東京カレンダーに紹介されたデートスポットなら非モテの俺でも女子を誘えるかもしれない

松本 健太郎

 

ライザップに通って16kg痩せて体脂肪量が半分に減ったのに全くモテません。デートに誘っても、なかなか異性と食事に行けません。

痩せてカッコ良くなればモテると思っていました。

でも違うみたいですね。そんなこと教科書には載っていませんでした!

 

いろいろ悩んで1つの可能性が思い浮かびました。もしかしたらデートに誘った場所が悪いのかもしれません。(こら性格悪いからだとか言わない)

そこで、東京カレンダーに載っているような良い感じの場所なら誘いにのってくれるかどうか検証してみました。

※ちなみにこのコンテンツは東京カレンダーの記事広告ではありません!念のため!

 

ランダムに選らんだ女子7人にアンケートをとってみました

女子がデートでOKを出す理由は「場所」か「顔」か、それを明らかにするためにロックオン東京支社に働く女子7人をランダムで抽出し、アンケートをとりました。

アンケートでは東京カレンダーに取り上げられた8つのスポットを紹介し、それぞれデートで行こうと言われたら行く度を1(行きたくない)~4(行きたい)で点数付けして貰いました。

 
A:皿に広がる小宇宙!宇宙イメージの漆黒フードを食べて胃袋でもアートを感じろ
https://tokyo-calendar.jp/article/7622

B:こんなムーディーなフェス見たことない!世界的ジャズの祭典が横浜赤レンガに再上陸
https://tokyo-calendar.jp/article/7666

C:本日から全4回!カレッタ汐留で開催の「サイレントディスコ」の意味がよくわからん!
https://tokyo-calendar.jp/article/7428

D:ゲストが盛りつけて料理を完成!進化系グランピングの奥が深すぎてたまらん
https://tokyo-calendar.jp/article/7529

E:本日から!フリースタイルでイクラもいける、北海道を食べ尽すナイトブッフェが開催
https://tokyo-calendar.jp/article/7577

F:最強コスパのステーキ量り売り!和牛が安くて旨すぎる肉レストラン発見!
https://tokyo-calendar.jp/article/7650

G:さすがコリドー街、ついに“音響に拘り抜いた”日本酒専門店が登場!?
https://tokyo-calendar.jp/article/7669

H:この土日は、代々木公園でアラビアンフェス!現役女子大生美女ベリーダンサーも大集結
https://tokyo-calendar.jp/article/7538
 

「場所」によってデートに行きたい度に違いは出るか明らかにするために、点数をつけるわけですね。

5点満点にすると中庸な日本人は「3」を付けたがるので、あえて真ん中を外しました。

 

さらに、「顔」によってデートに行きたい度に違いが出るかを明らかにするために、以下のロックオン男子5人と行きたい度の点数付けをして貰いました。

 

金田一少年の事件簿風自己紹介。
金田一少年の事件簿風自己紹介。

 

場所×顔で40問のアンケートに答えて貰いました。

◎◎さんとAに行きたいですか?△△さんとならどうですか?◎◎さんとBに行きたいですか?…と続きます。

 

もし「場所」によって点数に差が出れば「場所が良いからあなたとは食事に行ってもいい」という可能性があります。これはそうであって欲しい期待する結果です。

「顔」によって点数に差が出れば「顔が良いからあなたとは食事に行ってもいい」という可能性があります。これはそうであって欲しくない期待していない結果です。

さて、そんなこと証明できるんでしょうか。できるんです。そう、分散分析ならね。

 

「分散分析」とは何か?

簡単に言うと、3つ以上のグループに差があるか調べる方法です。

H1(帰無仮説):グループ間のどの組み合わせであっても差は無い
H0(対立仮説):1つ以上の組み合わせに差がある

 

と仮説を立て検定を行います。

帰無仮説・対立仮説の説明はコチラのコンテンツをご覧下さい。

 

分散分析には一元配置分散分析と二元配置以上の(多元配置)分散分析、2種類があります。

一元配置分散分析とは「ある要因がグループ間の違いに繋がったか」を判定します。

今回の事例で言うと、場所という要因が「デートで行こうと言われたら行きたい度」に影響を与えたかどうかを分析できます。

 

もう少し詳しく見てみましょう。

以下は、今回のアンケートの結果です。デートに行こうと誘われたA~H各場所に対して、それぞれ行きたい度を回答して貰いました。

 
001
 

この結果に対して、群間変動、群内変動、総変動をそれぞれ求めます。

 
002
 

横軸は場所の違いによる変動を意味しています。総平均との差を要因による変動と考えます。これを群間変動と言います。

一方で、その他の要因(女子によって好みが違う等)が横軸単位(A、B、C…)の縦軸内の変動です。軸単位の平均との差は、誤差による変動と考えます。これを群内変動と言います。

そしてこの群間変動と群内変動を足し合わせたものを総変動と呼びます。

総変動は、各値と総平均の差になるのですが、それを群間変動と群内変動に分けて考えているわけですね。

 

この2つが分かったことで群間変動の分散を分子、群内変動の分散を分母として分散の比を求め、F検定を行います。

難しい説明は省きますが、要は「要因の効果が無いなら誤差に埋もれるはずだから、群間変動の分散は群内変動の分散より小さくなる」はずなのです。

それぞれの分散(不変分散)は群間変動が1.622、群内変動が0.875、よってF値は1.854となります。

これはF分布表で見ると5%有意水準で見ると棄却されます。

 

すなわち「場所という要因は、デート行こうと言われたら行きたい度合いに影響を受けない、とは言えない」ことがわかりました。

「場所」次第でデートに行きたくなる度は変わる余地があります

ちなみに全ての女子大絶賛が「北海道を食べ尽すナイトブッフェ」でした。世の中の男子、北海道の海鮮やで!

今後も、東京カレンダーで女子が喜ぶ場所を見つけるしかないですね。これで少しは希望が持てます。

 

エクセルの「データ分析機能」を使えば一発

こんな手間のかかる計算を、エクセルの「データ分析機能」を使えば一発で済ませてくれます。エクセルにアドインで提供されている機能のことです。

詳しいことは、コチラのコンテンツでの紹介を見てください。

 

今度は「顔」による要因を見てみましょう。

まず[データ]タブを選択し、[データ分析]をクリックします。次に、ツールの中から「分散分析:一元配置」を選択します。

 
003
 

あとは対象となるデータを選択するだけで結果が出ます。

 
005
 

分散比(観測された分散比)は1を大きく上回っており、F境界線よりも値が大きいので、これはF分布表で見ると5%有意水準で見ると棄却されます。

またP値で見ても0.4%と棄却できそうです。

すなわち「顔という要因は、デート行こうと言われたら行きたい度合いに影響を受けない、とは言えない」ことがわかりました。

「顔」次第でもデートに行きたくなる度は変わる余地があります

…って当たり前か。目の前に福士蒼汰が現われて「新橋ガード下の立ち飲み屋でポン酒飲まない?」って言われても殆どの女子は行くわ多分

急に残酷な現実を見せつけられて吐き気を催してきました。

 

顔と場所の相乗効果はあるのか?二元配置分散分析

「顔」要因を調べるデータには、「場所」という要因も含まれていますが、あえてそれを無視して分析を進めました。これを切り離して、場所・顔という2つの要素で見るとどうなるでしょう。

特に気になるのは、そんな好きな場所じゃないし好きな顔じゃないんだけど、この2つが組み重なるとなんかトキメク。という相乗効果です。

逆もしかりですね。いくら福士蒼汰でも新橋ガード下はちょっと…みたいな。

分散分析では、これを交互作用と呼びます。ちなみに、要因にのみもたらされる効果を主効果と呼びます。

 

さて、実際にエクセルで分析してみましょう。ツールの中から「分散分析:二元配置(繰り返しのある二元配置)」を選択します。

あとは対象となるデータを選択するだけで結果が出ます。

 
006
 

標本は「顔」要因、列は「場所」要因を指します。F値、P値ともに帰無仮説を棄却します。

一方で交互作用はP値0.9999とフツメンに残酷なお知らせをしてくれました。場所で勝負しろ、と。

 

顔は顔、場所は場所ということでしょうか。

今回候補にあげた8つのデートスポットは相乗効果が無いけど、もしかしたら効果がある場所はあるかもしれない、という一縷の望みに賭けたいと思います。

※分散分析自体はノンパラメトリックかどうか事前に確認するなど諸々の事前手続きが必要なんですが、今回は「何ができるか?」だけでも伝われば幸いです。

 

まとめ

学歴なんて関係ないと、東大出てから言ってみたい。というキャッチコピーが昔ありました。

顔なんて関係ないと、彼女できてから言ってみたい。そんな心境です。

「場所」でも行きたい気持ちはあがることが分かりましたので、今は東京カレンダーを熟読して、素敵な女性からの連絡を待っています。

以上、お手数ですが宜しくお願いします。