つながっているように見える2本のランダムな道
1926年、ユール(Yule)は気がかりなことに気づいた。まったく独立した時系列が、大きな相関を示しうるのだ。ユールはこれを「ナンセンス相関」と呼んだ。ランダムウォーク——ランダムな一歩を次々に足し合わせてつくる数列——を使ったその実験では、相関は、独立な標本から予想されるよりはるかに大きくばらついていた。その後の研究で、こうした見せかけの相関は、系列が長くなっても消えないことが証明された。
中国人民大学統計・ビッグデータ研究院のLiping ZhuとZhongming Xieは、この問題がより現代的な道具でも生き残るのかどうかを問うた。
だまされないはずの指標
ふつうの(ピアソン〔Pearson〕の)相関は、直線的な関係しか検出しない。2007年にSzékelyらが記述した距離相関は、もっと野心的だ。2つの確率変数について、つながりの形がどうであれ、それらが独立であるとき、そしてそのときに限り、ゼロになる。値は常に0と1のあいだにある。
だがこの保証は、データが独立に抽出されたものであることを前提にしている。2つのランダムウォークの組は事情が違う。一歩一歩がウォークのそれ以降のすべての値に影響するので、続く観測値は過去を共有し、その広がりも時間とともに変わり続ける。独立なランダムウォークのあいだに大きな距離相関が現れることは、すでにシミュレーションで示されていた。以前の著者たちはそれを、ウォークの系列依存性と変化する広がりのせいだとしていた。欠けていたのは、その極限の理論だった。
0と1のあいだに厳密に収まる極限
著者らは、ウォークが長くなっても、距離相関がゼロに縮まないことを証明する。分散が有限で、独立かつ同一に分布する歩みをもつどんなウォークでも、距離相関は、2本のブラウン運動の経路——ランダムウォークの連続的な極限——によって与えられるランダムな値に収束する。その極限は普遍的であり——歩みがどう分布しているかによらない——、0と1のあいだに厳密に収まり、その範囲全体にわたる値をとる。だから、0.3など、好きなしきい値を超える相関が見られる確率は、決して消えない。
鍵は、同じ時点で標本をとったときに、経路の組がそれぞれの領域でどれだけの時間を過ごすかを見ることだ。2つの過程は実現値をまたいで独立でありえる。一方で、実現した一つの組を時間に沿って追うと、それでも関連のパターンが見えるのだ。
シミュレーション:0.5に張り付く
研究チームは、50歩から5,000歩までの各長さについて、ガウス分布の歩みをもつ独立なウォークの組を2,000組シミュレーションした。歩みそのものについては、距離相関は予想どおり小さくなっていく。50歩での0.244から、5,000歩では0.025だ。ところが、まさに同じ歩みからつくったウォークでは、どの長さでも約0.5にとどまる。
5,000歩では、ウォークの組の中央90%が0.215から0.844まで広がり、2,000組のうち1,644組——82%——が0.3を超えた。著者らは、0.5近くという値は経験的な発見であって、証明された定数ではないと強調している。

(a) ランダムウォーク(実線)とその独立な歩み(破線)についての距離相関の平均を、5〜95%の帯とともに観測値の数に対して示したもの。(b) 100歩、1,000歩、5,000歩のウォークの相関の分布。印をつけた点は、5,000歩では17.8%が0.3を超えないことを示す。— 図1、Zhu & Xie (2026), arXiv:2611.16614.
いつもオオカミが来たと叫ぶ検定
距離相関で独立性を検定する標準的な方法は、シャッフルだ。一方の系列の時間の順序を何度もかき混ぜ、本当の値が目立つかどうかを見る。著者らは、ランダムウォークでは、選んだ誤りの水準にかかわらず、この検定が1に近づく確率で独立性を棄却することを証明している。
シミュレーションもこれと一致する。ふつうの5%水準で、シャッフル検定は、100歩の独立なウォークの組の94%で、そして500歩と2,000歩では300組すべてで、誤ってつながりがあると判定した。独立な歩みそのものについては、本来そうあるべきとおり、約5%の割合でしか誤らなかった。シャッフルはウォークが担っている時間の順序を壊してしまうので、独立なウォークを表さない基準をつくってしまうのだ。
水準か、歩みか
この研究は、極限での距離共分散の2乗について、正確な平均も計算している。26/(75π) − 1/12、約0.0270で、シミュレーションはこれを標準誤差1つ分程度の範囲で再現する。
著者らは慎重な教訓を引き出す。2つの過程が従属しているかどうかを問うことは、観測された一組の経路が時間を通じて関連しているかどうかを問うことと同じではない。続く値の差をとれば独立な歩みが取り戻せるが、そうすると検定は水準ではなく歩みについてのものになる。別の問いなのだ。漂う非定常なデータに対する妥当な検定は、時間を通じたその従属性を基準の中に組み込まなければならない。そうした検定をつくることは別の問題であり、この論文はそれを解決していない。
