乱塊法・ラテン方格｜統計検定テキスト

📊 対象級：準1級　|　重要度：B（標準）

要点（BLUF）

実験計画における**局所管理（フィッシャーの3原則の第3原則）**を、具体的な配置として実装したのが乱塊法とラテン方格です。

\boxed{\;S_T = S_{\text{処理}} + S_{\text{ブロック}} + S_E\quad\text{（乱塊法）}\;}

\boxed{\;S_T = S_{\text{行}} + S_{\text{列}} + S_{\text{処理}} + S_E\quad\text{（ラテン方格）}\;}

要するに「誤差として一括処理していたばらつきを、ブロック変動（または行・列変動）として切り出すことで、真の誤差分散を小さくし、処理効果を検出しやすくする」のが両手法の共通ロジックです。

乱塊法：1方向のブロック制御。二元配置分散分析（分散分析準1級部分）として解析できる。
ラテン方格：2方向（行・列）同時制御。 $k \times k$ 配置で $k^2$ 回の実験。交互作用は仮定しない。

1. 乱塊法（Randomized Block Design）

1-1. 設定と配置の発想

乱塊法とは何か。 処理因子（興味ある要因）とは別に、実験結果に影響しうる外乱因子が既知のとき、その外乱因子でブロックを作り、ブロック内で処理をランダムに割り付ける実験配置です。

局所管理の実装という観点から言えば、「環境の均一な区画（ブロック）を作り、その中で無作為化する」ことで、ブロック間の環境差を処理の比較から切り離せます。

記号の定義。

記号	意味
$a$	処理の水準数（比較したい群の数）
$b$	ブロックの数
$N = ab$	全観測数（各ブロックに各処理を1回ずつ）
$x_{ij}$	第 $i$ 処理・第 $j$ ブロックの観測値
$\bar{x}_{i\cdot}$	第 $i$ 処理の平均
$\bar{x}_{\cdot j}$	第 $j$ ブロックの平均
$\bar{x}$	全体の総平均

⚠️ 乱塊法では通常、各ブロック内で各処理を1回ずつ行います（繰り返しなし）。ブロック×処理のセルに1観測のみです。

1-2. 線形モデル

乱塊法のデータ生成モデルは次の式で書けます。

x_{ij} = \mu + \alpha_i + \beta_j + \varepsilon_{ij}

項	意味
$\mu$	総平均
$\alpha_i$	第 $i$ 処理の主効果（ $\sum_i \alpha_i = 0$ ）
$\beta_j$	第 $j$ ブロックの主効果（ $\sum_j \beta_j = 0$ ）
$\varepsilon_{ij}$	誤差（ $\sim N(0, \sigma^2)$ 、独立）

要するに「観測値＝全体平均＋処理の効果＋ブロックの効果＋誤差」です。このモデルには交互作用項がありません。これは乱塊法の標準的な仮定で、「処理効果はどのブロックでも同じ」という前提に相当します。

1-3. 平方和分解の導出

分解の出発点。 各観測の総平均まわりの偏差 $(x_{ij} - \bar{x})$ を3つに分解します。

x_{ij} - \bar{x} = \underbrace{(\bar{x}_{i\cdot} - \bar{x})}_{\text{処理の効果}} + \underbrace{(\bar{x}_{\cdot j} - \bar{x})}_{\text{ブロックの効果}} + \underbrace{(x_{ij} - \bar{x}_{i\cdot} - \bar{x}_{\cdot j} + \bar{x})}_{\text{残差（誤差）}}

要するに「全体平均からのズレを、処理でどれだけ説明できるか・ブロックでどれだけ説明できるか・それでも残る誤差はいくらか」に分けた、ということです。

2乗して総和を取る。 この恒等式を2乗し、 $i=1,\dots,a$ ・ $j=1,\dots,b$ で総和を取ります。クロス項（積の2倍）が消えることを確認します。

処理とブロックのクロス項：

\sum_i \sum_j (\bar{x}_{i\cdot} - \bar{x})(\bar{x}_{\cdot j} - \bar{x}) = \left(\sum_i (\bar{x}_{i\cdot} - \bar{x})\right)\left(\sum_j (\bar{x}_{\cdot j} - \bar{x})\right) = 0 \times 0 = 0

各平均の定義から偏差の和は0になるため、クロス項はすべて消えます。一元配置で見た「平均まわりの偏差の和＝0」（分散分析参照）と同じ論理です。よって、

\boxed{\;S_T = S_{\text{処理}} + S_{\text{ブロック}} + S_E\;}

各平方和の式は次の通りです。

S_T = \sum_{i=1}^{a}\sum_{j=1}^{b}(x_{ij} - \bar{x})^2

S_{\text{処理}} = b\sum_{i=1}^{a}(\bar{x}_{i\cdot} - \bar{x})^2 \quad\text{（処理平均が全体平均からどれだけ散らばるか）}

S_{\text{ブロック}} = a\sum_{j=1}^{b}(\bar{x}_{\cdot j} - \bar{x})^2 \quad\text{（ブロック平均が全体平均からどれだけ散らばるか）}

S_E = S_T - S_{\text{処理}} - S_{\text{ブロック}}

ブロックを設けることで誤差が小さくなる理由。 もし乱塊法を使わず一元配置で分析したとすると、ブロック変動 $S_{\text{ブロック}}$ は「群内変動（誤差）」に混入します。乱塊法では $S_{\text{ブロック}}$ をきちんと切り出すので、残る誤差 $S_E$ がその分だけ小さくなります。誤差が小さくなれば $V_E = S_E / \phi_E$ が小さくなり、F値（ $= V_{\text{処理}} / V_E$ ）が大きくなって検出力が上がります。これが乱塊法を使う実質的な利益です。

1-4. 自由度の分解

\underbrace{N-1}_{\phi_T} = \underbrace{(a-1)}_{\phi_{\text{処理}}} + \underbrace{(b-1)}_{\phi_{\text{ブロック}}} + \underbrace{(a-1)(b-1)}_{\phi_E}

総自由度 $N-1 = ab - 1$ ： $N$ 個のデータが総平均1個に縛られる。
処理自由度 $a-1$ ： $a$ 個の処理平均が総平均1個に縛られる。
ブロック自由度 $b-1$ ： $b$ 個のブロック平均が総平均1個に縛られる。
誤差自由度 $(a-1)(b-1)$ ：残りの自由度。繰り返しがないため、セルの内側（純粋な誤差）は直接測れず、この数しか残らない。

検算： $(a-1) + (b-1) + (a-1)(b-1) = a - 1 + b - 1 + ab - a - b + 1 = ab - 1 = N-1$ 。成立します。

1-5. 分散分析表（乱塊法）

変動要因	平方和 $S$	自由度 $\phi$	平均平方 $V$	F値
処理	$S_{\text{処理}}$	$a-1$	$V_{\text{処理}} = \dfrac{S_{\text{処理}}}{a-1}$	$\dfrac{V_{\text{処理}}}{V_E}$
ブロック	$S_{\text{ブロック}}$	$b-1$	$V_{\text{ブロック}} = \dfrac{S_{\text{ブロック}}}{b-1}$	（参考値）
誤差 $E$	$S_E$	$(a-1)(b-1)$	$V_E = \dfrac{S_E}{(a-1)(b-1)}$
全体 $T$	$S_T$	$ab-1$

⚠️ ブロック行のF値は「参考値」と表記しました。ブロックは処理効果を分離するために設けた層別変数であり、「ブロック間に差があるか」という仮説検定が主目的ではないからです（ブロックは興味の対象ではなく、誤差を削るための道具）。

1-6. 二元配置分散分析との関係

乱塊法は「処理 $\times$ ブロック」を2因子とした繰り返しなし二元配置分散分析として解析できます（分散分析準1級部分の「繰り返しなし（ $r=1$ ）」に対応）。モデル式・平方和・自由度がまったく同じです。違いは解釈だけで、一方の因子を「処理（興味ある因子）」、もう一方を「ブロック（誤差を削るための層別）」と見るかどうかです。

graph TD
    RBD["乱塊法\n（Randomized Block Design）"]
    TWO["繰り返しなし二元配置\n分散分析"]
    RBD -- "解析は同じ" --> TWO
    TWO -- "一方の因子を\nブロックとして解釈" --> RBD
    TWO --> TREAT["処理因子（A）\n自由度：a-1"]
    TWO --> BLOCK["ブロック因子（B）\n自由度：b-1"]
    TWO --> ERR["誤差\n自由度：(a-1)(b-1)"]

2. ラテン方格（Latin Square Design）

2-1. 発想と配置

乱塊法が「1方向の局所管理」なのに対し、ラテン方格は2方向同時の局所管理です。「行方向の外乱」と「列方向の外乱」の両方をブロックとして取り込み、少ない実験回数で処理効果を分離します。

ラテン方格の定義。 $k \times k$ のマス目に $k$ 種類の記号（処理）を、各行に1回・各列に1回ずつ現れるように並べた配置です。 $k=3$ の例：

graph LR
    subgraph "3×3 ラテン方格（A・B・Cが各行各列に1回ずつ）"
    R1["行1：A　B　C"]
    R2["行2：B　C　A"]
    R3["行3：C　A　B"]
    end

実験回数は $k^2$ 回。完全配置なら $k$ 水準× $k$ 水準× $k$ 水準 $= k^3$ 回必要なところを、 $k^2$ 回に削減できます。たとえば $k=4$ なら 64回 → 16回です。

直交性（各変動源が互いに独立である根拠）。 ラテン方格の「各行各列に1回ずつ」という構造により、行・列・処理の3つの変動源が互いに直交します。直交しているとは「一方の変動を固定して見たとき、他の変動の和がキャンセルされる」ことを意味します。これが平方和を独立に分解できる根拠です。

2-2. 線形モデル

x_{ijk} = \mu + \alpha_i + \beta_j + \gamma_k + \varepsilon_{ijk}

項	意味
$\mu$	総平均
$\alpha_i$	第 $i$ 行の効果（ $\sum_i \alpha_i = 0$ ）
$\beta_j$	第 $j$ 列の効果（ $\sum_j \beta_j = 0$ ）
$\gamma_k$	第 $k$ 処理の効果（ $\sum_k \gamma_k = 0$ ）
$\varepsilon_{ijk}$	誤差（ $\sim N(0, \sigma^2)$ 、独立）

要するに「観測値＝全体平均＋行の効果＋列の効果＋処理の効果＋誤差」というモデルです。

⚠️ このモデルには行×列、行×処理、列×処理などの交互作用項がありません。ラテン方格は「交互作用は無視できる（または存在しない）」という前提のもとで使う設計です。

2-3. 平方和分解の導出

乱塊法と同じ手順で、総偏差を4つに分解します。

x_{ijk} - \bar{x} = \underbrace{(\bar{x}_{i\cdot\cdot} - \bar{x})}_{\text{行効果}} + \underbrace{(\bar{x}_{\cdot j\cdot} - \bar{x})}_{\text{列効果}} + \underbrace{(\bar{x}_{\cdot\cdot k} - \bar{x})}_{\text{処理効果}} + \underbrace{\text{残差}}_{\text{誤差}}

ここで：

$\bar{x}_{i\cdot\cdot}$ ：第 $i$ 行の平均
$\bar{x}_{\cdot j\cdot}$ ：第 $j$ 列の平均
$\bar{x}_{\cdot\cdot k}$ ：第 $k$ 処理の平均

各偏差の和は定義から0になるため、クロス項はすべて消えます（乱塊法の場合と同じ論理）。よって、

\boxed{\;S_T = S_{\text{行}} + S_{\text{列}} + S_{\text{処理}} + S_E\;}

各平方和の式：

S_T = \sum_{i}\sum_{j}(x_{ijk} - \bar{x})^2 \quad\text{（全 } k^2 \text{ 観測の総平方和）}

S_{\text{行}} = k\sum_{i=1}^{k}(\bar{x}_{i\cdot\cdot} - \bar{x})^2, \quad S_{\text{列}} = k\sum_{j=1}^{k}(\bar{x}_{\cdot j\cdot} - \bar{x})^2, \quad S_{\text{処理}} = k\sum_{k'=1}^{k}(\bar{x}_{\cdot\cdot k'} - \bar{x})^2

S_E = S_T - S_{\text{行}} - S_{\text{列}} - S_{\text{処理}}

要するに「総変動から行・列・処理の変動を差し引いた残り」が誤差です。交互作用が存在するとしたらそれも誤差に混入しますが、ラテン方格ではそれを「ない」と仮定して $S_E$ を純粋な誤差とみなします。

2-4. 自由度の分解

全観測数は $k^2$ なので、

\underbrace{k^2 - 1}_{\phi_T} = \underbrace{(k-1)}_{\phi_{\text{行}}} + \underbrace{(k-1)}_{\phi_{\text{列}}} + \underbrace{(k-1)}_{\phi_{\text{処理}}} + \underbrace{(k-1)(k-2)}_{\phi_E}

誤差自由度 $(k-1)(k-2)$ の導出。

\phi_E = (k^2 - 1) - 3(k-1) = k^2 - 1 - 3k + 3 = k^2 - 3k + 2 = (k-1)(k-2)

要するに、総自由度から行・列・処理の自由度を3つ分引けば残りが誤差自由度です。

実用上の注意点。 $k=3$ のとき $\phi_E = (3-1)(3-2) = 2$ 。これは非常に小さく、F分布の臨界値が大きくなって検出力が下がります。ラテン方格の実用推奨は $k \ge 5$ が多いのはこのためです。 $k=2$ では $\phi_E = 0$ となり分析不能になります。

2-5. 分散分析表（ラテン方格）

変動要因	平方和 $S$	自由度 $\phi$	平均平方 $V$	F値
行	$S_{\text{行}}$	$k-1$	$V_{\text{行}}$	$V_{\text{行}} / V_E$
列	$S_{\text{列}}$	$k-1$	$V_{\text{列}}$	$V_{\text{列}} / V_E$
処理	$S_{\text{処理}}$	$k-1$	$V_{\text{処理}}$	$V_{\text{処理}} / V_E$
誤差 $E$	$S_E$	$(k-1)(k-2)$	$V_E$
全体 $T$	$S_T$	$k^2 - 1$

⚠️ 自由度の検算： $(k-1)+(k-1)+(k-1)+(k-1)(k-2) = 3(k-1)+(k-1)(k-2) = (k-1)\{3 + k - 2\} = (k-1)(k+1) = k^2 - 1$ 。成立します。

3. 乱塊法・ラテン方格の位置づけ（まとめ図）

flowchart TD
    F3["フィッシャーの3原則\n反復・無作為化・局所管理"]
    F3 --> CRD["完全無作為化法\n（局所管理なし）\n⇒ 一元配置分散分析"]
    F3 --> RBD["乱塊法\n（1方向の局所管理）\n⇒ 繰り返しなし二元配置分散分析\nST = S処理 + Sブロック + SE"]
    F3 --> LS["ラテン方格\n（2方向の局所管理）\n⇒ 3変動源分解\nST = S行 + S列 + S処理 + SE"]
    RBD --> OA["直交表・他の計画"]
    LS --> OA

⚠️ 引っかけポイント・頻出論点

(1) ブロックは「興味ある要因」ではない。 ブロック因子は誤差を削るための層別変数です。「ブロック間に差があるか」を主目的とする検定ではありません。ブロックを「もう1つの処理因子として関心を持つ」のは設計の誤解です。処理因子と混同しないこと。

(2) ラテン方格は交互作用を「仮定しない」ではなく「無視できると前提する」。 ラテン方格の設計では、行×列・行×処理・列×処理の交互作用は存在しない（または無視できるほど小さい）という前提が必要です。交互作用が実は大きい場合、それは $S_E$ に混入し、誤差分散が過大になって（または過小になって）検定が歪みます。「交互作用がないと確信できる」場面でのみ使うべき設計です。

(3) 行・列・処理の3要因が直交していることが前提。 ラテン方格の「各行各列に1回ずつ」という構造が直交性を保証します。この構造を崩した（欠損のある）配置では平方和の独立分解が成り立たなくなります。

(4) ラテン方格の誤差自由度が小さい問題。 $k=3$ では $\phi_E = 2$ で検出力が低く、実用上は $k \ge 5$ が推奨されます。誤差自由度を増やすには「グレコ・ラテン方格」（2つのラテン方格の重ね合わせ）など発展的な計画に進む必要があります（直交表へつながります）。

(5) 乱塊法では誤差自由度が $(a-1)(b-1)$ で繰り返しなし二元配置と同じ。 繰り返しがないため、交互作用と誤差を分離できません。「交互作用がない」という仮定のもとで誤差を $(a-1)(b-1)$ の自由度で推定します。

よくある疑問（Q&A）

Q1. 乱塊法はただの二元配置分散分析と何が違うのですか？

分析手順はまったく同じです。違いは設計の意図と解釈だけです。二元配置の「B因子」を、処理効果を比較するための背景制御（誤差削減）に特化して使うのが乱塊法です。二元配置では両因子とも「その効果に関心がある」のに対し、乱塊法ではブロック因子は「邪魔な変動を取り除く道具」として使います。解析コードを書けば同じコマンドで動きますが、「なぜブロックを設けるか」という設計思想が核心です。

Q2. ラテン方格で交互作用が調べられないのに、使う意味がありますか？

はい、あります。交互作用が存在しないとあらかじめ理論的に言える（または工学的に無視できる）状況では、ラテン方格は「少ない実験回数で2方向の外乱を制御できる」という強い利点を持ちます。 $k^3$ 回必要な完全配置実験を $k^2$ 回に削減しながら、処理効果を分離できます。交互作用が疑われる状況では使わず、完全要因計画または繰り返しのある計画を選ぶべきです。

Q3. 乱塊法の「ブロック内でランダム割り付け」とはどういう意味ですか？

たとえば処理が3種類（A・B・C）でブロックが「実験日」（月・火・水）なら、月曜日に A・B・C をランダムな順序で実施し、火曜日・水曜日でも同様にランダムな順序で実施します。「月曜にAだけやる」ではなく、「月曜の中でA・B・Cをランダムに割り振る」ことが重要です。これが局所管理（ブロック内制御）＋無作為化（ブロック内ランダム）の組み合わせです。

Q4. ブロックを設けたのに処理の検出力が上がるのはなぜですか？

ブロックを設けないと、ブロック間のばらつき（ $S_{\text{ブロック}}$ ）が誤差 $S_E$ に混入します。乱塊法で明示的にブロック効果を切り出すと、残る誤差 $S_E$ が小さくなります。誤差が小さくなれば誤差平均平方 $V_E$ も小さくなり、F値 $= V_{\text{処理}} / V_E$ が大きくなって検定が有意になりやすくなります。「ブロックを設ける＝分母（物差し）を縮める＝処理効果が相対的に際立つ」というメカニズムです。

Q5. ラテン方格の自由度計算がなぜ $(k-1)(k-2)$ になるのですか？

総自由度 $k^2 - 1$ から行・列・処理の各自由度（それぞれ $k-1$ ）を3つ引けば残ります。式で示すと $k^2 - 1 - 3(k-1) = k^2 - 3k + 2 = (k-1)(k-2)$ です。 $k=3$ なら $(2)(1)=2$ 、 $k=4$ なら $(3)(2)=6$ です。行・列・処理の3方向を分離した代償として、誤差に使える自由度が少ない、というのがラテン方格の本質的な制約です。

まとめ

乱塊法はフィッシャーの3原則の局所管理を「ブロック化」として実装した実験配置。ブロック内で処理を無作為割り付けする。
平方和分解： $S_T = S_{\text{処理}} + S_{\text{ブロック}} + S_E$ 。自由度： $\phi_{\text{処理}} = a-1$ 、 $\phi_{\text{ブロック}} = b-1$ 、 $\phi_E = (a-1)(b-1)$ 。
ブロックを設けることで $S_{\text{ブロック}}$ を誤差から切り離し、 $V_E$ を小さくして検出力を上げる。これが乱塊法の実質的な利益。
乱塊法の解析は「繰り返しなし二元配置分散分析」（分散分析準1級部分）と等価。
ラテン方格は行・列の2方向同時制御。 $k \times k$ 配置で各行各列に各処理が1回。実験回数を $k^3$ から $k^2$ に削減。
平方和分解： $S_T = S_{\text{行}} + S_{\text{列}} + S_{\text{処理}} + S_E$ 。誤差自由度： $(k-1)(k-2)$ （ $k=3$ では2と小さい）。
ラテン方格は交互作用なしを前提とする。交互作用が疑われる状況では使わない。
両手法とも「興味のない外乱変動を切り出して誤差を小さくする」という共通ロジックで動いている。より複雑な制御には直交表へ進む。