線形回帰と非線形回帰の違い｜金融モデルでの型の選び方

この記事で分かること

線形回帰・対数変換（対数線形モデル）・多項式回帰・ロジスティック回帰など「真の非線形モデル」の違い
財務データに直線の式をそのまま当てはめると、係数の意味やモデルの使い方まで歪んでしまう理由
決定係数（R²）だけでは関数形の適否を判断できない理由と、残差プロットで確認すべきポイント
財務モデルの実務で、どこまで複雑な回帰モデルを使うべきかの判断基準

結論：関数形の選択を誤ると、回帰係数の意味そのものが変わる

線形回帰と非線形回帰の違いは、単に「グラフが直線か曲線か」ではありません。統計学的な境界線は、推定するパラメータ（係数）に対して式が線形かどうかという点にあります。売上と広告費のように、追加1単位あたりの効果がだんだん小さくなっていく関係（逓減的な関係）を、そのまま直線の式Y=a+bXで当てはめても、当てはまりの数値そのものは意外と悪く見えないことがあります。しかし係数bが表す「Xが1単位増えたときのYの変化」は、データの範囲のどこを見るかによって本当は変わるはずの値を、無理やり一つの定数に押し込めた結果にすぎません。対数変換や多項式回帰は、Xの加工の仕方を工夫することで、パラメータに対しては線形のまま曲線的な関係を表現するテクニックです。一方でロジスティック回帰のように、予測したい変数Y自体が0〜1に収まる確率のような性質を持つ場合は、パラメータに対しても非線形な「真の非線形モデル」を使う必要があります。回帰係数の求め方そのもの（最小二乗法・OLSの仕組みや決定係数R²の基本的な読み方）は回帰分析入門｜財務予測とベータ推定をOLSの仕組みから理解するで扱っているため、本記事ではその一歩手前にある「そもそもどの関数形を選ぶか」という判断に絞って整理します。

線形回帰が前提とする関係と、当てはまらない財務データの例

総務省統計局が公開している回帰分析の解説では、回帰分析は「説明変数から目的変数の値を予測する直線式Y=a+bX」を導くものと整理されています。ここでのポイントは、係数bが定数として扱われることです。つまり線形回帰は「Xがどの水準にあっても、Xが1単位増えたときのYの変化幅は同じ」という前提を置いています。この前提が成り立つ関係であれば、線形回帰は最も扱いやすく説明もしやすいモデルです。

ところが財務データには、この前提が成り立たない関係が数多くあります。たとえば広告費と売上の関係は、広告費が少ない段階では1単位の増加が売上を大きく押し上げますが、広告費が積み上がるほど同じ1単位の増加が生む押し上げ幅は小さくなっていきます（逓減）。稼働率と客室単価・賃料の関係も、稼働率が低い水準では単価を下げても稼働率はあまり反応しませんが、満室に近づくほど単価の効き方が変わってきます。累積生産量とコストの関係（経験曲線）、レバレッジ水準と資金調達コストの関係なども、Xの水準によって効き方が変わる典型例です。こうした関係を線形回帰でそのまま扱うと、データの中心付近ではそれなりに当てはまって見えても、極端な水準（広告費が非常に少ない・非常に多い月など）を予測に使うと外れやすくなります。なお、2変数の間に強い相関が観察されたとしても、それがそのまま「直線の式で捉えてよい関係」を意味するわけではない点は、相関と因果を混同しないための金融データ分析｜見せかけの相関を見抜く視点で扱っている論点とも重なります。感応度分析やシナリオ設計で複数の前提を並べる際にも、まずこの「Xとの関係が本当に一定の傾きで表せるか」を確認しておく価値があります（感応度分析・シナリオ分析の作り方｜データテーブル実装とケース設計）。

対数変換・多項式回帰：非線形な関係を線形の枠組みで扱う工夫

逓減的な関係の多くは、説明変数Xを対数変換するだけで、驚くほど素直な直線関係に近づきます。

式（対数線形モデル）
Y = a + b×ln(X)
説明変数Xだけを自然対数に変換した回帰式です。パラメータa・bに対してはあくまで線形のままなので、通常のOLS（最小二乗法）でそのまま推定できます。係数bは「Xが1%増えたときにYがおよそb×ln(1.01)だけ変化する」という形で読み取れます。

対数変換は、価格弾力性（価格が変化したときに需要がどれだけ反応するかを表す指標）のように、水準の変化ではなく変化率で関係を捉えたい場面で広く使われる手法です。日本銀行調査統計局が2025年に公表した研究でも、POSデータを用いて品目別の価格弾力性を市場横断的に推計しており、企業の値付けやマークアップの分析にこうした指標が実際に使われていることが分かります。

もう一つの工夫が多項式回帰です。Xだけでなく、X²（Xの2乗）やX³といった項を説明変数として追加することで、上に凸・下に凸のカーブや、途中で向きが変わる非単調な関係も表現できます。最適な資本構成のように「負債を増やすほど節税効果でコストが下がるが、増やしすぎると財務リスクで再び上がる」というU字型・逆U字型の関係は、多項式回帰の典型的な出番です。ただし次数を上げるほど手元のデータにはよく当てはまるようになりますが、それは必ずしも「真の関係を捉えられている」ことを意味しません。次数を上げすぎると、手元のデータのノイズにまで当てはめてしまう過学習（オーバーフィッティング）のリスクが高まり、新しい期のデータに当てはめたときにかえって予測精度が落ちることがあります。

対数変換も多項式回帰も、統計学の分類では線形回帰の一種です。加工しているのは説明変数Xの形だけで、推定するパラメータa・bに対しては線形のままだからです。次の章で扱うロジスティック回帰などの「真の非線形モデル」とは、この点で明確に区別されます。

真の非線形モデル（ロジスティック回帰など）との違い

対数変換や多項式回帰は、あくまでXの加工にとどまるモデルでした。これに対して真の非線形モデルは、予測したいY自体の性質上、パラメータに対しても非線形な関数形を使わざるを得ないケースで登場します。代表例がロジスティック回帰です。

与信審査でのデフォルト確率や、M&A案件が最終的に成立する確率のように、Yが「0から1の範囲に収まるべき確率」である場合を考えます。これをそのまま線形回帰Y=a+bXで予測すると、Xの値によっては予測値が0を下回ったり1を超えたりしてしまい、確率として意味をなさない値が出てきます。ロジスティック回帰は、線形の式(a+bX)を直接Yの予測値とはせず、いったんシグモイド関数と呼ばれるS字型の関数に通すことで、予測値を必ず0〜1の範囲に収める仕組みを持っています。パラメータa・bに対してこの変換自体が非線形であるため、通常のOLSの公式では解けず、最尤法という別の推定方法が使われます。

国際的な銀行規制の実務でも、デフォルト確率（PD）は0〜1に収まる確率として扱われます。ただし、バーゼル銀行監督委員会が公表している内部格付手法（IRB）の説明資料（2005年7月）は、PDをどう定式化・推定するかを論じた文書ではありません。この資料は「本ペーパーはバーゼルIIのリスクウェイト算式を説明することに専念する」と明記しているとおり、各行が自ら推定したPD（および先進的内部格付手法であればLGD・EAD）を入力値として受け取り、それを単一リスク要因モデル（ASRF）によってリスクウェイト算出式へどう変換するかを説明する文書です。PDそのものの推定にロジスティック回帰のような非線形モデルが使われるのは、デフォルト確率のように上限・下限がある指標を推定する場面では線形回帰をそのまま使うわけにはいかない、という本記事の論点によるものであり、この点は各行のPD推定モデルの側の問題です。財務モデルの実務では、対数変換や多項式回帰で足りる場面と、ロジスティック回帰のような真の非線形モデルが必要になる場面を、Yの性質（連続的な金額なのか、0〜1の確率なのか）から見分けることが出発点になります。

設例：広告費と売上の関係を線形・対数線形で当てはめて比較する

以下は説明用の仮設例です。ある消費財ブランドの月次データ（12か月分）で、広告費（百万円）と売上（百万円）の関係を、線形モデルと対数線形モデルの2通りで当てはめて比較します。

月	広告費 (百万円)	売上実績 (百万円)	線形予測	残差 (線形)	対数線形予測	残差 (対数線形)
1	5	336	416.7	-80.7	334.1	1.9
2	10	395	427.3	-32.3	399.6	-4.6
3	15	442	437.9	4.1	438.0	4.0
4	20	463	448.6	14.4	465.1	-2.1
5	30	507	469.8	37.2	503.5	3.5
6	40	524	491.1	32.9	530.7	-6.7
7	55	563	522.9	40.1	560.8	2.2
8	70	589	554.8	34.2	583.6	5.4
9	85	599	586.7	12.3	601.9	-2.9
10	100	618	618.5	-0.5	617.3	0.7
11	115	626	650.4	-24.4	630.5	-4.5
12	130	645	682.3	-37.3	642.1	2.9

まず線形モデルY=a+bXを最小二乗法で当てはめると、a≈406.08、b≈2.12となり、決定係数はR²≈0.860です。次に説明変数を対数変換した対数線形モデルY=a+b×ln(X)を当てはめると、a≈182.00、b≈94.52、R²≈0.998まで上がります。同じ12か月分のデータに対して、Xの加工の仕方を変えただけで当てはまりの良さが大きく変わることが分かります。対数線形モデルの係数b≈94.52からは、たとえば広告費がどの水準からでも10%増えると、売上がおよそ94.52×ln(1.10)≈9.0百万円押し上げられる、という読み方ができます（線形モデルの係数b≈2.12のような「広告費が常に1百万円増えると売上が2.12百万円増える」という一定の効果とは異なる読み方です）。

図：広告費と月次売上の関係（設例、n=12）。同じデータに線形回帰（青の点線）と対数線形回帰（緑の実線）を当てはめた比較。数値は本文の設例計算と一致。

決定係数だけで型を選んではいけない理由：残差プロットを見る

先ほどの設例で、線形モデルのR²は0.860でした。回帰分析に不慣れな段階では、この数値だけを見て「8割6分も説明できているなら十分ではないか」と判断してしまいがちです。しかし残差（実績−予測）を並べてみると、話は変わってきます。

式（決定係数R²）
R² = 1 − (残差平方和 ÷ 全体平方和)
線形モデルでは 1 − (15,162.41 ÷ 107,940.92) ≈ 0.860、対数線形モデルでは 1 − (175.10 ÷ 107,940.92) ≈ 0.998 となります（残差平方和・全体平方和の定義自体は回帰分析入門｜財務予測とベータ推定をOLSの仕組みから理解するを参照してください）。

図：線形モデルと対数線形モデルの残差（実績−予測、百万円）の比較（設例）。①はY軸目盛りが±100、②は±10と目盛り幅が異なる点に注意。①は残差が負→正→負と山型を描き当てはめの系統的な偏りを示すのに対し、②はゼロ付近にランダムに散らばっています。

線形モデルの残差を見ると、広告費が少ない月と多い月ではマイナス、中間の月ではプラスという、負→正→負の山型のパターンがはっきり表れています。これは偶然のばらつきではなく、直線では捉えきれない曲線的な関係が残差に系統的な形で残っていることを示しています。対数線形モデルの残差は、この山型が消えてゼロ付近に無秩序に散らばっており、当てはめの誤りが解消されていることが視覚的に確認できます。決定係数R²は当てはまりの良さを一つの数値に圧縮した指標であるため、こうした系統的なパターンが残っていても、値自体はそれなりの水準にとどまることがあります。実際、平均・標準偏差・相関係数といった基本統計量がほぼ同じでも、散布図の形状がまったく異なるデータの組み合わせが存在することは、統計学では「アンスコムの例」として知られています。決定係数だけで型の適否を判断せず、必ず残差プロットや実測値と予測値の散らばりを目で確認する必要があります。あわせて、モデルを学習に使ったデータではなく、別の期間のデータでどれだけ予測が外れるかという予測精度の観点も、型選びの判断材料になります。なお、残差の分布が正規分布に近いかどうかという論点は正規分布・経験則・歪度・尖度でリターン分布を読むで扱っている内容と関係しますが、本記事のテーマである「関数形をどう選ぶか」とは別の切り口になるため、詳細はそちらに譲ります。

回帰の当てはめを自分の手で動かしてみる

散布図に線形・対数線形の当てはめ線を重ね、残差の並びを目で確認する作業は、実際に手を動かすと理解のスピードが変わります。モデリングラボでは、感応度分析や複数ケースの比較を自分のペースで練習できます。

→ モデリングラボで練習する

財務モデルの実務判断：どこまで複雑なモデルが必要か

ここまで見てきたように、線形回帰・対数変換・多項式回帰・真の非線形モデルには、それぞれ得意な場面があります。実務での判断は「当てはまりが一番よい型を選ぶ」だけでは終わりません。財務モデルは、投資委員会や貸し手など、モデルを作った本人以外の読み手に説明し、納得してもらう必要がある場面が多いためです。

まず、企業の財務データは四半期・年次のように観測数が少ないことが一般的です。数十年分の株価データがあるような分野と違い、10〜20点程度のデータしかない状態で多項式の次数を上げたりロジスティック回帰のパラメータを増やしたりすると、手元のデータには極めてよく当てはまるのに、来期の実績が少し変わっただけで予測が大きく外れるという状態に陥りやすくなります。観測数が少ない財務データでは、まず線形または対数線形のようなシンプルな型で当てはめてみて、残差に明確な系統的パターンが残る場合にだけ、多項式や真の非線形モデルの追加を検討するという順序が安全です。実際、AIを使った売上予測の実務でも、統計モデルによる回帰とドライバーベースの積み上げ、現場の営業見込みを突き合わせて使うのが一般的であり、統計モデル単独の予測値をそのまま鵜呑みにする設計にはなっていません（AIで売上予測を作る｜ドライバー・統計モデル・営業見込みの3手法を突き合わせる）。株式のファクターモデルのように多数の説明変数を使う分野でも、実務で使われるのは基本的に線形の重回帰であり、解釈のしやすさが重視されています（ファクター投資とマルチファクターモデルの実務｜Fama-French・スマートベータの仕組み）。

また、関数形を決めた後も、その1本の回帰式の予測値をそのまま計画数値として使うのではなく、前提を振った複数ケースで幅を持たせるのが財務モデルの通常の作法です。Excelの実装では、データテーブルを使った感応度分析やWhat-If分析がこれにあたります（What-If分析の3兄弟｜データテーブル・ゴールシーク・シナリオの使い分け）。回帰モデルで求めた係数は、あくまで「最も可能性の高い一つの見立て」であり、実務ではその周辺にどれだけ幅があるかを含めて提示することが求められます。積み上げ型の予測とトップダウン型の予測をどう使い分けるかという論点も、統計モデルをどこまで信頼するかという判断と地続きです（積み上げ型とトップダウン型の予測、予測手法の比較）。

よくある質問（FAQ）

線形回帰と非線形回帰は、見た目だけでどう見分ければよいですか。

まず散布図を描き、Xの増分あたりの効果が一定に見えるか、途中で逓減・逓増したり向きが変わったりしていないかを確認します。次に線形（必要に応じて対数変換や多項式回帰）で当てはめて残差プロットを見て、系統的なパターンが残っているかどうかで判断します。

決定係数（R²）が高ければ、その回帰式は正しいと考えてよいですか。

いいえ。R²は当てはまりの良さを一つの数値に圧縮した指標であるため、系統的な当てはまりの悪さが残っていても、値自体はそれなりの水準にとどまることがあります。残差プロットや、学習に使っていないデータでの予測精度もあわせて確認する必要があります。

対数変換や多項式回帰は「非線形回帰」に含まれますか。

統計学的には含みません。対数変換や多項式回帰は説明変数Xを加工しているだけで、推定するパラメータに対しては線形のままであり、通常のOLSで推定できます。真の非線形回帰は、ロジスティック回帰のようにパラメータに対しても非線形な関数形を持つモデルを指します。

財務モデルでロジスティック回帰を使う場面はありますか。

与信審査でのデフォルト確率推定や、M&A案件の成立確率の推計のように、目的変数が0〜1に収まる確率であるケースで使われます。線形回帰でそのまま予測すると理論上ありえない値が出てしまうため、非線形の関数形が必要になります。

サンプル数が少ない財務データでも、多項式回帰の次数を上げてよいですか。

慎重な判断が必要です。次数を上げるほど手元のデータには当てはまりやすくなりますが、将来のデータへの当てはまり（汎化性能）はむしろ悪化しやすくなります。過学習のリスクを踏まえ、まずシンプルな型から試すことをおすすめします。

まとめ

線形回帰と非線形回帰の違いは、直線か曲線かという見た目ではなく、推定するパラメータに対して式が線形かどうかという点にあります。対数変換や多項式回帰は、説明変数の加工によって曲線的な関係を線形回帰の枠組みで扱う工夫であり、ロジスティック回帰のような真の非線形モデルは、目的変数自体の性質（0〜1に収まる確率など）に応じて必要になります。決定係数R²だけで型の適否を判断せず、残差プロットで系統的な偏りが残っていないかを必ず確認してください。財務モデルの実務では、観測数の少なさや説明のしやすさを踏まえ、まずシンプルな型から試し、必要な根拠がある場合にだけ複雑なモデルへ進むという順序が安全です。

出典・参考（2026年9月確認）

※本記事は教育目的の一般的な解説であり、法務・税務・投資助言ではありません。設例は理解のための仮設例です。