カテゴリ: 誤謬
種類: 論理的誤謬
起源: ラテン語の “divisio”(分割・分離)と “fallacia”(欺き)に由来
別名: 分割の誤謬、全体から部分への推論ミス
種類: 論理的誤謬
起源: ラテン語の “divisio”(分割・分離)と “fallacia”(欺き)に由来
別名: 分割の誤謬、全体から部分への推論ミス
Quick Answer — 分割の誤謬(Division Fallacy)とは、全体に当てはまる性質が各部分にも当てはまると決めつける論理的誤謬です。集団の特徴が個人全員に当てはまるとみなす誤りも含みます。システムや集団の性質は、必ずしも構成要素へ分配されません。
分割の誤謬とは
分割の誤謬は、ある集団・システム全体で真であることを、各構成要素でも真だと結論づける誤りです。平均値や集計指標、システム水準の特性は、個別要素の大きなばらつきを隠し得ます。「全体に真であることが、各部分にも真とは限らない。『裕福な国には裕福な市民しかいない』という推論は危険である。」本質的な誤りは、統計的性質やシステム特性がそのまま個別に適用されると考える点です。会社が黒字でも赤字部門はあり得るし、生態系が健全でも絶滅危惧種は存在し得ます。全体と部分は異なる性質を持ちます。
分割の誤謬を3つの深さで理解する
- Beginner: 「アメリカは豊かだ。だからアメリカ人は皆豊かだ」。GDPの高さは、個々人の所得分布を保証しません。
- Practitioner: 「会社全体が成功している。だから各プロジェクトも成功しているはずだ」。実際には失敗案件や不採算施策が混在します。
- Advanced: システム水準の特性は、分布と相互作用の結果です。平均・合計・多数派の情報だけでは個別事例を十分に説明できません。
起源
分割の誤謬は古代から知られ、アリストテレスの論理学における合成・分割の誤りとして扱われました。“divisio” は全体から部分への不適切推論を示す語です。 現代の論理学・批判的思考では形式的誤謬として整理され、統計学・社会科学では ecological fallacy(生態学的誤謬)として特に重視されます。集計データから個人推論を行う際の方法論的リスクとして、政策分析でも中心的課題です。要点
応用場面
経済政策
「景気は拡大している。だから誰の生活も良くなっている」。成長果実が特定層へ偏る可能性を無視しています。
組織行動
「うちの会社は文化が良い。だから全チームも良い文化だ」。部署・拠点・チームごとの差を見落とします。
医療統計
「この国の医療水準は高い。だから全市民が高品質医療を受ける」。アクセス・質・結果の格差を隠します。
教育評価
「この学校の成績は高い。だから全クラスが高成績」。教科・学級・属性間の差を平均が覆い隠します。
事例
2010年代、国家経済指標をめぐる議論で分割の誤謬が見られました。ギリシャ債務危機の際、ユーロ圏全体が豊かで安定しているのだから、加盟国内の個人も同様に繁栄しているはずだという推論です。 しかし実際には、ユーロ圏の集計的豊かさは内部格差を隠していました。ギリシャでは失業率の急上昇、厳しい緊縮、生活困難が広がり、地域平均とは異なる現実が存在しました。 教訓は、GDP成長や通貨安定、集計雇用率といった全体指標は、部分の実態を自動的に保証しないことです。全体指標は全体を説明しますが、部分の評価には分解分析が必要です。限界と失敗パターン
すべての全体→部分推論が誤りではありません。第一に、実際に分配される性質もあります。車に4輪があるなら、各車輪は車の一部です。 第二に、鍵は「その性質が分解後も保持されるか」です。数学的性質は分配されやすい一方、統計的・創発的性質は分配されにくい傾向があります。 第三に、どちらに当たるかは領域知識で判断する必要があります。無分析のまま推定すると誤りが生じます。よくある誤解
全体にXがあっても、各部分にXがあることは決してない
全体にXがあっても、各部分にXがあることは決してない
それは誤りです。分配される性質もあります。誤謬は、検討なしに常に分配される(またはされない)と決めつけることです。
分割の誤謬は統計にしか関係しない
分割の誤謬は統計にしか関係しない
いいえ。ビジネス・生物・心理・社会など、集団から個別へ推論するあらゆる領域で起こり得ます。
全体が分かれば部分も予測できる
全体が分かれば部分も予測できる
集計特性だけでは個別構成要素の状態を十分に予測できません。だから個票データや分解分析が不可欠です。
関連概念
Composition Fallacy
逆向きの誤り。部分に真であることを全体にも真だとみなします。
Ecological Fallacy
集計統計だけを根拠に、個人に関する推論を行う誤りです。
Statistical Reasoning
統計情報を正しく解釈し、適切な水準で適用するための思考です。
Aggregation Bias
集団レベルのパターンを個人レベルへ機械的に当てはめる傾向です。
Hasty Generalization
不十分な証拠から広い結論を導く誤謬です。