ITパスポート 令和6年度 問14：business_strategyに関する問題

答えは a「回帰分析」 です。

回帰分析は「2つの数の関係を直線（式）で表して、片方から、もう片方を予想する」方法です。

この問題では「気温が上がると商品がたくさん売れる」という関係を1本の直線で表します。すると「明日は30度になりそう→じゃあ何個売れる」と予想できます。たとえばアイスは暑い日ほど売れますよね。それを数式で予想するイメージです。

👉 覚え方：回帰分析＝1本の直線で“○○なら△△くらい”を予想する。

ほかの選択肢：b 線形計画法＝限られた材料で利益を最大にする計算／c デルファイ法＝専門家のアンケートで将来予測／d パレート分析＝「上位2割が大事」を見つける分析（ABC分析）。

なぜこれが正解か

正解は a。回帰分析は、ある変数（販売量）を別の変数（気温）の関数として表し、その関係式から予測を行う統計手法。問題文の「販売量と気温の関係が一次式で近似できる」「予測した気温から販売量を推定」は、まさに単回帰分析（直線 y＝ax＋b で説明）の典型例。

各選択肢の解説

• b 線形計画法：制約条件のもとで目的（利益や費用）を最大化・最小化する最適化手法。予測手法ではない。
• c デルファイ法：専門家への繰り返しアンケートで将来予測の総意を得る定性的予測手法。
• d パレート分析（ABC分析）：項目を重要度順に並べ「上位の少数が全体の大半を占める」傾向を見いだす分析。

覚え方・ひっかけ注意

「一次式で近似」「片方からもう片方を推定」＝回帰分析。説明変数1つなら単回帰、複数なら重回帰。bの線形計画法は“一次式”という語感で紛らわしいが、目的は“最適化”であって“予測”ではない点が最大のひっかけ。

理論的背景

回帰分析（Regression Analysis）は統計学の中核技術の一つであり、「説明変数X（独立変数：気温）」と「目的変数Y（従属変数：販売量）」の間の定量的な関係を数式（回帰式）で表現し、未知のXに対するYの値を予測する手法である。本問は「一次式で近似できる」という条件が提示されており、これは「単回帰分析（Simple Linear Regression）」の適用場面を直接指定している。単回帰モデル：Y = a + bX + ε（a：切片、b：回帰係数、ε：誤差項）において、係数aとbは最小二乗法（観測値と予測値の差の二乗和を最小化する方法）によって推定される。回帰係数bは「Xが1単位増加したときのYの増加量」を表す。相関係数rは-1〜1の値を取り、|r|が1に近いほど線形関係が強い。決定係数R²は「回帰モデルが目的変数の変動をどれだけ説明できるか」を0〜1で表し、R²=1は完全な当てはまり、R²=0は説明能力なしを意味する。機械学習との接続として、単回帰は線形モデルの最も基本形であり、多変数の場合の重回帰分析・非線形関係のための多項式回帰・正則化項を加えたRidge/Lasso回帰がその発展形となる。

実務での使われ方

回帰分析はビジネスの意思決定支援において最も広く使われる統計手法の一つである。小売・食品業では気温・曜日・天候・イベント等の複数説明変数を使った重回帰による需要予測モデルが在庫発注・人員配置の自動化に活用されている（7-ElevenやAmazonの需要予測AIの基礎技術）。不動産では「面積・最寄り駅からの距離・築年数・階数→価格」という重回帰モデルが自動査定・市場分析の基盤となっており、Zillowの「Zestimate」等がその商業応用例である。マーケティングでは広告費投下（Spend）→売上効果のMMM（Marketing Mix Modeling）に多変量回帰が使われ、予算配分最適化の根拠となる。時系列データの回帰（ARIMA・季節性調整）は需要予測・経済指標予測の基盤であり、Pythonのstatsmodels・R等の統計ライブラリで実装されている。機械学習では回帰分析の拡張として、勾配ブースティング（XGBoost・LightGBM）・深層学習による非線形予測が実用化されているが、モデルの解釈可能性が重要な場面では線形回帰が依然として好まれる。

試験での位置づけ

回帰分析はITパスポートの統計・データ分析・AI分野で出題頻度が上がっているテーマである。本問の4選択肢は「回帰分析（一変数から他の変数を予測）」「線形計画法（制約条件下での最適値計算）」「デルファイ法（専門家合意形成）」「パレート分析（少数の重要要因を特定）」という異なる分析・意思決定手法を並べており、「一次式で近似・予測・推定」というキーワードから回帰分析を識別する問題である。「一次式で近似できる」という条件設定が直接「線形回帰」を示唆しているため、本問はむしろ「線形計画法（制約条件下での最適化問題）」との混同を誘う設計になっている点が引っかけのポイントである。近年のAIブームを反映して、「機械学習モデルの評価指標」「過学習の対処法」との組み合わせで回帰問題の文脈でも出題が増えている。基本情報技術者では相関係数・決定係数の計算・解釈、最小二乗法の概念、多変量回帰と単回帰の違いまで問われる。

選択肢の発展補足

選択肢bの線形計画法（LP: Linear Programming）は「複数の制約条件（一次不等式）のもとで目的関数（利益最大化または費用最小化）を最適化する」数理最適化手法であり、コーナー定理（最適解は実行可能領域の頂点に存在する）に基づくシンプレックス法で解を求める。生産最適化（どの製品を何個生産すれば利益が最大か）・輸送問題（どのルートで輸送すれば費用が最小か）・資源配分（限られた予算・人員をどう配分するか）に適用されるOR（Operations Research）の主要技術の一つである。「一次式の関係」という語感でRegressionと混同しやすいが、「予測する vs 最適化する」という目的の根本的な違いで区別できる。選択肢cのデルファイ法は本問の文脈では「専門家グループに複数回のアンケートと匿名フィードバックを繰り返して将来予測の合意を得る」手法として登場し、回帰分析のような「データから統計的に関係を推定する」アプローチとは対照的に「専門的知識と判断を集合化する」定性的・定量的ハイブリッド手法である。技術ロードマップの策定・長期市場予測・政策立案の優先順位付けに使われる。選択肢dのパレート分析は「80/20の法則（全体の結果の80%は原因の20%によってもたらされる）」を活用して「どの要因が問題の大部分を引き起こしているか」を視覚化する分析手法であり、品質管理（不良品の原因分類）・在庫管理（ABC分析：売上上位20%のSKUが80%の売上を占める）・コスト削減の優先順位付けに使われる。