無作為割り当て(ランダム化)のやり方|単純・ブロック・層化の違いと人数のそろえ方

無作為割り当て(無作為割付、ランダム化)は、参加者をどの条件に入れるかをくじで決める手続きで、条件の差を因果の証拠として主張する土台になります。なぜ必要か、単純・ブロック・層化の 3 方式の違いと使い分け、各条件の人数をそろえる工夫、来た順に分ける方法との違い、無作為抽出との違いを説明します。
被験者間計画では、参加者を条件ごとに分けます。このとき、誰をどの条件に入れるかを研究者の判断や参加者の希望ではなく、くじ引きのような偶然で決めることを無作為割り当て(無作為割付、ランダム割り当て、無作為化)と呼びます。ここでは無作為割り当てがなぜ必要か、3 つのやり方の違い、人数をそろえる工夫、よく混同される無作為抽出との違いを説明します。
なぜ無作為に割り当てるのか
条件 A と条件 B の成績を比べるとき、2 つの群の人たちが元々似ていなければ、成績の差が条件の効果なのか、人の違いなのか分かりません。参加者の記憶力、やる気、年齢、経験といった個人差は数え切れないほどあり、すべてを測ってそろえることはできません。
無作為に割り当てると、測っていない個人差も含めて、どの特徴も平均的には 2 つの群に同じくらい入ります。人数が多ければ多いほど、群の間の偏りは小さくなります。この手続きがあるからこそ、条件間の差を独立変数の効果として解釈できます。無作為割り当てが無い比較(元々ある群を比べる、参加者が条件を選ぶ)では、群の差に別の説明が残ります。
逆に、来た順に前半を A、後半を B にすると、早く申し込む人の特徴(熱心さ、時間の余裕)が A に集まります。参加者に好きな条件を選ばせると、条件への好みが成績に混ざります。どちらも無作為割り当てではありません。
3 つのやり方
| 方法 | やること | 長所 | 短所 |
|---|---|---|---|
| 単純無作為化 | 参加者ごとに、コイン投げや乱数で条件を決める | 最も単純で、偏りの説明がしやすい | 人数が少ないと、条件ごとの人数に差が出る(20 人を 2 条件に分けて 13 対 7 になることもある) |
| ブロック無作為化 | 条件数の倍数(例: 4 人)を 1 ブロックとし、ブロックの中で条件の並びを無作為に決めて順に割り当てる | ブロックが終わるごとに条件の人数がそろう。途中で募集を締めても、差は最大でブロック内の分だけ | ブロックの大きさが分かると、ブロックの最後の人の条件が予測できる(ブロックの大きさを変える、割り当て担当を分けるなどで対処する) |
| 層化無作為化 | 性別や年齢などの重要な属性で参加者を層に分け、層の中で無作為に割り当てる | 重要な属性の分布を条件間でそろえられる | 層にする属性を事前に決めて測る必要がある。層が多いと人数が足りなくなる |
層化は、層の中の人数が少ないと単純無作為化と同じ偏りが起きます。属性をそろえたいときは、層の中でブロック無作為化を使います(層化ブロック無作為化)。
参加者が数十人規模の実験では、ブロック無作為化が扱いやすいです。条件が 2 つなら「A B B A」「B A A B」「A B A B」のような 4 人の並びを乱数で作り、来た人から順に当てていきます。乱数は表計算ソフトの乱数関数や、乱数生成の Web サービスで作れます。
人数をそろえる
条件ごとの人数が大きく違うと、同じ合計人数でも検定力が落ち、分散が等しくない場合の影響も受けやすくなります。次の順で考えると、人数をそろえやすくなります。
- 目標人数を条件数の倍数にする: 3 条件なら 60 人や 72 人のように決めます
- ブロック無作為化を使う: ブロックの区切りで人数がそろうので、途中で募集を締めても差が広がりません
- 除外を見込む: 注意確認に引っかかった回答や途中離脱で、分析から外れる人が出ます。1〜2 割多めに集める計画にします
割り当てた後に「人数が足りない条件に後から足す」のは、無作為ではなくなるので避けます。足すなら、全条件に対して無作為割り当てを続けます。

無作為割り当てと無作為抽出は別物
よく混同されますが、2 つは目的が違います。
- 無作為抽出: 母集団(例: 日本の大学生全体)から、誰を参加者にするかを無作為に選ぶこと。結果を母集団に一般化するための手続きです
- 無作為割り当て: 集まった参加者を、どの条件に入れるかを無作為に決めること。条件間の比較から因果関係を主張するための手続きです
心理学実験の多くは、特定の大学の学生など、無作為抽出ではない参加者で行われます。それでも無作為割り当てをしていれば、「この参加者たちの中では、条件の違いが結果の差を生んだ」とは言えます。一般化の限界は考察で触れます。参加者の集め方は参加者募集の記事にまとめています。
無作為割り当てで解決しないこと
- 人数が少ないときの偏り: 無作為でも、たまたま偏ることはあります。条件間で重要な属性に差が無いかは、分析の前に確かめて報告します
- 被験者内計画の順序効果: 同じ人に複数の条件を出すときは、割り当てではなく提示順の問題になります。ラテン方格法のようなカウンターバランスで対処します
- 条件そのものの混同: 条件 A は午前、条件 B は午後、のように実施の仕方が条件と一緒に変わっていると、割り当てを無作為にしても解決しません。剰余変数の整理が先です
報告に残すこと
方法セクションには、割り当ての方式(単純・ブロック・層化)、乱数の作り方(乱数表、ソフトウェア、Web ツール)、割り当てを行った人と参加者が条件を知っていたか、最終的な条件ごとの人数と除外の内訳を書きます。
Psynaut で使う場合
Psynaut では、セクションの区間を「被験者間割付」にすると、対象のセクション (条件) のうち 1 つが各参加者に割り当てられます。割り当ては来た参加者から順に条件を巡回する方式で、乱数は使いませんが、参加者がいつ来るかを操作できないオンライン配布では実質的な無作為化として働きます。実験室で来訪順を研究者が決められるときは、条件ごとの配布用リンクを発行し、手元で作った無作為化の表に従って渡します。
見本: 被験者間割付
ログインなしで開けます。回答も編集も保存されません。
参考文献
- Shadish, W. R., Cook, T. D., & Campbell, D. T. (2002). Experimental and quasi-experimental designs for generalized causal inference. Houghton Mifflin.
- Efird, J. (2011). Blocked randomization with randomly selected block sizes. International Journal of Environmental Research and Public Health, 8(1), 15–20. https://doi.org/10.3390/ijerph8010015
この記事をシェアする
研究の準備を Psynaut でまとめる
フォームの作成から参加者の日程調整、分析用データの書き出しまで、無料プランで試せます。
次に読む記事
- 研究のヒント統制群(コントロール群)とは|何を統制するのか、どう作るか統制群(対照群、コントロール群)は、実験群と「調べたい操作の有無」だけが違う比較の基準となる群です。統制群が無いと排除できない 4 つの別の説明、無処置・プラセボ・積極的統制・待機群の違いと言えることの違い、実験群とそろえる 5 つの点、質問紙研究での統制条件の考え方を説明します。
- 研究のヒント要因計画と交互作用とは|2×2 デザインの読み方と結果の書き方独立変数が 2 つ以上ある実験を要因計画と呼び、2×2 デザインがその基本形です。平均値の表とグラフを使って主効果と交互作用の違いを説明し、交互作用があるときに主効果をどう解釈するか、条件数と人数の関係、F 値と効果量を含む結果の書き方をまとめます。
- 研究のヒント独立変数・従属変数・剰余変数とは|心理学実験の変数を 3 つに整理する心理学実験の変数は、研究者が操作する独立変数、測定する従属変数、それ以外で結果に影響しうる剰余変数の 3 つに整理できます。見分け方、剰余変数が独立変数と一緒に変わる「混同(交絡)」がなぜ問題か、統制・無作為化・測定という 3 つの対処、変数を決めるときの手順を例で説明します。