アソシエーション分析｜科目A-1（応用情報技術者） 令和7年 秋期午前試験 問63
出典：令和7年秋期 午前 問63
分野：企業活動 ／ 業務分析・データ利活用
データ分析手法の一つである，アソシエーション分析はどれか。
- ア：結果となる数値（目的変数）と要因となる数値（説明変数）との関係性について，最小二乗法を用いて分析する。気温の変化が売行きにどの程度影響するかなどの事象の予測に用いられる。
- イ：商品を購買するときの関連性や同時性などのルールを購買データに基づいて見いだすなど，データ間の統計的なパターンや，意味のある関連性を抽出する。信頼度，支持度及びリフト値によってルールを評価し，有効性を確認する。
- ウ：多数の変数の情報(観測変数)に存在する共通因子を仮定し，モデル化して分析する。共通因子を設けることによってデータの数が増加しても複雑になることを防ぎ，現象を分かりやすく捉えることができる。
- エ：多数の変数の情報（観測変数）をできるだけ少ない指標や次元（合成変数）で要約する。データのもつ情報をできる限り損なわずに全体の傾向を可視化することができる。
TSUNAGARU-ADVICE
まず押さえたいこと
四つの説明は、回帰分析・アソシエーション分析・因子分析・主成分分析を表しています。回帰分析は目的変数を予測し、アソシエーション分析はデータ間の関連ルールを発見します。因子分析と主成分分析はどちらも多変量データを扱いますが、因子分析は背後にある共通因子を探し、主成分分析は情報を少数の合成変数に要約する点が異なります。
迷ったときの判断軸
「最小二乗法による予測」は回帰分析、「支持度・信頼度・リフト値」はアソシエーション分析です。「観測結果の背後に共通因子を仮定する」なら因子分析、「情報をできるだけ失わずに次元を減らして可視化する」なら主成分分析と切り分けましょう。
科目Bにつなげるために
特にプロフェッショナルデジタルスキル（データ・AI）試験合格を目指す方は、分析手法を名称だけでなく、予測、関連発見、潜在要因の解釈、次元削減という目的で整理しておくと有効です。科目Bでは、業務課題に対してどの分析手法を選ぶべきかを判断する問題につながります。
アソシエーション分析は、大量のデータから、項目同士が同時に現れる傾向や関連性をルールとして見つける分析手法です。
代表例が購買データの分析であり、「商品Aを購入した顧客は商品Bも購入しやすい」といった関連ルールを抽出します。このため、マーケットバスケット分析とも呼ばれます。
抽出したルールは、支持度、信頼度、リフト値などを用いて評価します。支持度はルールに該当する取引の多さ、信頼度は前提の商品を購入した場合に結果の商品も購入する割合、リフト値は偶然に比べてどの程度関連が強いかを表します。
したがって、イが適切です。
❌他選択肢が誤りの理由ア：結果となる数値(目的変数)と要因となる数値(説明変数)との関係性について，最小二乗法を用いて分析する。気温の変化が売行きにどの程度影響するかなどの事象の予測に用いられる。
⇒回帰分析の説明です。目的変数と説明変数の関係を数式で表し、数値の予測などに用います。データ項目同士の同時出現ルールを抽出するアソシエーション分析とは異なります。
ウ：多数の変数の情報(観測変数)に存在する共通因子を仮定し，モデル化して分析する。共通因子を設けることによってデータの数が増加しても複雑になることを防ぎ，現象を分かりやすく捉えることができる。
⇒因子分析の説明です。複数の観測変数の背後にある、直接観測できない共通因子を推定する手法であり、購買項目間の関連ルールを抽出する手法ではありません。
エ：多数の変数の情報(観測変数)をできるだけ少ない指標や次元(合成変数)で要約する。データのもつ情報をできる限り損なわずに全体の傾向を可視化することができる。
⇒主成分分析の説明です。多数の変数を、情報をできるだけ保ちながら少数の主成分へ要約する次元削減の手法であり、項目同士の関連ルールを発見するアソシエーション分析とは異なります。