サンプリング方法と標本サイズの決め方｜無作為・有意抽出と検出力

サンプリング（標本抽出）とは、母集団全体を調査する代わりに、その一部である標本を選び出して調査する手法のことだ。方法は大きく、確率理論に基づいて対象を選ぶ「無作為抽出」と、研究者の判断で対象を選ぶ「有意抽出」の2つに分かれ、量的研究で母集団への一般化を主張したいなら前者、質的研究で特定の経験や文脈を深く理解したいなら後者が原則となる。本記事では、それぞれの具体的な手法と、標本サイズをどう決めるかを研究デザイン別に整理する。

サンプリングとは何か

研究において、調査対象となる集団（母集団）の全員に調査するのが理想だが、時間・費用・アクセスの制約から現実的でないことがほとんどだ。そこで母集団の一部を選び出し、その標本から得られたデータをもとに母集団全体の傾向を推測する。この「一部を選ぶ」手続き全体をサンプリングと呼び、どう選ぶかによって結果の一般化可能性が大きく変わる。卒論・修論で「なぜその対象を選んだのか」を審査で問われるのは、サンプリング方法が研究の妥当性に直結するためだ。

母集団と標本の関係

母集団とは、研究で明らかにしたい対象全体（例：日本の大学4年生全員）を指し、標本とはそこから実際に調査する一部（例：A大学の4年生200名）を指す。標本から得た結果を母集団に一般化できるかどうかは、標本が母集団をどれだけ偏りなく代表しているかにかかっている。母集団の定義や抽出枠（サンプリングフレーム）の作り方自体も検討すべき論点だが、本記事ではその前提のもとで、実際にどう抽出するかという手法と標本サイズの決め方に焦点を当てる。

確率抽出（無作為抽出）の主な方法

確率抽出は、母集団の全ての要素が選ばれる確率をあらかじめ定義できる抽出方法で、統計的な一般化の根拠になる。主な手法は次の4つ。

単純無作為抽出

母集団の全員に通し番号を振り、乱数表や乱数生成ソフトで無作為に対象を選ぶ、最も基本的な方法。母集団名簿が完全に手に入る場合に適しており、標本抽出の教科書的な出発点になる。

層化抽出

母集団を性別・学年・所属学部などの属性（層）に分け、各層から比例配分で無作為に抽出する方法。属性ごとの構成比を標本にも反映させたい場合に使われ、単純無作為抽出より小さい標本サイズで同等の精度を得られることが多い。

クラスター抽出

母集団をクラス・学校・地域などの集団（クラスター）単位に分け、クラスターごと無作為に選んでから、選ばれたクラスター内を悉皆調査する方法。個人単位の名簿がなくてもクラスター単位の名簿があれば実施でき、大規模調査でコストを抑えられる。

系統抽出

母集団名簿に通し番号を振り、開始点を無作為に決めた後、一定の間隔（例：10人おき）で対象を抽出する方法。単純無作為抽出より手続きが簡単で、名簿の並び順に周期的な偏りがない限り、同程度の代表性が期待できる。

非確率抽出（有意抽出）の主な方法

非確率抽出は、選ばれる確率を定義できない代わりに、研究の目的に合わせて対象を意図的に選ぶ方法。統計的な一般化には向かないが、質的研究や探索的研究では標準的な選択肢になる。

便宜的抽出

アクセスしやすい対象（自分の授業の受講生、SNSで応募したモニターなど）を選ぶ方法。手軽だが偏りが大きく、予備調査やパイロットスタディでの利用が中心になる。

スノーボール抽出

最初に見つけた対象者から、同じ条件を満たす知人を紹介してもらい、芋づる式に対象を広げる方法。当事者コミュニティにアクセスしにくい特定の属性（希少な経験を持つ人など）を対象とする質的研究で有効。

目的抽出（有意抽出）

研究テーマに関する豊富な情報を持つと判断した対象を、研究者が意図的に選ぶ方法。質的研究における典型的な対象選定の考え方で、「なぜこの対象者を選んだか」の理由を方法章で明示することが求められる。

研究デザイン別の選び方

量的研究で母集団全体への統計的な一般化を主張したい場合は、確率抽出（無作為抽出）が原則となる。層化抽出やクラスター抽出は、単純無作為抽出が実施しにくい大規模調査で現実的な代替手段になる。一方、質的研究でインタビューやケーススタディを行う場合は、少数の対象を深く理解することが目的であり、目的抽出やスノーボール抽出のような非確率抽出が適している。混合研究法を採用する場合は、量的パートと質的パートでサンプリング方法自体を使い分けることも珍しくない。

標本サイズをどう決めるか

標本サイズの決め方には主に2つのアプローチがある。1つは、母集団の大きさ・信頼水準・許容誤差から逆算する記述統計的なアプローチ。もう1つは、検出したい効果量・有意水準・検出力から逆算する検出力分析（パワーアナリシス）のアプローチだ。前者はアンケート調査などで母集団の割合を推定したい場合、後者は群間の差や相関の有意性を検定したい場合に用いる。

母集団の大きさと許容誤差から必要標本数を試算すると、信頼水準95%・許容誤差5%という一般的な条件下ではおおむね次のような目安になる（コクランの式に基づく理論値）。

上記は母比率50%（最も保守的な想定）を仮定したコクランの式による理論値の目安。実際の調査では想定回収率を踏まえ、目標回収数より多めに配布数を設定する必要がある。

配布数を決める実務例｜回収率を踏まえた計算

必要標本数が算出できても、それをそのまま配布数にしてしまうと、回収率が100%に届かない現実の調査では標本サイズが不足する。例えば必要標本数が300で、想定回収率が40%の調査であれば、配布数は300÷0.4で750が目安になる。想定回収率は、過去の類似調査の実績や、指導教員が過去に扱った調査の回収率を参考に設定するのが現実的で、根拠のない楽観的な回収率（80%など）を前提にすると、締切間際になって標本数不足が発覚するリスクが高まる。

検出力・許容誤差・信頼水準の関係

量的研究で群間比較や相関分析を行う場合、標本サイズは「検出力分析」で決めるのが標準的な考え方だ。検出力とは、実際に存在する効果を統計的に正しく検出できる確率のことで、慣例的に80%以上を確保することが望ましいとされる。検出力は、有意水準（通常5%）、検出したい効果量、標本サイズの3つの関係で決まり、効果量が小さいほど、また検出力を高く設定するほど、必要な標本サイズは大きくなる。G*Powerのような専用ソフトを使えば、これらの数値を入力するだけで必要標本数を算出できる。G*Powerの具体的な操作手順とパラメータの設定例は、英語圏の実務ガイドであるTesifyのサンプルサイズ・検出力分析ガイド（英語）でも、t検定・分散分析・相関分析ごとの具体例つきで解説されている。本記事では「標本サイズは許容誤差だけでなく検出力の観点からも検討すべきだ」という考え方を押さえておきたい。

質問紙調査で抽出時に見落としがちな点

アンケート調査を設計する際、質問項目や尺度の作り込みに意識が向きがちだが、抽出方法と標本サイズの妥当性はそれ以前に固めておく必要がある。特に、配布数と回収率の見込みを分けて考えず、必要標本数をそのまま配布数にしてしまうと、回収率が低い場合に検出力不足に陥る。質問紙そのものの設計（尺度・順序効果・回答バイアス対策）については、研究用アンケートの作り方に関する記事で詳しく扱っているので、抽出方法を固めた後にあわせて確認するとよい。研究計画書の草稿を整理する段階では、Tesifyのようなツールで下書きの構成を素早く整理する学生も増えている。

よくある質問

まとめ

サンプリング方法は、量的研究の一般化を支える無作為抽出（確率抽出）と、質的研究の深い理解を支える有意抽出（非確率抽出）に大別される。標本サイズは許容誤差だけでなく検出力の観点からも検討し、研究デザインに応じた抽出方法とセットで方法章に明記することが、審査で問われる「なぜその対象・人数を選んだか」への説得力ある回答になる。

参考：研究方法とは？質的・量的・混合研究の選び方を徹底解説【2026】、リサーチクエスチョンの立て方2026｜FINER・PICOで問いを絞り仮説につなげる手順、研究用アンケート（質問紙）の作り方2026｜尺度設計・順序効果・回答バイアスを避けるもあわせて参照してほしい。