ある統計に関しての所感

元々の論文の主たる部分ではなく、各論の部分で「A市α町に住む21歳男性というデータからの個人特定」について書かれている。

データは市が発表している統計データに基いている。

そのデータをそのまま利用しても構わないが、わかりづらくなるため、以下のように仮定する。

・A市住民：10万人
・α町住民：1万人
・α町で20～24歳の住民：3,000人
・そのうち、男性は2,000人、女性は1,000人

ちなみに考察とは全く無関係であるが、後述でその学生さんの間違いについて触れるので以下の仮定データも上げておく。

・A市で20～24歳の住民：1万人
・そのうち、男性は6,000人、女性は4,000人

一応、この学生の間違いの部分も指摘しておこう。

実際には「間違い」というよりも『大いなる勘違い』なのだが、彼がしたことは「A市の人口に対して男性の割合を求めるためにα町の男性の数値を使った」ことである。

※α町の20代前半男性人数÷A市の人口＝A市の20代前半男性の割合

もう、この時点で根本的にお話にならないわけだが、更にそのパーセンテージの計算も間違っていた。

更にその「間違ったパーセンテージ」の値を、『更に間違えて』代入し、「α町の20代男性の人数」を求めようとしている。

※α町の男性の人数✕間違った計算を更に代入間違いした数値＝α町の20代前半男性人数

もちろん、勘違いや計算違いは誰にでもある。
しかし、印象として明らかに違和感のある数字が出てきているにも関わらず、それを確認している教授が気づかないのは問題だろう。

A市のデータからα町20代前半男性の数を計算するのであれば、

・○A市の20代前半男性人数÷A市の人口=Z
・○α町の人口✕Z

で求めることになるのだが、そもそも「α町の20代前半男性の人数は統計データとして公開されている」
というか、そもそもの式で間違って利用していることに気づいていない。

つまり、『無駄なことをしている』のが根本的な間違いである。
統計データを利用しての仮説なわけだが、統計データとして存在する数値を仮説で求めるのは愚の骨頂である。

但し、この間違いは初歩的なものとみなし、以降私が指摘したい部分について述べたい。
でも、ちょっとわかりづらいかも（笑

さて、ここで2,000人いる20代前半男性の中から、21歳が何人いるか？という確率について「考察することの意味」を考えてみよう。

元になる調査ローデータや出生統計資料を利用しないのであれば、パーセンテージは20％。
これは、「男女別5歳刻みの統計データが元にある」わけなので、それが15歳女性であろうと、51歳男性であろうと20％なので「考えることは無意味」である。

では、人数という部分に関してはどうだろうか？

統計データとして「20代前半男性2,000人」の20％だから400人。
数字としては正解なわけだが、それが何の役に立つのだろう？

先の仮定で示したが「20代前半女性1,000人」に20％を代入すれば200人と1/2の数になる。

つまり、絞り込みを論拠にして論を展開していく中で、「どこを抽出するか？」という恣意的なことで、大きく数字が変化してしまう。

これを論拠として各論展開することは「全くの無意味」であるとしか思えないし、これを証明したところで何ら「論旨の強化」には成り得ない。

もしも、「悪波動」を使わず（笑）無理矢理好意的に解釈した上で彼の証明したいことを推理するならば、

・「A市内α町20代前半男性」という情報で、A市内から対象をどのくらいまで絞れるか？

というのであれば、元データや計算に間違いはあるものの、やろうとしていることに意味が無いわけではない。

ただし、それでわかるのは「A市内α町20代前半男性」という対象についてのみであり、それを元に全般的な論拠のベースにすることは出来ない。

ましてや、それをベースにして個人情報漏えい（そもそも、統計データでしかないものを個人情報と呼ぶのかはさておき）の確率を探ることは出来ないだろう。

それは前述したように「○○に居住」＋「○歳」＋「性別」という抽出条件では、どこを抽出するかによって母数と子数が変化するため、正当な前提にするデータでは無いからである。

ここまでが、前段。

後の部分は所感として。

簡単に補足説明する。

もしも、β町に21歳男性が1人しかいなかった場合には「β町21歳男性」というデータで、その1名が特定出来る（これは当たり前の話）。

もしも、β町に40歳女性が50人いた場合には「β町40歳女性」というデータから、その50人全員に対して「可能性があるよね」と判断される可能性のことを示唆している。

言ってみれば「容疑者としての疑惑」と同じようなものだと考えれば理解しやすいかと思う。

もちろん、これは極論としての例である。

仮説として、「α町21歳男性」で「書籍：カント人倫の形而上学」を借りた人というデータを組み合わせて、その対象を特定するというのを考察するのであれば、「意味があるかもしれない」ような気がするかもしれないが、それもまやかしである。

上記がセットの情報で漏れているのであれば、後はその該当人物が何らかの形で自ら情報発信をして「私はα町21歳男性で図書館からカント人倫の形而上学を借りました」と言えば特定は可能になるわけだが、それは特異な状況である。

更に仮説として「α町21歳男性の全てが同一書籍を借りていた場合」は、個人情報の特定ではなく全ての「α町21歳男性」が対象になるだけの話である。

つまり、危惧しているのは、先に個人情報が特定された上で読書履歴と同時に漏えい（もしくは、別用途に使われる）することである。

本当に「統計データ＋読書履歴」だけであれば、個人情報とは呼ばないだろうから、そもそも個人情報の漏えいの論拠にすることに意味は無い。

ただし、「傾向」という部分の問題は残る。

薬歴の話にすると理解しやすいが、「θ町では○○の薬がよく売れる」という情報が漏えいした場合には「θ町は○○の病気に罹りやすい」という風評被害が起こる可能性は否定出来ない。

ちなみに書籍として「カント人倫の形而上学」なんてのを持ちだしたのには『他意がある』（笑

どこぞの自治体の市長が「哲学が嫌い」だからである。

だから、あの程度の理解力なのかと思う部分もあるが、それは今回の話とは無関係（だと思う。多分）

所謂「傾向」の話。

血液型A型にはこういうタイプが多いという話よりもレベルが低い推論。

考察するのにそもそも「情報」が足りないのである。

1,000人は1,000人。

100％は100％。

更に確率は母数がわかっている状態での考察なので（前述）20％。

これで、何の論拠が強化されるのか私にはさっぱり理解出来ない。

この時点で某氏とこの件に関して話をすることを放棄。
全く理解出来ていない。