データ選択による相関の変化（切断効果）
データ全体を見るのではなく、特定の基準で絞り込んだ一部のデータだけを取り出して分析した結果、本来あるはずの相関関係が見えなくなったり、場合によっては正反対の相関が現れてしまったりする現象を「切断効果」（選択バイアスやバークソンのバイアスの一種）と呼びます。
データ分析の実務や統計検定でも非常によく引っかかる罠ですが、身近な実例をイメージすると直感的に納得できます。
実事例で理解する切断効果
事例1: SPI（適性検査）と入社後評価
人事データ分析でよく持ち出される主張：
「社員の採用時SPIスコアと入社3年目の人事評価を散布図にプロットしたら、相関がほぼゼロ（あるいはマイナス）だった。だから採用時のSPIなんて意味がない！」
なぜこれが「切断効果」なのか？
企業は採用活動の初期段階で、SPIの点数が極端に低い応募者をすでに選考で落としています。つまり、いま手元にある分析データは「SPIの合格基準をクリアした優秀な社員」だけに切り取られた（切断された）データだからです。
| データの範囲 | 現象・理由 |
|---|---|
| 全体（不採用者を含む全応募者） | 本来は基礎能力や地頭が高い人ほど業務の習得も早く、高いパフォーマンスを発揮しやすい（緩やかな正の相関がある）。 |
| 切断後（入社した社員のみ） | すでに全員が一定以上の基礎能力を備えているため、入社後の人事評価は「本人のモチベーション」「上司や配属部署との相性」「担当業務への適性」など別の要因が支配的になる。その結果、手元データではSPIの点数と評価の相関が消えてしまう。 |
ポイント
「SPIが役に立たない」のではなく、「すでに選考基準として十分に機能した後のデータ」だけを見ているからこそ、相関が消えて見えるのです。
事例2: 漫画における画力 vs ストーリー構成力
「あの漫画、作画は神がかり的なのにストーリーが退屈だな…」逆に「絵は個性的（あるいは下手ウマ）なのに、ストーリー構成が狂おしいほど面白い！」という極端な作品に出会ったことはありませんか？
こうした体験から、「画力とストーリー構成力には負の相関がある（どちらかが優れていると、もう一方は劣る）」と思ってしまいそうになります。
なぜこれが「切断効果」なのか？
私たちが普段目にするのは、厳しい商業連載の壁を突破し、「世に出てヒットしたり話題になったりしている人気漫画」だけだからです。
| データの範囲 | 現象・理由 |
|---|---|
| 全体（世の中の全持ち込み原稿・アマチュア作品） | 本来、画力が高い人は表現力や演出力も兼ね備えていることが多く、全体で見れば「緩やかな正の相関」があるか、あるいは互いに無相関なはず。 |
| 切断後（連載を勝ち取った人気作品のみ） | ヒット作になるには「画力＋ストーリーの総合力」が極めて高い基準（しきい値）を超えている必要がある。「絵も話も平均的で凡庸な作品」はそもそも世に出ず、読者の目に入らない（データから足切りされる）。 |
結果として、私たちの目に入るのは「圧倒的な画力×並のストーリー」「並の画力×圧倒的なストーリー」「両方ともプロ級の天才」といった生存者たちのデータだけになります。この切り取られたデータの中だけで両者の関係を見ると、まるでトレードオフのような負の相関（右下がりの関係）があるように見えてしまうのです。
数学的なメカニズム
本来、データ全体には綺麗な右上がりの正の相関があるとします。
しかし、\(x > k\)（片方の基準による足切り）や \(x + y > C\)（合計点による足切り）といった特定の条件でデータを「切断」し、その残った範囲の中だけで相関係数 \(r\) を計算し直すと、データのばらつき（分散）が強制的に狭まるため、相関係数の絶対値は本来の値よりも必ず 0 に近づく（場合によっては符号が反転して負になる）という数学的性質があります。
データ分析の現場で重要な視点
「分析してみたら、直感や仮説に反して相関がゼロだった（あるいは逆相関だった）」という場面に出くわしたときは、「今扱っているデータは、何らかの事前選考や利用条件によってフィルタリングされた（切断された）後のデータではないか？」と疑う視点が極めて重要です。
統計検定2級 試験での扱われ方
1. 散布図の読み取り問題（正誤判定）
最もよくある出題パターンが、「データの一部を切り出すと、相関係数はどう変化するか？」を日本語の選択肢から選ばせる問題です。
試験での出題例：
「全体のデータでは強い正の相関があったが、特定の範囲（例えば上位20%など）だけにデータを限定して相関係数を計算し直すと、相関係数の絶対値は小さくなる傾向がある。これは正しいか、誤りか」
対策： 「範囲を狭めるとばらつき（分散）が小さくなり、相関係数が0に近づく」という性質を覚えておけば、一発で「正しい」と判定できます。
2.「見せかけの相関（疑似相関）」との区別
統計検定2級では、データの解釈を歪める罠について複数の概念を正しく区別できているかが問われます。
| 概念 | 説明 | 例 |
|---|---|---|
| 疑似相関（Spurious Correlation） | 第3の要因（交絡因子）のせいで、本来関係ない2つに相関があるように見える | アイスの売上と水難事故の件数（共通の原因は「気温」） |
| 切断効果 | データの「選択基準」のせいで、本来あるはずの相関が消えたり反転したりする | SPIと入社後評価、漫画の画力とストーリー構成力 |