ビジネスの現場やデータ分析の現場で「2つのデータの関係性を数値化したい」という場面に直面することは少なくありません。売上と広告費、気温とアイスの売上、あるいは勉強時間とテストの点数など、2変量データの相関関係を紐解く上で基礎となる統計量が「共分散（Covariance）」です。しかし、数式の複雑さや「分散や相関係数と何が違うのか」という疑問から、苦手意識を持つ方も多いのが実情です。
実は、公式の成り立ちと計算ロジックさえ押さえてしまえば、共分散の算出は決して難しくありません。手計算での計算手順からExcel（エクセル）関数を用いた瞬時の求め方、さらには「なぜマイナスの値が出るのか」という直感的な解釈まで、実務ですぐに役立つ知識を整理してお伝えします。
📌 【この記事の重要ポイントまとめ】
- 要点1：共分散は「2つのデータが同じ方向に動くか、逆方向に動くか」を示す指標であり、偏差の積の平均で求める。
- 要点2：値がプラスなら正の相関、マイナスなら負の相関を示し、単位の影響を排除して標準化したものが「相関係数」となる。
- 要点3：エクセルでは母集団を対象とする「COVARIANCE.P」と標本抽出を前提とする「COVARIANCE.S」を明確に使い分ける必要がある。
【基礎知識】そもそも共分散とは？2変量データの相関関係を可視化する指標
統計学において、1つのデータの散らばり具合を表す指標が「分散」であるのに対し、共分散は2つの異なる変数（XとY）がどのように連動して変化しているかを表す統計量です。例えば、気温が上がるにつれて飲料の売上が伸びる傾向があれば「正の連動」、商品の価格が上がると購入数が減る傾向があれば「負の連動」となります。
この2変量データの関係性を数値として1つの値に要約したものが共分散です。単一の変数の特徴を捉える分散の求め方（統計学の基本である偏差平方和の平均）を拡張し、2つの変数の偏差（平均値からの離れ具合）を掛け合わせることで、連動性の向きをあぶり出します。
【公式と手計算】共分散の求め方と計算手順をステップ形式でマスター
共分散の基本公式は、一見するとギリシャ文字が多くて難解に見えますが、本質は非常にシンプルです。まずは手計算でロジックを体感することが、計算の本質を理解する近道となります。
2つの変数 $X$ と $Y$ のデータ数が $n$ 個あるとき、共分散 $s_{xy}$ の計算式は以下の通りです。
共分散の公式：
$$s_{xy} = \frac{1}{n} \sum_{i=1}^{n} (x_i - \bar{x})(y_i - \bar{y})$$
手計算で行う場合、以下の3ステップで順を追って計算を進めます。
ステップ1：各変数の平均値を求める
データ群 $X$ の平均値（$\bar{x}$）と、データ群 $Y$ の平均値（$\bar{y}$）をそれぞれ算出します。
ステップ2：各データの「偏差の積」を計算する
それぞれのデータについて、平均値からの差（偏差）を計算します。すなわち $(x_i - \bar{x})$ と $(y_i - \bar{y})$ を求め、その2つを掛け合わせます。これをすべてのデータ対について行います。
ステップ3：偏差の積の合計をデータ数で割る
ステップ2で求めたすべての「偏差の積」を足し合わせ（偏差積和）、データ数 $n$（標本共分散の場合）または $n-1$（不偏共分散の場合）で割ることで、共分散が求まります。
【なぜ値がマイナスに？】プラス・マイナス・ゼロが示す意味とデータの読み解き方
分散の計算では偏差を2乗するため必ず正の値になりますが、共分散はマイナス（負の値）をとることがあります。この符号こそが、2つのデータの連動方向をダイレクトに物語っています。
値がプラス（正の値）になる場合：
$X$ が平均より大きいときに $Y$ も平均より大きく（正 × 正 ＝ 正）、$X$ が平均より小さいときに $Y$ も平均より小さくなる（負 × 負 ＝ 正）傾向があります。すなわち、「一方が増えればもう一方も増える」という正の相関関係を示します。
値がマイナス（負の値）になる場合：
$X$ が平均より大きいときに $Y$ は平均より小さく（正 × 負 ＝ 負）、$X$ が平均より小さいときに $Y$ は平均より大きくなる（負 × 正 ＝ 負）組み合わせが支配的になります。これは、「一方が増えればもう一方は減る」という負の相関関係を意味します。
値がゼロに近い場合：
プラスの掛け算とマイナスの掛け算が互いに打ち消し合い、合計がゼロ付近にとどまります。これは2つの変数の間に明確な直線的連動性が見られない（無相関）状態を表します。
【違いを整理】分散・標準偏差・相関係数と共分散は何が違うのか？
データ分析を始めたばかりの段階で最も混同しやすいのが、「分散」「標準偏差」「共分散」「相関係数」の役割分担です。それぞれの立ち位置を明確にしておきましょう。
まず、分散と標準偏差の求め方は単一データのばらつきを測るためのものです。分散は単位が元のデータの2乗になってしまうため、平方根をとって単位を元に戻したものが標準偏差です。
そして、共分散の最大の弱点は「データの単位に数値の大きさが依存してしまう」という点にあります。例えば、身長（m）と体重（kg）で計算した場合と、身長（cm）と体重（g）で計算した場合では、関係性の強さは同じでも共分散の数値が1万倍以上跳ね上がってしまいます。そのため、共分散の値そのものから「関係性の強弱」を客観的に比較することは困難です。
この弱点を克服したのが相関係数（ピアソンの積率相関係数）です。共分散を「$X$の標準偏差 × $Y$の標準偏差」で割ることで単位の影響を完全に打ち消し、必ず-1から+1の範囲に収まるよう規格化（標準化）しています。関係性の有無や方向を知りたいときは共分散で十分ですが、強弱まで客観的に評価したいときは相関係数を用います。
【エクセル活用】COVARIANCE.PとCOVARIANCE.Sの使い分けと実践テクニック
実務では大量のデータを処理するため、表計算ソフトでの算出が主流です。Excelには共分散を計算する専用関数が用意されていますが、分析対象によって適切な関数を選ぶ必要があります。
1. COVARIANCE.P 関数（標本共分散 / 母集団全体）
手元にあるデータそのものが母集団全体（全数調査データなど）である場合に使用します。分母をデータ数 $n$ で割る計算式が適用されます。=COVARIANCE.P(配列1, 配列2)
2. COVARIANCE.S 関数（不偏共分散 / サンプル調査）
手元のデータが全体から抽出したサンプル（標本）であり、母集団全体の共分散を推定したい場合に使用します。分母を $n-1$（自由度）で割る計算が行われます。=COVARIANCE.S(配列1, 配列2)
一般的なマーケティング調査やテストサンプルの分析では、母集団を推定する目的が多いためCOVARIANCE.S 関数を選択するのが統計学的に適切です。古いバージョンのExcelに存在する「COVAR 関数」は互換性のために残されていますが、現在のバージョンではCOVARIANCE.Pと同じ挙動となるため、意図を明確にするためにも新しい関数の使用が推奨されます。
【応用編】多変量解析の必須知識「共分散行列」の求め方と実務での活用法
変数が3つ以上（例えば、気温・日照時間・アイスの売上・ビールの売上など）に増えた場合、すべての変数ペアの共分散を網羅的に整理した表が必要になります。これが共分散行列（分散共分散行列）です。
共分散行列の対角成分（左上から右下への対角線）には、同一変数同士の共分散が並びます。自分自身との共分散は通常の「分散」と完全に一致します。そして対角線以外の非対角成分には、異なる変数間の共分散が格納され、上下対称な対称行列を形成します。
共分散行列は、機械学習における主成分分析（PCA）や、金融ポートフォリオ理論でのリスク分散設計、多変量正規分布のパラメータ推定など、高度なデータサイエンス領域で根幹をなす数学的基盤となっています。
【共分散の求め方】に関するよくある質問（FAQ）
Q1：標本共分散と不偏共分散の具体的な違いは何ですか？
A1：標本共分散は手元のデータのみを対象とし、偏差積和をデータ数 $n$ で割ります。一方、不偏共分散は母集団の共分散を過小評価しないよう補正するため、$n-1$ で割ります。サンプル調査から母集団の傾向を推測する際は不偏共分散（ExcelではCOVARIANCE.S）を用います。
Q2：共分散の数値が大きいほど、強い相関があると言えますか？
A2：一概には言えません。共分散は測定単位（cmやm、円や万円など）によって値が大きく変化します。関係性の強弱を判断したい場合は、共分散をそれぞれの標準偏差で割って無次元化した「相関係数」を確認してください。
Q3：共分散が0になった場合、2つのデータには何の関係もないのですか？
A3：共分散が0（無相関）であっても、「直線的な関係（線形関係）がない」ことを意味するだけで、2次関数的な関係（放物線を描くような関係）など非線形な関係が存在する可能性は残ります。散布図を作成して目視確認することが重要です。
まとめ：共分散の本質を掴んでデータ分析の精度を高めよう
共分散は、複数のデータが互いにどう連動しているかを捉えるための第一歩となる重要な指標です。「偏差の積の平均をとる」という根本的な仕組みを理解すれば、数式の難解さに惑わされることはなくなります。
データの単位に左右されるという特性を理解した上で相関係数と使い分け、ExcelのCOVARIANCE.SやCOVARIANCE.Pを適切に選択できるようになれば、実務におけるデータ分析の説得力は格段に向上します。数字の背景にある連動性を正しく読み解き、精度の高い意思決定に役立てていきましょう。 （出典: 共 分散 求め 方（Yahoo!ニュース））