アンケートの標本サイズ（サンプルサイズ）の仕組み

アンケートの標本サイズ（サンプルサイズ）とは、調査の対象である母集団を正確に代表するために必要な完了した回答数を指します。調査においては、標本サイズの定義が推定値の精度にも関係します。その理由は、標本サイズと母集団の関係や、許容誤差、信頼水準などの要素が統計的有意性を左右するためです。

標本サイズを明確に設定することで、データのパターンをどれだけ確信を持って解釈できるか、また結果を調査対象全体に一般化できるかどうかがわかります。

このガイドでは、標本サイズの基本やアンケートに必要な標本サイズの決め方、標本サイズの計算方法を解説します。簡単なフィードバック調査から本格的な調査研究まで、幅広く役立つ内容です。

標本サイズとは、調査の対象である母集団を正確に代表するために必要な、完了した回答数を指します。標本サイズには、対象となる母集団の範囲や、推定値に求める精度が反映されます。標本サイズが適切であれば、ランダムなばらつきによるのではない、統計的に有意な結果が得られます。

理想的な標本サイズは、母集団のサイズ、許容誤差、信頼水準などの要素によって決まります。多くのチームは、標準的な設定をいくつか用意し、標本サイズ計算ツールを使って必要な完了回答数を確認しています。明確な入力値と一貫した方法が、あらゆる対象や用途で信頼性の高いアンケート調査を行うための土台となります。

標本サイズを計算する前に、回答率や完了率との関係を理解しておくことが大切です。

たとえば、1,000人の集団に対してアンケートを送信し、そのうち400人がアンケートを開いた場合、回答率は40%です。ただし、アンケートを開いた人全員が回答を完了することはまずありません。アンケートを開いた400人のうち、回答を実際に終えて送信した人が200人だけだった場合、完了率は50%になります。

回答率や完了率は、標本サイズを直接決めるものではありませんが、目標とする完了回答数を得るために必要な招待者数を左右する要素です。回答率と完了率を考慮することで、最終的な標本が母集団を適切に代表したものになり、信頼性と統計的有意性の高い調査結果を得るのに役立ちます。

アンケートの標本サイズは、代表したい母集団のサイズ、許容誤差、必要な信頼水準という3つの入力値によって決まります。これらの設定を組み合わせることで、統計的に有意な差を検出するために必要な標本サイズが算出できます。標本サイズ計算ツールを使う際に、入力値が明確なほど、必要な完了回答数が簡単に確認できます。

母集団とは、調査結果に反映させたいグループの全体を指します。母集団のサイズが大きい場合、必要な標本サイズは一定の水準で頭打ちとなります。目安として10万人を超える母集団では、サイズがいくら大きくなっても必要な完了回答数はほぼ変わりません。予定している標本が母集団の約5%以上にあたる場合は、有限母集団修正（FPC）を適用して、必要な完了回答数をやや少なめに調整するのが一般的です。

許容誤差は、推定値がどの程度正確でなければならないかを示します。±5％から始めるのが一般的ですが、重要な意思決定の場合は、ばらつきを抑えるため±3％まで絞ることもあります。許容誤差が小さいほど標本サイズが大きくなり、不確実性を抑えた結果が得られます。

信頼水準は、別の標本で同じアンケートを実施した場合に、どのくらいの確率で同様の結果が得られるかを示します。よく使われるのは95%の信頼水準ですが、スピードを重視するなら90%にして必要な完了回答数を減らすことができます。99%を選べば確実性がさらに高まりますが、信頼水準が高いほど必要な標本サイズは大きくなります。これらの設定が組み合わさって、統計的に有意なアンケートの標本サイズが決まります。

アンケートに適した標本サイズを計算する最も迅速な方法は、標本サイズ計算ツールを使うことです。母集団、許容誤差、信頼水準を入力するだけで、統計的に信頼できる結果を得るために必要な完了した回答数が算出されます。

計算に使われる式を確認したい方のために、標準的な標本サイズの計算式をご紹介します。

例:

母集団が1,000万人、信頼水準が95%（z = 1.96）、許容誤差が±5%（E = 0.05）、p = 0.5の場合、計算式は次のようになります。

n ≈ 384.16

この設定で1,000万人の母集団に対する結果を推定するには、上記の数値を切り上げて385件の完了した回答が必要になります。標本サイズ計算ツールでこの数値を確認したり、別のシナリオを試したりできます。必要な精度に応じて入力値を調整しましょう。

目標とする標本サイズが決まったら、参加者を無作為に選ぶ方法が必要です。手軽な方法としては、選択バイアスを避けるためにExcelで無作為標本を作成し、アンケートの送信先をランダムに選定する方法があります。

アンケートに必要な回答者数をすばやく推定したいときは、こちらの表をご活用ください。準備するのは、対象となる母集団の人数と、希望する許容誤差（3～10%）だけです。特に指定がない限り、最小完了回答数は信頼水準95%と50%の確率分布（p = 0.5）を前提として計算されます。

*割合は、3%、5%、10%の許容誤差を示します。

たとえば、医学研究を行う場合の許容誤差は、3%など厳しめに設定設定すると良いでしょう。顧客満足度アンケートの標本サイズを選択する場合の許容誤差は、10%など高めの値に設定すると良いでしょう。

適切な標本サイズは、結果に求める精度や、母集団の多様性、意思決定のリスクレベルによって異なります。標本が大きいと許容誤差が小さくなり、信頼性が高くなるため、サブグループ分析に有利です。しかし必ずしも大きい方が良いわけではありません。調査の目的によっては、特定の標本サイズにこだわるよりも、質的なフィードバックや参加状況の方が重要な場合もあります。

ここで、標本サイズが大きな違いをもたらすケースとそうでないケースをご紹介しましょう。

医療研究や政策調査、安全性に関わる変更など、精度が特に重要なケースでは、一般的に標本サイズを大きくし、許容誤差を±3％程度まで絞り、少なくとも95％の信頼水準を使用することが推奨されます。

このような設定にすると、ばらつきを抑え、推定値に母集団全体を反映させることができます。理想的な手法は、各人が既知の確率で選ばれる確率サンプリングです。それにより、厳密な推論が可能な結果が得られます。

新規市場への参入や価格調査、ブランド調査といった意思決定では、中規模から大規模の標本サイズを使えば、地域・デモグラフィック・顧客タイプでセグメント化できる結果が得られます。

母集団の多様性が高く、年齢や地域、収入などの属性に差があればあるほど、すべてのサブグループを反映させるためにより多くの完了回答数が必要になります。許容誤差が±3～5%程度であれば、このレベルの分析を十分にサポートできます。

対象が少人数で明確に定義されている場合（たとえば、20〜100人程度のイベント参加者、ユーザビリティーテストのテスターなど）は、大きな標本サイズを求める必要はありません。多くの場合、文章でのフィードバックや自由回答、エンゲージメントの傾向が、特定の標本サイズを達成したとき以上の価値をもたらしてくれます。

バイアスが生じる可能性に注意を払っている限り、通常は、全数調査はもちろんのこと、実用的な非確率的サンプリングで十分です。

どのようなケースでも標本サイズには限界効用があり、母集団のサイズが一定以上になると、必要なサンプルサイズは頭打ちになります。算出された標本サイズが大きな割合になった場合のみ、有限母集団修正を加えて調整します。

サンプリングの設計は、アンケート回答者の選び方を決めるもので、代表性のあるサンプルと信頼性の高い結果が得られるかどうかを左右します。適切な設計により、サンプリングバイアスを減らし、母集団を正しく反映した標本を実現することができます。

サンプリング手法は、大きく分けて確率的サンプリングと非確率的サンプリングの2種類があり、それぞれに代表的な手法が存在します。

確率的サンプリングは、母集団の全員が既知の確率で選ばれる手法です。これは、代表性の高いサンプルを作成する基本的な手法であり、強力な推論や、サンプリングバイアスの軽減を可能にします。

代表的な確率的サンプリング手法は4種類あり、それぞれ異なる調査ニーズに適しています。

単純無作為抽出法では、母集団の全員が等しい確率で選ばれます。抽選や乱数ジェネレーターを用いるのが一般的です。この手法は、選択バイアスを最小限に抑える一方で、全員を正確に網羅したリストが必要なため、大規模な母集団や分散したグループでは実現が難しくなります。

系統抽出法は、リストの中から50人ごとに1人、というように一定の間隔で対象者を選ぶ手法です。すばやく効率的に実施でき、特に順番に並んだデータに最適です。ただし、リスト内に隠れているパターンが選択の間隔と一致した場合（たとえば、50人ごとに共通した属性を持つ人がリストされているなど）、予期しないバイアスが生じる可能性があります。

層化抽出法は、母集団を年齢層や地域、顧客タイプなど、意味のあるサブグループに分け、それぞれのグループ内で無作為抽出を行う方法です。ターゲット層の多様性を反映した標本が必要な場合、つまり標本にサブグループがすべて代表されていることが重要な場合に特に有効です。その分、各層に関する正確な情報を用意し、実施を丁寧に計画する必要があります。

クラスターサンプリングは、母集団を地域や学校、店舗などのクラスター（集団）に分け、そこから無作為にいくつかのクラスターを選び、その中の全員にアンケートを行う手法です。これは、母集団が大規模で広範囲に分散している場合に実用的かつコスト効率が良い手法ですが、クラスター間に大きな差があるとサンプリングエラーが増加する可能性があります。

非確率的サンプリングは、母集団の全員が等しい確率や既知の確率で選ばれない場合に用いる手法です。確率的手法よりもスピーディーで柔軟、かつ低コストですが、サンプリングバイアスのリスクが高くなります。選択が無作為でないため、調査結果が母集団全体を必ずしも正確に代表するとは限りません。

非確率的サンプリングの代表的な5つの手法と、それを使用する場面をご紹介します。

コンビニエンスサンプリングは、メーリングリストに登録している顧客やWebサイトの訪問者など、アクセスしやすい人から回答を集める手法です。手軽でコスト効率も高いため、探索的な調査や初期のフィードバックなどに適しています。ただし、アクセスのしやすさに基づいて自発的に選択された回答者であるため、そこから得た意見は、母集団全体を十分に反映しない可能性があります。

有意抽出法では、調査に関連した属性や専門知識を持つ人を選択します。この手法は、幅の広さよりも深さを重視する質的調査で主に使用されます。たとえば、製品の専門家や長年の顧客にインタビューする場合などです。ただし、調査者の判断で参加者が決まるため、バイアスが生じるリスクがあります。

応募法は、WebサイトやSNSのリンクなどから自主的にアンケートに参加してくれる人を回答者とする手法です。手軽に実施でき、短時間で回答が集まりますが、参加意欲が高い人（大いに満足している人、大いに不満な人など）が多く集まり、歪んだ結果につながる可能性があります。

スノーボールサンプリングは、少人数の参加者で調査の実施から始めて、その参加者に交友関係を通じて次の参加者を紹介してもらう手法です。対象範囲が自然に広がるため、ニッチ層やアクセスが難しい母集団の調査に有効です。ただし、似た特徴を持つ人が交友関係を形成することが多いため、標本内の意見の多様性は低くなりがちです。

割当抽出法は、母集団を年齢・性別・地域などのカテゴリに分け、各カテゴリごとに決まった件数まで回答を集める手法です。デモグラフィックのバランスを迅速に整えるのに役立ちますが、各カテゴリ内の参加者が無作為に選ばれるわけではないため、選択バイアスの影響が完全には排除されません。

標本サイズを決めかねているなら、専門家によるサンプリング設計からターゲット市場へのリーチまで、次のステップに合ったツールを選びましょう。

適切な標本サイズを決めるのに、高度な統計の知識は必要ありません。明確な入力値をいくつか用意し、簡単な確認を行えば十分です。まずは一般的な信頼水準（95%）と許容誤差（±5%）を使い、結果に求める精度に応じて値を調整しましょう。母集団・信頼水準・許容誤差が決まったら、標本サイズ計算ツールを使って最低限必要な完了回答数を確認します。

準備ができたら、無料で始めてアンケートを簡単に作成できます。検証済みの回答者や特定のデモグラフィック属性を持つ回答者が必要な場合は、SurveyMonkey Audienceを利用すれば、品質管理機能が組み込まれているため、条件に合った参加者にリーチして信頼性の高い結果を得ることができます。