重回帰分析とは?手順・Excelでのやり方・結果の見方を解説
デジタルマーケティング
2023.11.09
重回帰分析とは、2つ以上の要因が結果にどう影響しているかを数値で明らかにする統計手法です。
「売上に効いているのは広告費なのか、価格なのか、立地なのか」——こうした問いに、感覚ではなく数字で答えられるようになります。マーケティングの効果検証や需要予測で広く使われている手法です。
ただし、結果の数字をどう読めばよいのか、どの指標を見ればよいのかが分からないまま実行しているケースも少なくありません。指標の読み違いは、誤った施策につながります。
この記事では、重回帰分析の基本からExcelでの実施方法、結果の正しい読み方、そして陥りやすい落とし穴までを解説します。
重回帰分析とは
重回帰分析は、複数の説明変数(要因)が、1つの目的変数(結果)にどれだけ影響しているかを調べる統計手法です。多変量解析と呼ばれる分析手法群のひとつに位置づけられます。
用語を整理しておきます。
| 用語 | 意味 | 例 |
| 目的変数 | 予測・説明したい結果 | 売上高、来店者数、解約率 |
| 説明変数 | 結果に影響していると考えられる要因 | 広告費、価格、気温、店舗面積 |
目的変数は「従属変数」「被説明変数」、説明変数は「独立変数」「予測変数」と呼ばれることもあります。
重回帰式の形
重回帰分析を行うと、次のような式が得られます。
y = a + b₁x₁ + b₂x₂ + … + bₙxₙ
- y:目的変数(予測したい結果)
- x₁, x₂, …:説明変数(各要因)
- b₁, b₂, …:偏回帰係数(各要因の影響の大きさ)
- a:切片(定数項)
たとえば店舗の売上を予測する場合、次のような式になります。
売上 = 100 + 3.2 × 広告費 + 0.8 × 通行量 - 1.5 × 競合店舗数
この式があれば、来月の広告費を◯万円にしたら売上はいくらになるかを試算できます。また、どの要因が最も効いているかも比較できます。
単回帰分析との違い
重回帰分析とよく比較されるのが単回帰分析です。違いはシンプルで、説明変数の数にあります。
| 単回帰分析 | 重回帰分析 | |
| 説明変数の数 | 1つ | 2つ以上 |
| 式の形 | y = a + bx | y = a + b₁x₁ + b₂x₂ + … |
| 適した場面 | 要因が1つに絞れる場合 | 複数の要因が絡む場合 |
| 解釈のしやすさ | 容易 | 変数が増えるほど複雑 |
現実のビジネスでは、結果に影響する要因が1つだけということはまずありません。売上は広告費だけでなく、価格、季節、競合の動向、天候など、多くの要因に左右されます。
そのため実務では、重回帰分析を使う場面のほうが圧倒的に多くなります。
重回帰分析ならではの強み
重回帰分析の重要な特徴は、他の変数の影響を取り除いたうえで、各変数の効果を測れる点です。
たとえば「広告費を増やした月は売上が伸びた」というデータがあっても、その月がたまたま繁忙期だった可能性があります。単回帰では区別がつきませんが、重回帰分析に「季節」を説明変数として加えれば、季節要因を差し引いた広告費そのものの効果を取り出せます。
ビジネスでの活用シーン
具体的にどのような場面で使われるのかを見ていきます。
売上・需要の予測
最も一般的な用途です。過去のデータから「広告費」「価格」「気温」「曜日」などが売上にどう影響したかを分析し、将来の売上を予測します。
新規出店の判断で、立地条件から売上を見積もるといった使い方もあります。
広告・マーケティング施策の効果検証
複数の媒体に広告を出している場合、どの媒体が成果に貢献しているかを切り分けられます。テレビ、Web広告、チラシを同時に出していても、それぞれの寄与度を分離して評価できるのが強みです。
この考え方を発展させたものが、MMM(マーケティングミックスモデリング)です。詳しくはMMM(マーケティングミックスモデリング)の記事で解説しています。
顧客満足度の要因分析
アンケートの総合満足度を目的変数、各項目(価格、品質、接客、納期など)の評価を説明変数として分析すると、どの項目が総合評価を最も左右しているかが分かります。改善の優先順位を決める材料になります。
価格設定
価格と販売数量の関係に加え、競合価格や季節性を考慮した分析により、適正な価格帯を検討できます。
人事・採用
採用時の評価項目と入社後のパフォーマンスの関係を分析し、選考基準の見直しに活かすといった使い方もあります。
重回帰分析のメリット・デメリット
有用な手法である一方、万能ではありません。両面を把握したうえで使うことが重要です。
メリット
複数の要因を同時に評価できる
個々の要因の影響を分離して把握できます。
影響の大きさを数値化できる
「なんとなく効いている気がする」を、具体的な数字に置き換えられます。
予測ができる
式が得られるため、条件を変えたときの結果を試算できます。
Excelでも実行できる
専門的なソフトがなくても始められます。
デメリット
データの質に結果が左右される
不正確なデータからは、不正確な結論しか出ません。
変数が増えるほど解釈が難しくなる
説明変数を増やせば見かけの精度は上がりますが、実態から離れることがあります。
因果関係は示せない
相関があっても、原因と結果とは限りません。この点は後ほど詳しく触れます。
前提条件がある
説明変数同士が強く相関していると、正しい結果が得られません(多重共線性)。
重回帰分析の手順【6ステップ】
実際の進め方を順に説明します。
ステップ1:目的変数を決める
何を予測・説明したいのかを明確にします。新店舗の売上を予測したいのであれば、売上高が目的変数です。
ここが曖昧なまま進めると、分析そのものが意味を持ちません。
ステップ2:説明変数の候補を挙げる
結果に影響していると考えられる要因を洗い出します。新店舗の売上であれば、通行量、店舗面積、競合店舗数、駅からの距離、広告費などが候補になります。
このとき、統計的な判断より先に、業務知識にもとづいた仮説を立てることが重要です。データだけを見て変数を選ぶと、無関係な要因を拾ってしまいます。
ステップ3:データを収集し、整える
必要なデータを集めます。この段階で次の処理を行います。
- 欠損値の処理:空欄をどう扱うか決める
- 外れ値の確認:極端な値が混ざっていないか確認する
- 表記ゆれの統一
- 単位の統一
分析時間の大半は、この前処理に費やされます。 ここを省くと、後の結果が信用できないものになります。
ステップ4:分析を実行し、重回帰式を得る
ExcelやRなどのツールで分析を実行します。具体的な方法は次章で説明します。
ステップ5:結果を確認し、モデルを見直す
出力された指標を確認します。有意でない変数が含まれていれば除外し、多重共線性が疑われれば変数を絞り込みます。
一度で完成することはまずありません。 変数を入れ替えながら、複数のモデルを比較します。
ステップ6:予測・施策に活用する
得られた式に計画値を入れて結果を試算し、施策の判断に使います。
たとえば「広告費の偏回帰係数が小さく、統計的にも有意でない」と分かれば、広告費の配分を見直す根拠になります。
Excelで重回帰分析を行う方法
専用ソフトがなくても、Excelの標準機能で重回帰分析は実行できます。
事前準備:分析ツールを有効にする
Excelの初期状態では、分析機能が無効になっています。次の手順で有効化します。
- 「ファイル」→「オプション」を開く
- 「アドイン」を選択
- 下部の「管理」で「Excel アドイン」を選び、「設定」をクリック
- 「分析ツール」にチェックを入れて「OK」
これで「データ」タブの右端に「データ分析」が表示されます。
データの並べ方
分析を実行する前に、データを次の形に整えます。
- 1行目に項目名を入れる
- 1列に1つの変数を配置する
- 目的変数と説明変数を隣接した列にまとめる(離れていると範囲指定が煩雑になります)
- 空白セルを作らない
| 売上 | 広告費 | 通行量 | 競合店数 |
| 320 | 50 | 1200 | 3 |
| 285 | 40 | 1100 | 4 |
| … | … | … | … |
分析の実行手順
- 「データ」タブ →「データ分析」をクリック
- 一覧から「回帰分析」を選んで「OK」
- 「入力 Y 範囲」に目的変数の列を指定(項目名を含める)
- 「入力 X 範囲」に説明変数の列をまとめて指定
- 「ラベル」にチェックを入れる(1行目を項目名として扱うため)
- 出力先を指定して「OK」
数秒で結果が出力されます。
よくあるエラー
「入力範囲が正しくありません」と出る X範囲が連続した列になっていない可能性があります。説明変数の列は隣り合わせに並べてください。離れている場合は、列をコピーして並べ替えます。
説明変数が16個までしか指定できない Excelの分析ツールの制限です。それ以上必要な場合は、R、Python、専用の統計ソフトを使います。
文字データが含まれているとエラーになる 「男性」「女性」のような文字は、そのままでは使えません。後述するダミー変数の処理が必要です。
重回帰分析の結果の見方
Excelの出力には多くの数値が並びますが、まず見るべき指標は限られています。
補正R2(自由度調整済み決定係数)
最初に確認すべき指標です。モデル全体が、目的変数の変動をどれだけ説明できているかを示します。
0から1の値をとり、1に近いほど説明力が高いことを意味します。
重要なのは、通常の決定係数(R2)ではなく「補正R2」を見る点です。決定係数は説明変数を増やすほど自動的に上がってしまう性質があり、変数が多い重回帰分析では実態を反映しません。補正R2は変数の数を考慮して調整されているため、こちらで判断します。
目安としては0.5以上あれば一定の説明力があるとされますが、分野によって基準は異なります。自然科学では高い値が求められる一方、人の行動を扱うマーケティングでは0.3〜0.4でも有用な場合があります。
有意F
モデル全体が意味を持つかどうかの判定です。この値が0.05を下回っていれば、モデル全体として統計的に有意と判断されます。
ここが0.05を超えている場合、そのモデルは使い物になりません。説明変数の選び直しが必要です。
係数(偏回帰係数)
各説明変数が目的変数に与える影響の大きさです。
- 正の値:その変数が増えると、目的変数も増える
- 負の値:その変数が増えると、目的変数は減る
たとえば広告費の係数が3.2であれば、「他の条件を一定とすれば、広告費を1単位増やすと売上が3.2単位増える」と読みます。
「他の条件を一定とすれば」という条件が重要です。これが単回帰との決定的な違いになります。
P-値
その変数の影響が、偶然ではないと言えるかの判定です。
一般に0.05未満であれば統計的に有意とされます。0.05を超える変数は、影響があるとは言い切れません。
P-値が大きい変数は、モデルから外すことを検討してください。 不要な変数を残すと、他の変数の解釈まで歪みます。
標準偏回帰係数
どの変数の影響が最も大きいかを比較したい場合に使います。
偏回帰係数は単位の影響を受けるため、そのままでは比較できません。「広告費(万円)の係数3.2」と「通行量(人)の係数0.8」を見比べても、広告費のほうが影響が大きいとは言えないのです。単位が違うからです。
標準偏回帰係数は、各変数を標準化して単位を揃えたうえで算出した係数です。値の絶対値が大きいほど、影響が強いと判断できます。
なお、Excelの回帰分析では標準偏回帰係数は出力されません。必要な場合は、事前にデータを標準化してから分析するか、専用ソフトを使います。
結果の読み方のまとめ
確認する順序を整理すると、次のようになります。
- 有意F が0.05未満か → モデル全体が有効か
- 補正R2 はどの程度か → 説明力はあるか
- P-値 が0.05未満の変数はどれか → どの変数が有意か
- 係数の符号 は想定どおりか → 常識と矛盾しないか
- 標準偏回帰係数 で影響の大きさを比較
【重要】多重共線性に注意する
重回帰分析で最も多い失敗が、この多重共線性(マルチコ)です。
多重共線性とは
説明変数どうしが強く相関している状態を指します。
たとえば店舗の売上を分析する際に、「店舗面積」と「座席数」を両方とも説明変数に入れたとします。この2つはほぼ比例するため、非常に強く相関しています。
この状態で分析すると、次のような問題が起こります。
- 係数の値が不安定になる:データを少し変えただけで大きく変動する
- 符号が逆転する:常識的には正のはずの係数が、マイナスになる
- 有意でなくなる:本来は影響があるはずの変数のP-値が大きくなる
結果として、どの変数が効いているのか判断できなくなります。
見分け方
① 相関係数を確認する 説明変数どうしの相関係数を計算します。Excelの分析ツールにある「相関」機能で、一度にすべての組み合わせを確認できます。
実務では0.8以上の組み合わせがあれば要注意とされることが多く、0.9を超えていればほぼ確実に問題が生じます。なお、後述するVIFが10になるのは、重相関係数が0.95程度のときに相当します。
② VIF(分散拡大係数)を確認する より確実な判定方法です。統計の解説でも、VIFが10以上であればその変数を分析から除いたほうがよいという基準が広く使われています。より厳しく、5以上で注意すべきとする立場もあります。
相関係数が2つの変数の関係しか見ないのに対し、VIFは複数の変数が絡み合った関係まで検出できる点で優れています。3つの変数が互いに絡んでいる場合、2変数間の相関係数は高くならないことがあるためです。
ExcelでVIFを計算する方法
Excelの回帰分析ではVIFは出力されませんが、計算することは可能です。
- 分析ツールの「相関」で、説明変数どうしの相関行列を作成する
- 相関行列と同じ大きさのセル範囲を選択する
- =MINVERSE(相関行列の範囲) と入力し、Ctrl + Shift + Enter で確定する
- 出力された逆行列の対角成分が、各変数のVIFにあたる
一見すると複雑ですが、手順自体は数分で終わります。説明変数が多い分析では、確認しておく価値があります。
対処法
- 相関の強い変数のどちらかを除外する(最も一般的)
- 2つの変数を合成して1つの指標にする
- サンプル数を増やす
「店舗面積」と「座席数」であれば、どちらか一方だけを残すのが現実的な判断です。
質的データはダミー変数で扱える
「性別」「曜日」「地域」といった数値でないデータは、重回帰分析に使えないと思われがちですが、そんなことはありません。
ダミー変数という方法を使えば、質的データも説明変数として扱えます。
ダミー変数とは
質的データを、0と1の数値に置き換えたものです。
たとえば性別であれば、次のように変換します。
| 元のデータ | ダミー変数(男性=1) |
| 男性 | 1 |
| 女性 | 0 |
これで数値データとして分析に含められます。
3つ以上の区分がある場合
「関東・関西・その他」のように3区分ある場合は、区分の数より1つ少ないダミー変数を作ります。
| 地域 | 関東ダミー | 関西ダミー |
| 関東 | 1 | 0 |
| 関西 | 0 | 1 |
| その他 | 0 | 0 |
3つ作ってはいけません。 すべて作ると変数同士が完全に相関し、多重共線性が発生して分析できなくなります。この場合、「その他」が基準となり、係数は「その他と比べてどれだけ違うか」を示します。
活用例
- 曜日、季節、キャンペーンの有無
- 天候(晴れ/雨)
- 店舗の業態
- 会員/非会員
販促キャンペーンを実施した月を1、していない月を0とすれば、キャンペーンの効果を数値で測れます。実務では非常によく使う手法です。
重回帰分析を行う際の注意点
結果を誤って解釈しないために、押さえておくべき点があります。
相関は因果ではない
最も重要な注意点です。
分析で「広告費と売上に強い関係がある」と出ても、それが「広告費を増やせば売上が増える」ことを意味するとは限りません。
- 逆の因果:売れているから広告費を増やせている
- 第三の要因:好景気が、広告費と売上の両方を押し上げている
重回帰分析が示すのは、あくまで数値上の関係性です。因果関係の判断には、業務知識や実験的な検証が必要になります。
サンプルサイズを確保する
データが少ないと、信頼できる結果は得られません。目安として、説明変数の数の10倍から20倍のデータ数が必要とされます。
説明変数が5つなら、最低でも50件、できれば100件以上が望ましいということです。
説明変数を入れすぎない
変数を増やせば決定係数は上がりますが、そのデータにだけ当てはまる式になってしまいます(過学習)。新しいデータでは予測が外れます。
業務知識にもとづいて、本当に関係のある変数に絞ることが重要です。
外挿には注意する
分析に使ったデータの範囲を大きく超える予測は、信頼できません。
広告費50万〜100万円のデータから作った式に、500万円を入れて計算しても、その結果は保証されません。効果は無限に伸び続けるわけではないからです。
線形の関係を前提としている
重回帰分析は、説明変数と目的変数が直線的な関係にあることを前提としています。
実際には「一定以上になると効果が頭打ちになる」といった関係も多くあります。散布図を描いて、直線で表現できる関係かを事前に確認してください。
よくある失敗パターン
実務で起こりがちな失敗を挙げます。
補正R2だけを見て満足する
説明力が高くても、個々の変数が有意でなければ意味がありません。P-値の確認を飛ばさないでください。
係数の符号を確認しない
「価格を上げると売上が増える」という結果が出たら、多重共線性やデータの問題を疑うべきです。常識と矛盾する結果は、まずモデルを疑います。
変数を機械的に選ぶ
統計的な指標だけで変数を選ぶと、無関係な要因が入り込みます。仮説が先、検証が後という順序を守ってください。
データが古い
市場環境が変われば、過去の関係は成り立ちません。定期的にモデルを更新する必要があります。
他の手法との使い分け
重回帰分析が適さない場面もあります。
| 手法 | 適した場面 |
| 単回帰分析 | 要因が1つに絞れる場合 |
| 重回帰分析 | 複数の要因で、数値を予測したい場合 |
| ロジスティック回帰分析 | 「購入する/しない」など2値の結果を予測したい場合 |
| 因子分析 | 多くの変数の背後にある共通因子を探りたい場合 |
| クラスター分析 | 似た特徴のデータをグループ分けしたい場合 |
| 決定木・機械学習 | 複雑で非線形な関係を扱いたい場合 |
予測精度だけを求めるなら機械学習が優れている場面もあります。 しかし重回帰分析には、「どの要因が、どれだけ影響しているか」を説明できるという大きな利点があります。
社内で施策を提案する際、「AIが予測したから」より「広告費の寄与度が最も高いという分析結果が出たから」のほうが、説得力を持ちます。
【2026年】重回帰分析をめぐる環境の変化
分析手法そのものは変わりませんが、実行環境は大きく変わりました。
分析のハードルが下がった
かつては統計ソフトの操作や、プログラミングの知識が必要でした。現在は生成AIに分析の手順を尋ねたり、コードを生成させたりできるため、専門家でなくても実行できる場面が増えています。
一方で、実行できることと、正しく解釈できることは別です。多重共線性を見落とす、因果関係と取り違える、といった失敗はむしろ増える可能性があります。手法の理解は、以前にも増して重要になっています。
説明可能性への要求が高まっている
機械学習の精度が上がる一方で、「なぜその結果になったのか」を説明できないことが課題として認識されるようになりました。
重回帰分析は、各要因の影響を係数として明示できるという点で、説明責任が求められる場面での価値がむしろ高まっています。
マーケティング領域での再評価
プライバシー規制の強化により、個々のユーザーを追跡する計測が難しくなりました。その代替として、集計データから施策の効果を推定するMMM(マーケティングミックスモデリング)が再び注目されています。
MMMの基礎となっているのが、まさに重回帰分析の考え方です。Googleが提供するオープンソースのMMMツールなど、導入のハードルも下がってきています。
分析の精度は、データの揃い方で決まる
ここまで手法と注意点を解説してきましたが、実務で最初に直面する壁は、そもそも分析に使えるデータが揃わないことです。
重回帰分析では、目的変数と説明変数を同じ期間・同じ粒度で並べる必要があります。ところが実際には、次のように分散しているのが普通です。
- 売上データは基幹システム
- 広告費は各媒体の管理画面
- サイトの行動データは解析ツール
- 顧客属性はCRM
- 問い合わせ内容は別の場所
これらを手作業で突き合わせる作業に、分析時間の大半が費やされます。 しかも形式や粒度が揃っていないため、統合の過程でミスも起こりやすくなります。
さらに、説明変数の候補が社内に散らばったままでは、本当に効いている要因を見落とす可能性もあります。電話での問い合わせが成果に直結している事業で、そのデータが記録されていなければ、分析に含めることすらできません。
「オムニデータバンク」は、広告運用に必要なファーストパーティデータを収集・管理・運用するプラットフォームです。
社内に散在するデータを統合して管理できるため、分析に使える状態のデータを継続的に確保できます。多機能かつ低価格で、広告のターゲティングセグメントの量産にも対応します。
分析の前段にあるデータ整備に課題を感じている方は、こちらからお問い合わせください。
重回帰分析に関するよくある質問
実務で挙がりやすい疑問をまとめます。
データは何件あれば分析できますか
目安は説明変数の数の10〜20倍です。説明変数が5つなら50〜100件以上が望ましいとされます。件数が少ないと、偶然の関係を拾ってしまいます。
補正R2はいくつあればよいですか
分野によって基準が異なります。マーケティングのように人の行動を扱う領域では、0.3〜0.4でも実用的な場合があります。絶対的な基準はなく、同じテーマの他のモデルと比較して判断するのが現実的です。
Excelだけで十分ですか
説明変数が16個以下で、標準偏回帰係数やVIFが不要であれば、Excelで足ります。それ以上の分析が必要な場合は、RやPythonなどを検討してください。
質的データは使えますか
使えます。ダミー変数として0と1に変換すれば、性別、曜日、地域、キャンペーンの有無などを説明変数に含められます。
結果を報告書にどう書けばよいですか
最低限、補正R2、有意F、各変数の係数とP-値を記載します。そのうえで、有意だった変数とその影響の方向、実務上の解釈を添えると伝わりやすくなります。
まとめ
重回帰分析について、要点を整理します。
- 複数の要因が結果に与える影響を、数値で明らかにする手法
- 他の変数の影響を取り除いたうえで、各要因の効果を測れる点が強み
- Excelの分析ツールで実行できる
- 結果は補正R2、有意F、係数、P-値の順に確認する
- 多重共線性は最も起こりやすい失敗。相関係数やVIFで確認する
- ダミー変数を使えば、質的データも説明変数にできる
- 相関は因果ではない。数値の関係性を示しているにすぎない
結果を数値で示せる有用な手法ですが、最初からうまくいくものではありません。変数を入れ替えながら複数のモデルを比較し、業務知識と照らし合わせて解釈することが求められます。
初めて取り組む場合は、まず補正R2とP-値の確認から始め、慣れてきたら多重共線性のチェックへと進めていくとよいでしょう。