数量化III類とは？仕組みと主成分分析との違いを徹底解説【2026年最新】

アンケート調査の自由回答や「はい／いいえ」といった選択式回答など、数値化しにくい定性的な情報をどう分析すべきか悩む現場は少なくありません。そうした質的データ多変量解析において、長年にわたり強力な武器として活用されているのが「数量化III類（数量化3類）」です。

日本発祥の統計手法でありながら、マーケティングのポジショニングマップ作成や顧客セグメンテーションにおいて、直感的なインサイトを導き出す手法として定評があります。本稿では、主成分分析やコレスポンデンス分析との決定的な相違点から、固有値の読み解き方、Excel・Python・R言語を用いた実践アプローチまで、現場目線で余すところなく解説します。

📌 【この記事の重要ポイントまとめ】

• 要点1：数量化III類は、アンケートなどの「質的データ（カテゴリカルデータ）」を数値化し、サンプルと項目の関係性を2次元マップ等に可視化する手法である。
• 要点2：「主成分分析」が量的データを扱うのに対し、「数量化III類」は質的データを扱い、数学的にはフランス発祥の「コレスポンデンス分析」と実質的に同等である。
• 要点3：分析の成否は「固有値・寄与率の解釈」と「軸の意味付け」にかかっており、単なる散布図の近さだけで判断しない現場の文脈理解が不可欠となる。

【全体像を掴む】数量化III類とは？質的データを可視化する基本構造

アンケート調査で得られる「好きなブランド」「利用したことのある機能」といったデータは、数値ではなく言葉で表される「カテゴリカルデータ（質的データ）」です。これらを単にクロス集計するだけでは、項目同士の複雑な相互関係や潜在的なパターンを網羅的に把握することは困難を極めます。

数量化III類（Theory of Quantification Type III）は、統計学者・林知己夫氏らが1950年代に体系化した「林の数量化理論」の中核をなす手法です。その本質は、「似たような回答をした人（サンプル）」と「似たような特性を持つ項目（カテゴリ）」にそれぞれ近い数値（スコア）を与え、低次元の空間上に同時にプロットする点にあります。

たとえば、「A社とB社の自動車を好む層は、どのようなライフスタイル傾向を共有しているのか」を分析する場合、回答パターンが類似しているユーザーと項目が座標上で近くに集まるため、視覚的なポジショニングマップとして直感的に把握できます。

ここで、林の数量化理論の全体像を整理しておきましょう。目的変数の有無やデータの性質によって、以下のように体系化されています。

• 数量化I類：目的変数が「量的データ」、説明変数が「質的データ」（重回帰分析の質的変数版）
• 数量化II類：目的変数が「質的データ」、説明変数が「質的データ」（判別分析の質的変数版）
• 数量化III類：目的変数は「なし」、質的データ間の類似性・構造を要約（主成分分析の質的変数版）
• 数量化IV類：個体間の「親近性・類似度データ」をもとに多次元空間へ配置（多次元尺度構成法に類似）

実務の現場で「アンケートの選択結果を要約してマップ化したい」という場合、目的変数を設定しないカテゴリカルデータ分析手法として、数量化III類が第一選択肢となります。

【徹底比較】数量化III類・主成分分析・コレスポンデンス分析の決定的な違い

データ分析の導入段階で最も多くの実務者が直面するのが、「主成分分析（PCA）やコレスポンデンス分析と何が違うのか」という疑問です。手法の選定を誤ると、不適切な前処理や歪んだ解釈につながるリスクがあります。

以下の比較表は、主要な次元削減・ポジショニング手法の違いをまとめたものです。

決定的な違いとして、主成分分析は連続量（数値データ）の分散を最大化する手法であるのに対し、数量化III類は質的データにおける相関比（カテゴリとサンプルの結びつきの強さ）を最大化する手法です。

また、グローバルな統計パッケージ（Pythonのライブラリや海外論文など）では「数量化III類」という名称ではなく、多重対応分析（Multiple Correspondence Analysis: MCA）として実装されているケースが一般的です。両者は数式上のアプローチにわずかな差異があるものの、得られる解および実務上の解釈は実質的に同一と考えて差し支えありません。

【実践知】アンケート・クロス集計からマップを作成する4つのステップ

実務で数量化III類を適用するプロセスは、単にツールにデータを投入するだけでは完結しません。前処理から可視化に至るまで、論理的な手順を踏む必要があります。

ステップ1：データのダミー変数化（0/1データの作成）

アンケートの複数回答データ（チェックボックス形式）を行（回答者）と列（選択肢カテゴリ）のマトリクスに変換します。該当する場合は「1」、非該当の場合は「0」を付与します。単一回答（単一選択）の場合は、各選択肢を独立した列として展開します。

ステップ2：極端な偏りのあるカテゴリの除去（スクリーニング）

回答率が極端に低いカテゴリ（例：全体の1%未満）や、逆に全員が選択しているような項目（99%以上）は、計算上のノイズとなり軸の歪みを引き起こします。現場の経験則として、出現頻度が極端に低いカテゴリは事前に除外するか統合する処理が鉄則です。

ステップ3：固有値分解によるスコア算出

相関比を最大化する固有方程式を解き、各サンプルおよび各カテゴリにスコア（第1軸スコア、第2軸スコアなど）を割り当てます。

ステップ4：散布図（バイプロット）の描画とクラスタリング

横軸に第1軸、縦軸に第2軸を設定し、カテゴリとサンプルを同一平面上に布置します。近くに位置する項目群をグルーピングし、各グループの属性や意味合いを言語化していきます。

【現場検証】データアナリストが陥る「固有値解釈」と解釈の盲点

数量化III類を実行した際、多くの初学者が直面するのが「固有値（Eigenvalue）と寄与率の解釈」です。ツールが出力した数値を鵜呑みにすると、重大な誤解を招く恐れがあります。

1. 固有値の大きさと採用すべき次元数

数量化III類における固有値は、その軸（次元）が持つ「相関の強さ」を表し、最大値は1.0となります。通常、固有値が大きい順に「第1軸」「第2軸」と並びます。

一般的な目安として、固有値が0.2〜0.3以上であれば、その軸は解釈に値する明確な構造を捉えていると判断されます。逆に、固有値が極端に小さい（0.1未満）軸はノイズである可能性が高く、無理に3次元以上のマップを描画しても解釈を混乱させるだけです。多くの場合、第1軸と第2軸の2次元平面で累積寄与率が十分かを確認します。

2. 馬蹄効果（Guttman effect）という最大の罠

現場で頻出する誤謬の一つに「馬蹄効果（ばていこうか）」があります。データが一連の順序構造（たとえば年代順や習熟度順など）を持っている場合、第1軸にその順序がそのまま現れ、第2軸には第1軸の二次関数的な歪みが反映されて、プロット全体がU字型や馬の蹄（ひづめ）のようなカーブを描く現象です。

この場合、第2軸には独立した新しい意味（情報）が存在しないにもかかわらず、「第2軸の上にある項目と下にある項目の違い」を無理やり意味付けようとして誤った意思決定を下してしまうケースが後を絶ちません。プロットがきれいな放物線を描いている際は、実質的に「1次元のグラデーション情報」しか存在しない可能性を疑う必要があります。

一般に知られていない盲点とネットの誤解

ネット上の簡易解説や初心者向け記事では、「近くにある項目同士は関連が強い」と単純化されがちですが、これには数学的な落とし穴が潜んでいます。

「原点（0, 0）付近にある項目の解釈」には細心の注意を払わなければなりません。
原点近くに布置されたカテゴリは、「互いに強い共通点を持っている」のではなく、「どのグループにも属さない平均的な項目（または回答率が全体に広く分散している項目）」であることが大半です。原点付近の密集を「親密なクラスタ」と誤認することは、ポジショニング分析における致命的なミスにつながります。

また、サンプル（人）のプロットとカテゴリ（項目）のプロットを直接比較する際の距離についても誤解が見られます。両者のスコアは同一平面上に正規化されて配置されますが、数学的なスケール基準が異なるため、「ある人物とある選択肢が完全に重なっているからといって、その選択肢だけを選んだ人物とは限らない」という前提を忘れてはなりません。

【プロの結論】数量化III類を活用すべき現場と避けるべきシチュエーション

多変量解析は「適切な道具を適切な課題に当てる」ことがすべてです。プロジェクトの性質に応じて、数量化III類の適用可否を冷静に見極める必要があります。

数量化III類が絶大な威力を発揮するシチュエーション

• ブランドイメージ調査：「高級感がある」「親しみやすい」「機能的」といった複数選択項目から、競合他社とのポジション差を2次元マップで直感的に役員層へ提示したい場合。
• 生活者価値観セグメンテーション：アンケートのライフスタイル設問（数十項目）から、顧客層がどのような価値観グループに分かれるかを探索的に把握したい場合。
• Webサイトの行動ログ分析：閲覧カテゴリの組み合わせパターンから、ユーザーの行動嗜好を可視化したい場合。

数量化III類を避けるべき・慎重になるべきシチュエーション

• 「売上を伸ばす要因」などの因果関係・ドライバーを特定したい場合：数量化III類は目的変数を持たない「構造の要約」に過ぎません。特定のKPIへの影響度を測るなら、数量化I類や重回帰分析、ロジスティック回帰分析を採用すべきです。
• 入力データの大部分が連続値（金額・時間・スコア評価）である場合：数値を無理やりビン分割（カテゴリ化）して数量化III類にかけると情報量が欠落します。素直に主成分分析（PCA）や因子分析を選択してください。
• 厳密な仮説検証や統計的有意差を証明したい場合：探索的データ解析のツールであるため、マップ上の位置関係だけで「統計的に有意な差がある」と断定することはできません。カイ二乗検定などの推測統計と併用する必要があります。

【数量化III類】に関するよくある質問（FAQ）

Q1：数量化III類とコレスポンデンス分析は、どちらを使うべきですか？
A1：基本的に得られる分析結果は同じです。国内のマーケティング報告書や既存の業務フォーマットで「数量化III類」という用語が浸透している場合はその呼称を用い、Python（princeライブラリ）やR（MASS、FactoMineR）といったグローバルな統計環境で実装する場合は「多重対応分析（MCA / Correspondence Analysis）」の関数を利用するのが実務的です。

Q2：アンケートの回答者数が少なくても分析できますか？
A2：サンプル数が極端に少ない（数十件程度）場合、特定の回答者の特異な選択パターンに軸全体が強く引っ張られ、結果が不安定になります。信頼性のあるポジショニングマップを作成するには、最低でも100サンプル以上、可能であれば300〜500サンプル以上のデータを確保することが推奨されます。

Q3：第1軸と第2軸の「軸の名称」はどうやって決めるのですか？
A3：軸の命名はアルゴリズムが自動で行うものではなく、アナリストの文脈理解（ドメイン知識）に基づいて決定します。第1軸の正の方向に「伝統的」「信頼」、負の方向に「革新」「先進」といった項目が集まっていれば、「歴史・先進性軸」と名付けるなど、両端に位置するカテゴリの特性を対比させて命名します。

まとめ：質的データ分析を武器にするための実践指針

数量化III類は、数字として測定しにくい定性情報やアンケートの回答群を、誰が見ても直感的に理解できる「マップ」へと変換する優れた手法です。

しかし、美しいグラフを出力すること自体が目的ではありません。重要なのは、「データの背後にあるユーザー心理や市場の歪みをどう読み解き、事業の意思決定に繋げるか」です。固有値の妥当性を確認し、馬蹄効果などの罠を回避しながら、現場の定性的な実感と統計的な裏付けを融合させることが、データ分析を成功に導く唯一の道となります。 （出典: 数量 化 三 類（Yahoo!ニュース））