理学部の男女数に偏りがあるのは入試のせい？

【イントロ】
出会いが欲しい・・・

はっ！

現実か。。。

　異性と出会うためには、異性と出会えるイベントが存在しないといけません[1]。そのため、男女の人数差が大きい集団では、そうした機会がどうしても少なくなってしまいます。実際、小中高と男女ほぼ同数の環境を卒業し大学に入ってしまうと、男子しかいない、女子しかいない、といった状況が生じてしまいます。
　そう、たとえば、理学部とか。

　ところで、近頃明らかとなった医学部入試の点数操作問題[2]は、様々な問題を抱えており、お茶の間を賑わせています。
　そう、たとえば、黙って男女の合格者数に偏りをつけるとか。

　つまり何がいいたいかというと、「理学部の男女数は”不思議なチカラ”によって偏っているのか？」という疑問が浮かんでくるということです。
　そこで本記事では、上記の疑問を「男女の理学部入試合格率に有意な差はあるのか？」という問題に焼き直して、公開データを用いて調べてみることにしました。

【方法】
　まず、Web上の入試情報から各大学の男女別の入試受験者数と合格者数の情報を集めました[3]。集めたのは旧帝大と有名私立大がメインで、図１のようになりました。やはり女子のほうが少ないのが見て取れます。
　さらに、合格率＝合格者数/受験者数として、求めた結果を棒グラフにしたものを図２に示します。合格率５割の大学から、２割程度の大学までばらつきがあることがわかります。また、男女合格率にも差があることが見て取れますが、これが有意な差なのかPythonをつかって検定することにしました。

図１、各大学の男女別受験者数と合格者数


図２、各大学の男女別合格率

【実験結果】　
　具体的な方法は、こちらのQiita記事[4]を参考にしました。
　１つ目に実施したのはQiita記事と同じ、下記仮説を検定する方法です。
帰無仮説：「女性が合格する確率は、（総合格者数）／（総受験者数）に等しい」
　有意水準5％となったのは図３のとおりです。pandas便利すぎん！？


図3、帰無仮説が棄却される大学たち

　京大、東工大、早稲田、横浜国立大学の4大学の合格率には男女で有意な差がありそう、と言う結果になりました。男ばかりでネタになる東工大は合格率から既に差が。。。なにか不思議なチカラが働いてる可能性が微レ存( ;･`д･´)

　続いてもう一つの方法、χ二乗検定を実施しました。これは「男・女」と「合格・不合格」が独立な事象なのかを検定する方法です。こちらのQiita記事[5]を参考に検定を実施しました。結果は図４のとおりです。

図4、χ二乗検定による男女別合格・不合格の有意差検定

　こちらも、同様に京大、東工大、早稲田、横浜国立大学の4大学に有意差がある結果となりました。こうしてみると、大学ごとにｐ値も全然違うんですね。
　少なくともこの4大学以外は、そもそも女子の志願者が少ないので男女の人数差が生じているようです。理学部たのしいのに・３・

【まとめ】
　本記事では、各大学の入試合格者数に優位な差があるか検定を実施しました。その結果、京大、東工大、早稲田、横浜国立大学の4大学では、男女の合格率が有意に違うことがわかりました。
　この結果は(前述のQiita記事でも触れられていますが)、有意差が付いた原因までを示すものではありません。有意差がつく理由としては、「生まれつき男女の能力に差がある」「元々の能力に差がなくても社会的要因で差がついた」「所詮統計なのでたまたま」「不思議なチカラ」など様々な原因が考えられます。
　因果関係の証明は薮の中といった趣ですが、少なくとも上記4大学では何らかの理由により男女の合格率に差が生じているようです。
　それが、イデオロギー的に許される理由かはわかりませんが。

【参考文献】
１，出会いがない社会人必見！異性との出会いを増やす方法
２，2018年における医学部不正入試問題(Wikipedia)
３，各大学の参照データURL
大阪大学
京都大学
東北大学
北海道大学
東工大
早稲田
広島大
琉球大
千葉大
埼玉大
大阪市大
横浜国立大
明治大
立教大
岡山大
４，Qiita「医科大・医学部入試の男女差をPythonで仮説検定する」
５，Qiita「クロス集計とカイ二乗検定」



【使用したコード】

使用コードその１
import numpy as np
import pandas as pd
from scipy import stats

data = pd.read_csv("data-blog.csv")
print(data)

# カラム追加
data["総受験者数"] = data["男子受験者数"] + data["女子受験者数"]
data["総合格者数"] = data["男子合格者数"] + data["女子合格者数"]
data["合格率"] = data["総合格者数"] / data["総受験者数"]

# p値を計算
data["p値"] = np.array([
    stats.binom_test(data["女子合格者数"][i], data["女子受験者数"][i], 
    data["合格率"][i])
    for i in range(0, 15)
])

result = data[data["p値"] < 0.05]["大学名"]
print(result)

使用コードその2
import numpy as np
import pandas as pd
from scipy import stats

data = pd.read_csv("data-blog.csv")

for i in range(0,15):
    dg=data["男子合格者数"][i]
    df=data["男子不合格者数"][i]
    jg=data["女子合格者数"][i]
    jf=data["女子不合格者数"][i]

    dat=np.array([[dg,df],[jg,jf]])

    squared,p,dof,ef=stats.chi2_contingency(dat)
    #print("統計検定量:"+str(squared))
    #print("p-value:"+str(p))
    #print("degrees of freedom:"+str(dof))
    #print("expectation")
    #print(str(ef))
    
    #print(data["大学名"][i]+": p-value:"+str(p))

     if p<0.05:
        print(data["大学名"][i]+": p-value:"+str(p))

コメント

コメントを投稿

このブログの人気の投稿

交代磁性があるのかないのかどっちなんだい！～RuO2の場合～

イメージ
 【イントロ】 博士「はぁ～交代じゃ、交代じゃ」 学生「どうしたんですか？キャバクラですか？」 博士「違う違う違う違う今日は違う！交代は交代でも、交代磁性のことを調べておったんじゃ」 学生「交代磁性？」 博士「なんじゃ知らんのか？交代磁性とは、強磁性と反強磁性に次ぐ第三の磁性として最近発見された、新しい磁気状態のことなんじゃ。」 学生「知ってますよ、 Šmejkal（流暢な発音）が提案 してるやつでしょ？強磁性体のようにバンド構造にスピン分裂が生じるけれど、反強磁性体のようにNetの磁性はゼロとなっている、副格子間の反強磁性状態と解釈できる磁性体のことですよね。」 博士「そうじゃ、Šmejkal（流暢な発音）達の提案が大きなきっかけとなった研究分野じゃな。なんじゃ、知っとるじゃないか」 学生「当然です。中学入試程度です。交代磁性って、 MnTe や CrSb 、それに RuO2 で確立された概念じゃないんですか？」 よく見ると(b)がない（ 引用元 ） 博士「 どこ中出身 じゃ。。。うむ、それらの物質でARPESが行われ、交代磁性の特徴の1つであるバンド構造の巨大なスピン分裂が観測されて Nature や PRB に報告されるなど研究が加熱しておる。」 学生「ならいいんじゃないですか？流行物質どんとこい。ビッグウェーブに乗って論文を量産するタイミングですよ。h-index稼ぎましょう」 博士「しかし、そのうちの１つ、RuO2が実は交代磁性体ではなく、非磁性体なのではないかという報告がなされ議論を呼んでおるのじゃ。」 学生「どういうことですか？？？RuO2は 異常ホール効果 が見えたり、 REX（共鳴弾性X線散乱） や 中性子散乱実験 で反強磁性秩序がすでに観測されたんじゃないんですか？？？陰謀ですか？？？？」 博士「それでは今回は、独ヴュルツブルク大学のPhilipp Keßler博士らによる論文、 Philipp Keßler, et al. , Absence of magnetic order in RuO2: insights from μSR spectroscopy and neutron diffraction , arXiv:2405.10820 を読んでいくかのお」 学生「Absence論文、盛り上がるやつですね」 【どんな実験したの？】
続きを読む

狂気！室温超伝導体は脳内にあった！！！

イメージ
 【イントロ】 博士「これはすごい・・・これはすごいぞ！！！」 学生「どうしたんですか？自分の愚かさのことですか？」 博士「そうではない！ワシは出会ったんじゃ！科学史上最高の論文に！」 学生「どんな論文ですか一体」 博士「なんと 室温超伝導体 が見つかったという話じゃ！」 学生「え！室温超伝導体といえば、室温で電気抵抗がゼロになる物質で、世界を支えるエレクトロニクスに不可避なエネルギーの散逸、発熱の問題を一気に解決し、 世界のエネルギー問題を救うキーテクノロジーになる物質 じゃないですか！」 博士「その通りじゃ！」 学生「気になってきました、早く教えて下さい、その論文！」 博士「うむ…驚くなよ、なんと、 生物の脳の中では超伝導状態が実現しておる のじゃ！！！」 学生「・・・」 博士「ふふふ、あまりの衝撃に言葉もないようじゃな。」 学生「あの」 博士「では、今回は、 P. Mikheenko, Possible Superconductivity in the Brain , Journal of Superconductivity and Novel Magnetism, 2018, No 5, p. 1121-1134 （ Arxiv版 ） を読んでいくぞい！」 学生「帰っていいですか？」 【論文誌がすごい！】 博士「まずは、この論文のなにが凄いかといえば、査読を通って論文誌に掲載されておるのじゃ」 学生「ほんとですよ、どうなってんですか」 博士「そして、掲載された Journal of Superconductivity and Novel Magnetismの2022年度のImpact Factor は1.8なんじゃ。これがどういうことかわかるか？」 学生「そ、それは日本の物理学会が発行するJournal of the Physical Society of Japan、いわゆる JPSJのImpact Factor 、1.7を超えています・・・！」 博士「そうじゃな、つまり論文誌としての影響力としてはJPSJよりも大きな雑誌に掲載された論文ということじゃ」 学生「JPSJもっとがんばってくださいよ」 博士「しかもこの論文は8回も引用されておる」 学生「 みなしPRL じゃないですか・・・」 博士「これだけで如何にこの論文が本物であるか納得してもらえ
続きを読む

まだ最小二乗法で消耗してるの？ ～Passing Bablok法について～

イメージ
【イントロ】 与えられたデータの傾向を見る、つまり回帰分析の一つとして、直線でフィッティングする方法が挙げられます。 ココで問題となるのが、「どうやって直線の傾き(と切片)を求めるか」という点です。 代表的な方法が最小二乗法です。目的の直線を $y=ax$ と仮定します。データ点$y$と求めたい直線との差の二乗を誤差として、すべての点に対する誤差の和を最小化する傾き$a$を求める方法です。 具体的には誤差の和を $E=\sum_{i=1}^{n}(y_i－ax_i)^2$ とすると、$a$について最小値が欲しいので、 $\frac{\partial E}{\partial a}=0$ となる$a$を求めれば良いです。整理すると、 $a=\frac{\sum_{i=1}^{n}(x_i－x_{average})(y_i－y_{average})}{\sum_{i=1}^{n}(x-x_{average})^2}$ となります。 　最小二乗法は直観的にもちょうどよい直線を見つけてくれそうで、最強の方法に見えます。しかし、 いくつかの課題 があります。まず一つが、外れ値に弱いという点です。えっちですね。つまり、ノイズ等の影響でデータ点の集合から大きくハズレた点が存在すると、その点に引きずられて傾き$a$が大きく変化してしまうという点です。 　また、別の問題として、最小二乗法は暗にデータが正規分布に従った誤差を持つことを仮定している点が挙げられます。今回最小化すべき誤差をデータ点と直線の差の二乗和として与えましたが、これはデータ点の周りに分散一定の誤差が正規分布している場合に導かれる最尤推定解と対応しています。詳細は PRML を参照。 さて、それではこうした最小二乗法の呪縛から解き放たれた、 回帰モデルは存在するでしょうか？そうしたモデルとしては 主成分分析 等があります 本記事では、そうした手法の中でもノンパラメトリック回帰モデルの一つである”Passing-Bablok法”について、 原論文 に従った解説とPythonでの実装に取り組みました。 【方法】 Passing-Bablok法はその名の通り、PassingとBablok(PB)により提案された、一次の比例関係を比較するノンパラメトリック回
続きを読む