サンプリングバイアスとは?具体例をわかりやすく解説

目次
編集 セオリーズ編集部

本記事は、セオリーズ株式会社の編集部が、心理学・認知科学・行動科学に関する文献や公開情報を確認したうえで作成しています。内容は一般的な知識提供を目的としており、医学的診断・治療を代替するものではありません。

サンプリングバイアスとは

サンプリングバイアス(Sampling Bias)とは、調査や分析で偏った母集団(サンプル)だけを対象にしてしまうことで、分析結果が歪んでしまう認知バイアスです。(別名:サンプルセレクションバイアス)

一部だけ見て、全体をわかった気になってしまうことから、本当の傾向を見誤い、意思決定を間違えるリスクがあると言う点で、注意する必要があります。

サンプリングバイアスの具体例
  • 満足度が高いというアンケート結果
    そもそも満足していそうな人にしかアンケートを送っていないケースがよくあります。
  • 飲食店のレビュー評価
    ネットの口コミは不満を持った場合に書き込まレルことが多いので、特別な対策をしていない限り、一般的には評価が低くなりがちです。そのため星1が多くても良い店はあります。
  • 高齢者ばかりが投票する選挙結果を民意とみなす
    60代の投票率は70%台で、20代の投票率は30%台と2倍以上の差があります。

このように、集計対象としているサンプルに偏りがあると、事実と異なる分析結果が出てしまいます。「いま見えてる世界が、すべてである」と思い込むバイアスなので、さまざまな分野で起こりやすい傾向があります。

アインシュタインの「常識とは18歳までに身につけた偏見のコレクションである」も、まさにサンプリングバイアスに通じる例です。

補足:認知バイアスとは

認知バイアスとは、常識や固定観念、また周囲の意見や情報など、さまざまな要因によって、誤った認識や合理的でない判断を行ってしまう認知心理学の概念です。

認知バイアスの具体例

サンプリングバイアスの起源・代表研究

現代の統計調査の基礎を作ったのは、ポーランド出身の統計学者ジェジ・ネイマンです。彼は1934年の論文で、調査対象の「選び方」が結果の信頼性を左右することを証明しました。(Jerzy Neyman .1934

当時は、調査員が「この人たちは平均的な国民を代表している」と主観で判断して選ぶ「有意抽出法(Purposive Selection)」が一般的でした。

一方、ネイマンは、主観を排除して機械的に選ぶ「無作為抽出法(Random Sampling)」の優位性を理論的に示しました

有意抽出法と無作為抽出法の違い

有意抽出法(以前)
選び方:調査者の判断(主観)で「代表」を選ぶ
→バイアスが入り込みやすく、科学的な保証がない

無作為抽出法(ネイマン以降)
選び方:くじ引きのようにランダムに選ぶ
→バイアス最小限に抑えられ、誤差を数学的に計算できる

ネイマンの研究以降、「人間の勘」ではなく「確率」に基づいた調査が世界標準となり、現代の選挙出口調査やマーケティング調査の形が完成しました。

サンプリングバイアスが起こる具体例

サンプリングバイアスは、統計や研究の話だけでなく、私たちの身近な判断にも頻繁に入り込みます。

有名な世論調査の失敗例から、仕事・恋愛・お金といった日常場面まで、どのように「偏ったデータ」が誤った結論を生むのかを具体例で確認していきましょう。

サンプリングバイアスが起こる具体例
  • 1936年米国大統領選に見る世論調査の失敗例
  • 仕事で起こるサンプリングバイアスの具体例
  • 恋愛で起こるサンプリングバイアスの具体例
  • お金・消費行動で起こるサンプリングバイアスの具体例

サンプリングバイアス具体例#1
1936年米国大統領選に見る世論調査の失敗例

1936年の米大統領選で雑誌『Literary Digest』は、世論調査として電話帳や自動車登録名簿などから約1,000万通のはがきを送り、約240万通の回答を集めました。

一見すると大規模な調査ですが、当時これらを所有していたのは、比較的お金に余裕のある人が中心です。さらに、実際に回答したのは政治への関心が高い層に偏っていました

その結果、ランドン優勢(57%)と予測したものの、実際の選挙ではルーズベルトが得票率60.8%で大勝しています。

世論調査が外れた最大の原因は、集まった回答が「国民全体」ではなく「特定の層の声」に偏っていた点です。回答数が多くても、集め方が偏れば結果は信頼できないという教訓の代表例です。

サンプリングバイアスの具体例#2
仕事で起こるサンプリングバイアスの具体例

仕事では「見えている人・声が大きい人」だけを材料に判断しやすく、サンプリングバイアスが起こります。

会議に出る人、発言する人、成果が目立つ部署に情報が偏ると、現場の本音や課題が抜け落ち、施策や評価がズレやすくなります

仕事で起こるサンプリングバイアスの具体例
  • 社内アンケートの回答者だけで結論を出す
    忙しい人は未回答になりやすく、自由回答形式の場合「強い不満がある人」か「非常に協力的な人」の意見に偏り、中間層の「なんとなくの違和感」が消えがち
  • 数字が見える部署だけで判断する
    売上など指標が分かりやすい部門に注目が偏り、支援部門の貢献が過小評価されてしまう
  • 成功事例の担当者だけを参考にする
    成功者のノウハウだけを集めると、実は「失敗した人も同じことをしていた」という重要な事実に気づけない

対策は「入っていない人」を意識することです。未回答者のフォローや複数チャネルでの聞き取りで偏りを減らせます。

サンプリングバイアスの具体例#3
恋愛で起こるサンプリングバイアスの具体例

恋愛でも、見えている情報が偏るとサンプリングバイアスが起きます。

SNSや友人の話、アプリの反応など「一部の声」だけを材料にすると、相手の本音や関係の全体像を見誤りやすくなり、判断が極端になりがちです

恋愛で起こるサンプリングバイアスの具体例
  • 友人の恋愛相談
    相談に乗る友人は「過去の自分の経験」という偏ったサンプルから答えを出します。二人の関係性に特有の文脈を無視し、平均的なアドバイスに寄ってしまうことで、かえって事態を複雑にすることがある
  • アプリの“いいね”だけで相手を評価する
    表示される相手や反応する人が偏りやすく、相性より条件で判断が固まりやすい
  • うまくいった話だけ集めて落ち込む
    成功談は表に出やすく、失敗や不安は見えにくいので比較が不公平になりやすい

偏りを減らすには、1つの情報源に寄せないことです。相手本人の行動や言葉を増やして、判断材料を広げましょう。

サンプリングバイアスの具体例#4
お金・消費行動で起こるサンプリングバイアスの具体例

お金の判断でも、集まる情報が偏るとサンプリングバイアスが起こります。

SNSの成功談やランキング上位の声など「目立つ一部」だけを信じると、失敗例や自分に合わない条件が見えにくくなり、投資・購入・節約の判断がズレやすくなります

お金・消費行動で起こるサンプリングバイアスの具体例
  • SNSの儲かった報告だけ見て投資判断する
    失敗談が出にくく、勝てる確率を高く見積もりがちになる
  • 高評価レビューだけで買う
    不満のある人は投稿しない場合もあり、実態より良く見えることがある
  • 少数の“節約成功例”を一般化する
    そもそも前提(家族構成・収入・固定費)が違うと再現できないことがある

対策は「見えていないデータ」を意識することです。失敗例・低評価・前提条件まで集めると判断が安定します。

認知機能(MBTI)でみるサンプリングバイアスの影響度

認知機能ベースで見ると、サンプリングバイアスは特定の1つの認知機能が暴走して起きるものではなく、情報の「抽出側」と「検証側」の機能バランスが崩れたときに発生しやすい認知バイアスです

サンプリングバイアスとは、全体を代表していない一部のサンプルだけを見て、全体傾向や結論を導いてしまう認知の歪みを指します。このバイアスの中核にあるのは、「どの情報を拾ったか」と「それが全体を代表しているか」を切り分けていないことです

抽出側が強く、検証側が弱い状態で起きます。

  • 抽出側の認知機能
    • Ne(外向的直観):目についた事例・広がりのある情報を拾う
    • Ni(内向的直観):意味がありそうな象徴的事例を抜き出す
  • 検証側の認知機能
    • Si(内向的感覚):過去事例・全体母数・抜け落ちたケースを参照する
    • Te(外向的思考):数値分布・統計・データ構造を基に判断する

Ne/Niが主導して情報を拾い、Si/Teによる母数確認や分布検証が行われない場合、サンプリングバイアスが発生しやすくなります。

サンプリングバイアスにかかりやすいMBTI
  • ENFP / ENTP(Ne主機能)
    目立つ事例や語りやすいケースを起点に判断し、全体分布を省略しやすい
  • INTJ / INFJ(Ni主機能)
    象徴的な成功例・失敗例から構造を抽出し、例外や脱落ケースを切り捨てやすい

※単独主犯ではなく「組み合わせ依存」です。
※いずれも、Si/Teによる検証が入らない場合に限って起きます。

サンプリングバイアスの影響を受けにくい認知構造

逆に、サンプリングバイアスにかかりにくいのは、Si(内向的感覚)やTe(外向的思考)が判断プロセスに明確に組み込まれている状態です。

  • Si(内向的感覚):見えていない事例・過去の失敗・全履歴を前提に考える
  • Te(外向的思考):サンプル数・分布・取得条件を確認してから結論を出す

これらが主機能、または強く稼働している場合、「このデータは全体のどこを切り取っているか」という問いが自然に入るため、サンプリングバイアスに陥りにくくなります。

Si/Te主機能のMBTIタイプ
  • ISTJ(管理者)※Si主機能
    過去の蓄積データや失敗例も含め、全体像で判断しやすい
  • ISFJ(擁護者)※Si主機能
    例外や未観測ケースを前提に置き、部分データで結論を出しにくい
  • ENTJ(指揮官)※Te主機能
    母数や成果分布を基準にし、少数事例を一般化しにくい
  • ESTJ(幹部)※Te主機能
    母数・条件・比較軸を明示し、サンプル偏重を抑制しやすい

※あくまで判断プロセスの傾向差です。

誤解しやすい点なので補足すると、サンプリングバイアスは「直観型だから起きる」「論理が弱いから起きる」ものではありません。抽出(Ne/Ni)と検証(Si/Te)が分離された瞬間に発生します

また、Si/Teタイプであっても、データ取得条件そのものが偏っていれば、このバイアスは避けられません。判断基準が何であれ、「母数確認を省略した時点」で、このバイアスは発生します。

サンプリングバイアスの影響度診断

サンプリングバイアスは、自分では気づかないうちに判断へ影響します。「見えている情報が全体だ」と思い込んでいないか、簡単な質問でチェックしてみましょう。

直感で答えることで、情報の集め方や判断のクセが見えてきます。

サンプリングバイアスの影響度診断(10問)

次の質問に 「はい=1点」「いいえ=0点」 で答えてください。

  • SNSや口コミなど、目につく意見だけを見て判断することが多い
  • 回答数が多いデータほど、内容をあまり疑わない
  • 発言が多い人の意見を「みんなの意見」だと感じやすい
  • アンケートやレビューで、未回答の人の存在を意識しない
  • 成功事例やポジティブな話を優先して集めがちだ
  • 身近な人の体験を、一般的な傾向だと思うことがある
  • ランキング上位の商品や選択肢を無条件で信頼しやすい
  • 情報を集めるとき、同じ媒体やコミュニティに偏りがちだ
  • 「自分が見ている範囲=全体」だと感じることがある
  • 誰が含まれていないかを考えずに結論を出すことが多い
診断結果の目安
  • 0~3点|今のところ問題は小さい
    偏りを意識できており、判断も比較的安定しています
  • 4~6点|注意ゾーン
    情報源やサンプルの偏りが、知らないうちに判断へ影響している可能性があります
  • 7点以上|要注意ゾーン
    サンプリングバイアスの影響を強く受けやすい状態です。「見えていない人・情報」を意識的に補う必要があります

点数が高くても悲観する必要はありません。大切なのは、偏りに気づけたことです。誰の声が抜けているかを意識するだけで、判断の精度は大きく改善します。

選択バイアスとの違い

サンプリングバイアスと似た意味で使われる偏りに「選択バイアス」があります。どちらも結論をズラす原因になりますが、偏りが入るタイミングが異なります

  • サンプリングバイアス
    調べたい「全体」を代表するはずのデータが、最初から一部に偏って集まってしまう状態。
    原因は、調査者がデータを「集める手法(ツール・場所・時間)」を決めた時点で発生する偏り
  • 選択バイアス
    集めた後や参加の段階で、「参加する/しない」「残る/離脱する」といった選別が起き、結果が偏る状態。
    意欲が高い人だけが回答する、合わない人が途中で離れる、などが典型
「サンプリングバイアス」「選択バイアス」の具体例
  • サンプリングバイアスの例(入口=集め方で偏る)
    「20代の恋愛観」を知りたくて、Xでアンケートを取った。そもそもXで調査を行うと決めた時点で、非ユーザーや、その時間帯にログインしていない人は物理的に「回答の候補」から外れるので回答が偏ってしまう
  • 選択バイアスの例(参加・残り方=答える人で偏る)
    同じくXで恋愛アンケートを流したが、回答したのは「恋愛で悩んでいる」「不満がある」人が中心だった。満足している人や関心が薄い人は答えにくく、結果として“恋愛はつらいもの”という結論に寄ってしまった

つまり、サンプリングバイアスは入口(集め方)で偏る、選択バイアスは参加・離脱(残り方)で偏るという違いです。

実務では両方が同時に起きやすく、「集める場所が偏る+答える人も偏る」でズレが増幅します。まずは「どこで偏りが入ったか」を切り分けるのがコツです。

サンプリングバイアスが起きやすいパターン

サンプリングバイアスは、「全体を知りたいのに、集めたデータが一部の人に偏っている」ことで起きます。調査に参加しやすい人・目につきやすい情報だけが集まると、少数派や忙しい人、声を上げにくい人が抜け落ちます

その結果、データの平均値が「全体の真実」であるかのように錯覚し、誤った判断を下す原因となります 。以下に、バイアスが生じやすい代表的なパターンをまとめます。

サンプリングバイアスが起きやすいパターン
  • 母集団と集めた人の偏り
    本当は「全員」を対象にしたいのに、特定の地域・属性だけから集めると結果が偏ってしまう
  • 参加意欲による偏り
    「関心が強い人」や「不満がある人」ほど積極的に回答し、中立的な人ほど回答を控える傾向がある
  • 集める手段による偏り
    SNS、店頭、特定アプリなど、入口が限定されると届かない層が増えてしまう
  • 途中で離脱した人が消える
    面倒でやめた人、合わなくて離れた人が抜けると「続いた人」だけの結果になってしまう
  • 「見えているもの」への過信
    手元に大量のデータが集まると、それが「世界の全て」であるかのように錯覚してしまい、欠けている層の存在に気づきにくくなってしまう

対策は「誰が入っていないか」を確認することです。入口を増やし、属性の偏りを見て補正すると精度が上がります。

認知バイアスを緩和するポイント

認知バイアスの原因は「経験や直感からくる思い込み」にあるので、対処すれば、一定は軽減できます。※人間である以上、全てを防ぐのは不可能です。

認知バイアスを緩和するポイント
  • 認知バイアスへの理解を深める
  • 認知バイアス診断で思考の癖を知る
  • 批判的に考え、第三者の意見を取り入れる

認知バイアスを緩和するポイント①
認知バイアスへの理解を深める

まず、認知バイアスの存在を知らなければ、防ぎようがありません。あなたが人間である限り『なにかしらのバイアスが少なからず働いている』という認識を持つところから始めましょう。

例えば、データ分析からアクションを検討する場合においては、下記のポイントを意識して、合理的に読み解く必要があるので、注意をしたいところです。

  • 確証バイアス
    自身の仮説を支持する都合良い情報ばかり集めていないか
  • 生存バイアス
    サンプリング対象に失敗事例は含まれているか
  • サンプリングバイアス
    サンプル対象が特定の属性に偏っていないか
  • 錯誤相関
    データ同士の相関性から間違えた因果関係を見出していないか

ちなみに「自分は大丈夫」「今回のケースは大丈夫」と思うのであれば、それもバイアスです。(楽観バイアスや正常性バイアスなど)。

ソクラテスの哲学「無知の知」にあるように、理解したつもりにならず、謙虚に向き合い、今後の学びに繋げていきましょう。

認知バイアスを緩和するポイント②
認知バイアス診断で思考の癖を知る

次は、自身が「どういったバイアスを持ちやすいのか」という思考の癖を知ることをおすすめします。簡易的なものであれば、無料アプリの「ミイダス」で診断可能です。

▼ミイダスで診断してみよう

引用:バイアス診断ゲーム(ミイダス)

ミイダスはもともと、転職市場価値を診断できるアプリですが、「バイアス診断ゲーム」をはじめとした心理学系の診断がいくつかあります。数分の診断で結果がわかるので、興味があれば試してみてください。

認知バイアスを緩和するポイント③
批判的に考え、第三者の意見を取り入れる

認知バイアスに陥るのを防ぐために「なにごとも疑ってかかる」「自分と異なる意見を取り入れる」ことが重要です。 例えば以下のようにですね。

  • 何が事実で、何が解釈か
  • 別の観点から考えると、解釈は変わるか
  • どのような反対意見があるか

このように、さまざまな角度から複眼的にとらえることができれば、認知バイアスに陥りにくくはなります。いわゆるクリティカルシンキング(批判的思考)ですね。

第三者の意見を取り入れるのもおすすめです。利害関係がなく、都合が悪いことも率直に伝えてくれる相手にしましょう。自身と違った境遇・価値観を持つ方であればあるほど、視野が広がります。


運営者情報

当サイトはセオリーズ株式会社が運営しています。

会社名セオリーズ株式会社
法人番号8010001246220
公式HPhttps://theories.co.jp/corp/
本社所在地106-0032
東京都港区六本木6丁目10番1号
六本木ヒルズ森タワー16階

内容の正確性および最新性の確保には細心の注意を払っておりますが、記事の内容に誤り(情報が古い等)があった場合はこちらからご共有いただけると幸いです。

よかったらシェアしてね!
  • URLをコピーしました!
目次