンプルから真の母集団共分散を推定する場合、単に $n$ で割る（標本共分散）と、推定値が真値よりも小さめに見積もられてしまう（過小推定のバイアス）数学的性質があります。これを補正するために $n-1$ で割るのが不偏共分散であり、ExcelにおけるCOVARIANCE.S関数の役割です。

実務の現場では、アンケート分析やA/Bテストの検証などサンプリングデータを取り扱う場面が圧倒的に多いため、特に指定がない限り「COVARIANCE.S」を選択するのが学術的・統計的に正しいアプローチとされています。

【実態検証】データ分析現場のリアルな罠と共分散行列の求め方

データサイエンスや機械学習、ファイナンスの実務現場において、変数が3つ以上存在する多次元データを扱う際に必須となるのが共分散行列の求め方です。

例えば、変数 $X_1, X_2, X_3$ がある場合、3×3の正方行列を作成し、各要素にそれぞれの共分散を配置します。

$$\Sigma = \begin{pmatrix} \text{Var}(X_1) & \text{Cov}(X_1, X_2) & \text{Cov}(X_1, X_3) \\ \text{Cov}(X_2, X_1) & \text{Var}(X_2) & \text{Cov}(X_2, X_3) \\ \text{Cov}(X_3, X_1) & \text{Cov}(X_3, X_2) & \text{Var}(X_3) \end{pmatrix}$$

対角成分（左上から右下の斜めライン）には「各変数自身の共分散」、すなわち分散（Variance）が並び、非対角成分には変数同士の共分散が並ぶ対称行列となります。主成分分析（PCA）やポートフォリオのリスク最小化計算を行う際、この共分散行列が基盤として使われます。

しかし、現場のデータアナリストへのヒアリングやコミュニティでの議論を検証すると、共分散を実務に適用する際には以下のような「落とし穴」に直面することが報告されています。

・異常値（外れ値）による歪み：
1件でも極端な外れ値が含まれていると、偏差の積が巨大化し、全体の共分散の符号すら反転してしまうリスクがあります。
・スケールの不揃いによる誤認：
売上金額（百万円単位）とCVR（パーセント単位）をそのまま共分散行列にかけると、売上の分散だけが桁違いに大きくなり、アルゴリズムの重み付けが破綻します。そのため、事前の「データの標準化（Z-score化）」が実務上の鉄則です。

【誤解の是正】初心者が陥りがちな3大盲点と正しい読み解き方

SNSや知恵袋、統計学の初学者フォーラムで頻出する誤った解釈を是正し、正しい理解を定着させましょう。

盲点1：「共分散の値が大きい＝相関が強い」という誤解
前述の通り、共分散は単位の大きさに比例します。身長を「m」で計算すると共分散は0.015程度になりますが、「mm」で計算すると15,000になります。数値の大きさそのものは相関の強弱を一切証明しません。強弱を知りたいときは、必ず標準化した相関係数を確認してください。

盲点2：「共分散が0＝関係が何もない」という誤解
共分散が捉えられるのは、あくまで「直線的（線形）な関係」のみです。例えば、$y = x^2$ のような綺麗なU字型の曲線を描くデータ群（二次関数関係）の場合、強い関係性があるにもかかわらず共分散を計算すると「0」になります。「共分散＝0」は「直線的な相関がない」ことを意味するに過ぎず、「無関係」とは限らない点に注意が必要です。

盲点3：「共分散の存在＝因果関係がある」という誤解
2つの変数間に正の共分散が確認できたとしても、そこに直接的な原因と結果の関係があるとは限りません。第3の要因（交絡因子）が裏に潜んでいる「疑似相関」の可能性を常に疑う姿勢が不可欠です。

【プロの結論】統計学データ分析詳細まとめ｜活用すべき人と注意が必要なケース

統計学データ分析詳細まとめとして、共分散をどのような文脈で活用すべきか、判断基準を提示します。

【共分散を直接扱うのに適している場面】
・資産運用における分散投資ポートフォリオのリスク（合成分散）を数式上で計算したい場合
・主成分分析（PCA）や線形判別分析など、多変量解析の数理モデルを実装・構築する場合
・相関係数の算出プロセスにおいて中間指標として求める場合

【共分散単体での評価を避けるべき場面】
・事業報告書やクライアント向けのプレゼンテーションで、2つの指標の関連性の深さを直感的に説明したい場合（→ 相関係数を用いるべき）
・単位や桁数が異なる複数のデータセット間で、相関の度合いをランキング形式で比較したい場合（→ 相関係数または正規化を用いるべき）

【共分散の求め方】に関するよくある質問（FAQ）

Q1：共分散がマイナスになった場合、計算ミスでしょうか？
A1：計算ミスではありません。共分散がマイナスになるのは、「一方が増えると他方が減る」という負の相関関係が存在することを示しています。例えば価格と需要、気温と暖房費などのデータではマイナスになるのが正常です。

Q2：共分散の計算で「$n$ で割る」のと「$n-1$ で割る」のは何が違うのですか？
A2：データそのものが分析の全対象（母集団）である場合は $n$ で割る標本共分散を用います。一方、一部のサンプルデータから母集団全体の数値を推測する場合は、過小評価を防ぐために $n-1$ で割る「不偏共分散」を用います。Excelでは前者がCOVARIANCE.P、後者がCOVARIANCE.Sに対応します。

Q3：共分散の公式は「積の平均 － 平均の積」でも求められますか？
A3：はい、求められます。「共分散 ＝ (XとYの積の平均) － (Xの平均 × Yの平均)」という展開公式（ショートカット公式）があり、数学的には元の定義式と完全に等価です。手計算で偏差が小数になる場合など、この公式を使った方が計算が速くなるケースがあります。

Q4：共分散の単位は何になりますか？
A4：Xの単位とYの単位を掛け合わせたものになります。例えば、身長（cm）と体重（kg）の共分散の単位は「$\text{cm} \cdot \text{kg}$」です。実質的に意味を成さない複合単位となるため、単位を排除したい場合は相関係数に変換します。

まとめ：実務と学術で失敗しないための共分散活用アプローチ

共分散は、一見すると複雑な数式に思えますが、その本質は「それぞれの平均値からどれだけ同じ方向にズレているか」を測定する極めて明快な統計指標です。

手計算では「偏差を求めて掛け合わせ、平均する」という5ステップを忠実に守り、エクセル実務では「全数ならCOVARIANCE.P、サンプルならCOVARIANCE.S」という明確な基準を持って使い分けることが正確なデータ処理の鍵となります。そして、単位の壁を取り払って客観的な関連性の強さを評価したい場面では相関係数へとステップアップさせる。この論理的な道筋を押さえておくことで、統計学の学習やビジネスにおけるデータドリブンな意思決定はより確固たるものになります。 （出典: 共 分散 求め 方（Yahoo!ニュース））