読み方：もくてきへんすう

目的変数【response variable】従属変数

別名：dependent variable/結果変数/outcome variable/被説明変数

概要

目的変数とは、統計学や機械学習において、ある事象の結果や予測対象を表す変数のこと。原因に当たる変数を変化させると、これに応じて変化する。

統計学では、ある事象に関与する要素の間に原因と結果の関係が認められるとき、原因を表す変数を「説明変数」、結果を表す変数を「目的変数」と呼ぶ。説明変数の値を変化させると、それに追随して目的変数の値も変化するという関係が成り立つ。

例えば、バネにおもりを吊るす実験では、おもりの重さをx、バネの伸びをyとすると、yはxに比例する関係として表される。この場合、おもりの重さが説明変数、伸びの長さが目的変数に当たり、定数aを用いて $y = ax$ という一次関数で表せる。

説明変数と目的変数の間の規則性を明らかにする手法を「回帰分析」という。説明変数が一つの場合を「単回帰分析」、複数の場合を「重回帰分析」と呼ぶ。直線的な比例関係を想定して解析する手法を「線形回帰」、二次関数や指数関数のように直線的でない関係を想定して解析する手法を「非線形回帰」という。

近年では、AIの一分野である機械学習でもこの概念がよく用いられる。機械学習モデルによって予測したい対象の値が目的変数に当たり、モデルが最終的に出力する答えに相当するデータを表している。例えば、住宅価格を予測するモデルを構築する場合、価格が目的変数となり、面積や築年数、駅からの距離などが説明変数となる。機械学習では説明変数のことを「特徴量」と呼ぶことが多い。

住宅価格や売上額の予測のように目的変数の値が連続的な数値である場合は「回帰問題」として扱われる。一方、目的変数の値が「合格・不合格」「肯定・中立・否定」のように選択肢からの択一（離散値、カテゴリー、クラスなどと呼ばれる）である場合は「分類問題」として扱われ、回帰分析とは異なる手法が用いられる。目的変数の性質によって適用すべき分析手法や予測モデルの種類が決まる。

(2026.6.26更新)