第二種の過誤 (G検定)

2026年8月12日2026年9月2日

G検定

1. 定義と概要

第二種の過誤とは、統計的仮説検定（データをもとに「差がある」「効果がある」といった主張が統計的に正しそうかを判定する手法）において、帰無仮説が本当は誤っているのに、それを棄却せず「差がない」と判定してしまう誤りです。

帰無仮説とは、「差がない」「効果がない」など、検定でいったん正しいと仮定して検証対象にする仮説を指します。対立仮説とは、帰無仮説に対して立てる、本来主張したい仮説です。第二種の過誤が起こる確率はβ（ベータ）で表され、1-βは検出力（power、本当に差がある・効果があるときにそれを正しく検出できる力）と呼ばれます。

機械学習の分類問題では、この誤りは混同行列（分類モデルの予測結果と実際の正解を、真陽性・真陰性・偽陽性・偽陰性の4パターンに整理した表）における偽陰性（FN）に対応します。偽陰性とは、本当は陽性のものを誤って陰性と判定してしまう見逃しのことです。具体例としては、がん検診で実際に病変があるのに「異常なし」と判定してしまう見逃しが挙げられます。

統計的仮説検定は、帰無仮説を検証の出発点に置き、データから棄却できるかを判断する枠組みです。検定には必ず誤りの可能性が伴います。本当は差がないのに「差がある」と判定する誤りは第一種の過誤（確率α）と呼ばれ、本当は差があるのに「差がない」と判定する誤りは第二種の過誤（確率β）と呼ばれます。

両者はトレードオフの関係にあり、有意水準αを厳しく（小さく）設定するほど、第二種の過誤の確率βは増加します。機械学習の分類タスクにも同じ構造があり、判定の閾値（陽性か陰性かを判定する境目となる値）を変えると偽陽性と偽陰性の数量関係もトレードオフで変化します。G検定ではこの統計学的な背景と、混同行列・評価指標の対応関係をあわせて理解しておきたいところです。

2. 試験対策ポイント

理解するうえで中心になるのは、第二種の過誤と偽陰性（FN）の対応関係です。第二種の過誤は偽陰性（FN）にあたり、いわば見逃しを意味します。確率はβで表され、1-βは検出力です。

対になる第一種の過誤は偽陽性（FP、本当は差がない・陰性なのに「差がある・陽性」と誤って判定してしまう誤り）にあたり、いわば誤検知を意味します。第一種の過誤が起こる確率はα（有意水準）で表されます。この対応は「あわてんぼうのα（第一種）・ぼんやりのβ（第二種）」という語呂で対比されることがあります。

混同行列の4象限との対応も重要な論点です。真陽性（TP）・真陰性（TN）・偽陽性（FP＝第一種の過誤）・偽陰性（FN＝第二種の過誤）の4パターンから、次の評価指標が導かれます。

指標	計算式	どちらの過誤の少なさを測るか
正解率（Accuracy）	（TP+TN）÷全体	両方をまとめて扱う
適合率（Precision）	TP÷（TP+FP）	第一種の過誤（FP）
再現率（Recall）	TP÷（TP+FN）	第二種の過誤（FN）
F値	適合率と再現率の調和平均	両者のバランス

適合率は陽性と予測したもののうち実際に陽性だった割合、再現率は実際に陽性であるもののうち正しく陽性と見つけられた割合です。F値の調和平均とは、それぞれの逆数の平均をとる平均のとり方を指します。

再現率はFN（第二種の過誤）の少なさを測る指標で、適合率はFP（第一種の過誤）の少なさを測る指標という対応関係は取り違えやすい点です。どちらの過誤を優先的に避けたいかによって、重視する指標が変わります。

第一種の過誤と第二種の過誤はトレードオフの関係にあり、片方の確率を下げるともう片方の確率が上がります。両方を同時に減らすには、サンプルサイズを増やすなど、モデルやデータ自体の改善が必要になるという点も押さえておきたいポイントです。

3. 関連概念との比較・相違点

第一種の過誤との最大の違いは、誤判定の向きにあります。第一種の過誤は本当は差がない・陰性なのに「差がある・陽性」と誤判定する誤りで偽陽性（FP）にあたり、第二種の過誤は本当は差がある・陽性なのに「差がない・陰性」と誤判定する誤りで偽陰性（FN）にあたります。

たとえば、がん検診で本当は健康なのに「異常あり」と判定してしまうのが第一種の過誤、本当は病変があるのに「異常なし」と判定してしまうのが第二種の過誤にあたり、判定が外れる方向がちょうど逆になっています。

偽陰性（混同行列）との違いは、指している場面のレイヤーにあります。第二種の過誤は統計的仮説検定で使われる用語で、偽陰性（FN）は混同行列や機械学習の評価指標で使われる用語です。両者が指している誤りの構造は同一です。

たとえば同じ「見逃し」という現象でも、統計的仮説検定の文脈で語るときは第二種の過誤、分類モデルの評価指標として語るときは偽陰性と呼び分けます。

再現率との最大の違いは、誤りそのものを指すか、誤りの少なさを測る指標かという点にあります。再現率はFN（第二種の過誤）が少ないほど高くなる指標です。再現率の高さは、第二種の過誤の少なさを表します。再現率を高く保つ設計にするほど、その分だけ第二種の過誤の発生を抑えられているとみなせます。

4. ビジネス・実務での活用シナリオ

医療分野のがん検診AIでは、実際に病変があるのに「異常なし」と判定してしまう見逃し（第二種の過誤）が患者の生命に関わります。そのため、多少の誤検知（第一種の過誤）を許容しても再現率を優先し、見逃しを最小化する設計が採られます。見逃しを防ぐことを優先する分、偽陽性による再検査は増える可能性がありますが、病変の見逃しを防ぐ効果のほうが優先される傾向にあります。

工場の異常検知を担う品質検査では、不良品を良品と判定してしまう見逃し（第二種の過誤）が出荷後のクレームや事故につながります。検査ラインでは、この第二種の過誤を抑える閾値設定が優先されることが多くあります。見逃しを抑える設計にする分、良品を不良品と誤判定してしまう第一種の過誤が増える可能性もありますが、出荷後の事故を防ぐ観点から許容される傾向にあります。

マーケティングのA/Bテスト（施策の効果を比較検証する実験手法）では、施策に本当は効果があるのに、サンプルサイズ不足で「効果なし」と判定してしまう第二種の過誤が起きやすくなります。十分なサンプルサイズと検出力（1-β）の確保が、実務上の論点になります。サンプルサイズを十分に確保することで、本当は効果があるのに見逃してしまう事態を防げます。