健康診断で精度99%の検査が陽性だったと聞くと、多くの人は病気にかかっている可能性も99%ほどだと考えます。ところが、その病気が1万人に一人ほどしかかからない希少疾患なら、話はまったく変わります。目の前の証拠に心を奪われ、「もともとどれくらいよくあることなのか」を忘れてしまうこと。この判断の落とし穴が「基準率の誤謬（Base Rate Fallacy）」です。
基準率の誤謬とは、簡単にいえば「ある出来事が全体の中で起きる本来の割合（基準率）を無視し、個別の事例に関する具体的な情報だけで確率を判断する誤り」を意味します。検査結果、目撃者の証言、第一印象のように鮮明な情報ほど、私たちはその背景にある数字を見落としがちです。医療、裁判、採用、セキュリティのように確率の判断が重要な場面ほど、この誤りの代償も大きくなります。
本資料では、基準率の誤謬の意味と研究の始まりから、有名なタクシー問題を通じて見る計算の原理、日常の事例、そして誤りを減らす方法とその限界まで、順に見ていきます。
証拠より先に問うべき数字、基準率
基準率の誤謬とは何か？
基準率（Base Rate）とは、特定の情報を知る前から与えられている、集団全体における割合です。統計学ではこれを事前確率とも呼び、新しい証拠が得られたら、この事前確率を出発点として判断を修正していくのが正しい手順です。
この誤りを体系的に明らかにしたのは、心理学者のダニエル・カーネマン（Daniel Kahneman）とエイモス・トベルスキー（Amos Tversky）です。二人は1973年の論文で、人は確率を考えるときに「どれほどそれらしく似ているか」を基準にすると説明しました。これを代表性ヒューリスティック（Representativeness Heuristic）といいます。
有名な実験では、参加者に、エンジニアと弁護士の計100人のうち、ある人物についての描写を見せました。一方のグループにはエンジニアが70人、もう一方には30人だと伝えましたが、数学パズルと木工を楽しむという描写を読んだ両グループの回答はほぼ同じでした。描写がエンジニアらしく見えた瞬間、70人と30人という違いが判断から消えてしまったのです。
タクシー問題で見る基準率の力
カーネマンとトベルスキーが紹介したタクシー問題は、基準率の誤謬を説明する際に最もよく使われる例です。ある都市で夜にひき逃げ事故が起きました。この都市のタクシーは85%が緑の会社、15%が青の会社に所属しています。目撃者は青いタクシーを見たと話し、同じ条件でテストしたところ、目撃者は80%の精度で色を正しく識別できました。
最も多くの人が出す答えは「青いタクシーである確率は80%」です。しかし、基準率も合わせて考えると結果は変わります。
（1）実際に青いタクシーを正しく見た場合
タクシー100台のうち、青いタクシー15台を目撃者が80%の精度で正しく識別するため、約12台について「青色だった」と証言されます。
（2）緑のタクシーを見間違えた場合
緑のタクシー85台のうち、20%に当たる17台についても、誤って「青色だった」と証言されます。
（3）最終的な確率
「青色だった」という証言29件のうち、本当に青いタクシーなのは12件だけなので、実際の確率は約41%です。証言があっても、緑のタクシーである可能性のほうが高いのです。
トベルスキーとカーネマンは、この結果について、85対15という基準率の差が、目撃者の信頼度よりも極端だからだと説明しました。証拠がどれほどもっともらしくても、出発点となる割合を除けば、計算は最初からずれてしまうのです。
日常に潜む基準率の誤謬
基準率の誤謬は、計算問題の中だけにあるわけではありません。むしろ、重要な決断を下す現実の場面で、より頻繁に現れます。
- 希少疾患の検査（Medical Screening）：1978年の米国ハーバード大学医学部の研究で、有病率が1,000人中1人、偽陽性率が5%の検査で陽性と判定された場合について尋ねたところ、最も多かった回答は95%でした。感度（患者を陽性と判定する割合）を100%と仮定すると、陽性と判定された人のうち実際に患者である人の割合は、0.001 ÷（0.001 + 0.05 × 0.999）≈ 1.96%です。感度が与えられていなければ正確な値は決められず、この条件では約2%が上限となります。
- 人材採用（Hiring）：本当に優れた人材が応募者100人中1人しかいないなら、面接で「すごそうに見える」応募者のかなりの割合は、実際には平凡な応募者かもしれません。
- セキュリティ警報（Security Alert）：攻撃がまれなシステムでは、精度の高い検知器でも、発する警報の大半が誤警報になりがちです。
共通するのは、見つけようとする対象がまれだという点です。感度と偽陽性率が同じなら、対象がまれであるほど、陽性判定のうち本当に陽性であるものの割合は低くなります。ただし、偽陽性が必ず真陽性より多くなるわけではなく、それは基準率・感度・偽陽性率によって決まります。したがって、基準率と検査性能を合わせて確認する必要があります。
基準率の誤謬を減らす方法とその限界
基準率の誤謬を避ける鍵は、証拠を見る前に「もともとどれくらいよくあることなのか」をまず問う習慣です。そのうえで、その数字に証拠の精度を加味して判断を調整すればよいのです。これがベイズの定理（Bayes' Theorem）が示す考え方です。
（1）まず基準率を確認する
結論を出す前に、似た事例が全体の中でどれくらいあるのかを調べます。
（2）自然頻度に置き換えてみる
「80%」のような確率よりも、「100台中12台」のように人数や個数に置き換えると、計算をはるかに直感的に捉えられます。心理学者のゲルト・ギーゲレンツァー（Gerd Gigerenzer）は、この方法で正答率が大幅に上がるという研究を発表しました。
（3）逆向きの確率を区別する
「青いタクシーであるときに青いと言う確率」と「青いと言ったときに青いタクシーである確率」は、異なる値だと意識します。
ただし、基準率も万能ではありません。古い基準率や誤って集計された基準率を使うと、かえって判断が狂ってしまいます。また、集団の平均を個人に機械的に当てはめると、固定観念や差別を正当化する道具になりかねません。基準率はあくまで判断の出発点であり、個人をあらかじめ決めつける烙印になってはいけません。
基準率の誤謬は、鮮明な証拠が物言わぬ数字を覆い隠してしまうときに生じます。カーネマンとトベルスキーの実験以来、この概念は医療診断や裁判、採用やセキュリティに至るまで、確率の判断が必要なあらゆる場面で重要な基準となってきました。
驚くような証拠に直面したとき、その出来事がもともとどれくらいよくあることなのかを改めて問うこと。それが、数字に惑わされない合理的な判断への第一歩です。
