論文一覧に戻る 統計データ分析コンペ 教育用再現集
総務大臣賞（高校生の部）

都道府県別死亡率の規定要因分析
高齢化・医療アクセス・経済格差の複合効果

⏱️ 推定読了時間: 約38分
2018年度 統計データ分析コンペティション
重回帰分析（OLS） Pearson相関 Gini係数 標準化偏回帰係数 Lorenz曲線 SSDSE-B
📝 3行で分かる要約

目次

  1. 研究の背景と問題意識
  2. 使用データと変数定義
  3. 都道府県別死亡率ランキング
  4. 医療格差の測定：Gini係数とLorenz曲線
  5. 経済指標と死亡率の関係
  6. 重回帰分析：複合効果の分解
  7. まとめと政策的示唆
  8. コードのダウンロード
  9. 📥 データの準備
  10. 💼 実社会での応用
  11. ⚠️ よくある誤解
  12. 📖 用語集
  13. 📐 手法ガイド
  14. 🚀 発展の可能性
  15. 🎯 自分でやってみよう
  16. 🤔 Q&A

🎯 この記事を読むと何ができるようになるか

📥 データの準備（再現コードを動かす前に）

このページの分析を自分で再現するには、以下の手順でデータを準備してください。コードの編集は不要です。

1
データをダウンロードする 統計センターの SSDSE 配布ページから、以下のファイルをダウンロードします。
SSDSE-B-2026.csv　← SSDSE-B（都道府県データ）📥 直接DL
⬇ SSDSEダウンロードページを開く
2
ファイルを所定のフォルダに配置する ダウンロードしたCSVを、プロジェクトの data/raw/ フォルダに入れます。
2026 統計・データ解析コンペ/ ├── code/ │ └── 2018_H1_daijin.py ← 実行するスクリプト └── data/ └── raw/ SSDSE-B-2026.csv ← ここに置く
3
スクリプトをそのまま実行する ターミナルでプロジェクトルートに移動し、以下を実行します。
python3 code/2018_H1_daijin.py
図は html/figures/ に自動保存されます。

1. 研究の背景と問題意識

日本の死亡率は都道府県によって大きく異なります。高齢化が急速に進む地方では死亡率が高く、 経済的に豊かな都市部では比較的低い傾向があります。しかし、この単純な「高齢化が原因」という説明だけでは、 地域間格差の全体像を把握することはできません。

まず「都道府県別死亡率の規定要因分析高齢化・医療アクセス・経済格差の複合効果」を統計的にとらえることが有効だと考えられる。 その理由は感覚や経験則だけでは、複雑な社会要因の中で「何が本当に効いているか」を見極めにくいからである。 本研究では公開データと統計手法を組み合わせ、この問いに定量的な答えを出すことを目指す。

問題意識：死亡率格差はどの要因で説明できるか？ 高齢化率だけで死亡率を説明できるのか？医療アクセス（病院の整備状況）や 経済格差（有効求人倍率・保健医療費）は、高齢化率を制御した上でもなお、 独立した説明力を持つのか？本研究は重回帰分析（OLS）と Gini係数を用いてこれを検証します。

本論文の特徴は、高齢化・医療アクセス・経済格差という3つの要因を同時に分析モデルに投入し、 それぞれの純粋な（交絡を除いた）効果を標準化偏回帰係数で比較した点です。 さらにLorenz曲線とGini係数を用いて医療格差の不平等構造を視覚化しています。

分析対象
47
都道府県（2023年断面）
目的変数
死亡率
人口千人当たり死亡数
決定係数 R²
0.952
モデルの説明力
主要因
高齢化率
β = 0.929 (p<0.001)

2. 使用データと変数定義

データソース

本分析はSSDSE-B-2026（社会・人口統計体系 都道府県データセット）の 最新年次（2023年度）47都道府県の断面データを用いる。 人口・死亡・医療・雇用・消費支出の各変数を統合して分析モデルを構築した。

変数定義・算出方法データソース想定符号
死亡率（目的変数） 死亡数 ÷ 総人口 × 1000（人口千人当たり） SSDSE-B 死亡数・総人口 —
高齢化率 (%) 65歳以上人口 ÷ 総人口 × 100 SSDSE-B 65歳以上人口 +（正）
病院数（人口10万対） 一般病院数 ÷ 総人口 × 100,000 SSDSE-B 一般病院数 ±（不明）
有効求人倍率 月間有効求人数 ÷ 月間有効求職者数（一般） SSDSE-B 求人・求職者数 −（経済活性化 → 死亡率低下）
保健医療費（円） 二人以上世帯の月間保健医療費支出 SSDSE-B 家計支出 −（医療投資 → 死亡率低下）
消費支出（円） 二人以上世帯の月間消費支出総額 SSDSE-B 家計支出 −（豊かさ → 死亡率低下）
分析の流れ
SSDSE-B
47都道府県
（2023年）
→
変数計算
（死亡率・
高齢化率等）
→
Pearson相関
（単変量）
→
Lorenz曲線
Gini係数
（格差測定）
→
OLS重回帰
（標準化β）

変数の基本統計量（n=47）

変数平均標準偏差最小値最大値
死亡率（‰）14.102.099.74（沖縄）19.17（秋田）
高齢化率（%）31.593.3422.75（沖縄）39.06（秋田）
病院数（10万対）6.902.773.1316.07
有効求人倍率（倍）1.350.220.901.86
保健医療費（円）14,4232,14311,05221,000
消費支出（円）295,85624,144223,423344,092

3. 都道府県別死亡率ランキング

都道府県別死亡率ランキング
図1：都道府県別死亡率（人口千人当たり）のランキング棒グラフ（2023年）。地域別に色分け。破線は全国平均（14.10‰）。
📌 このランキング図の読み方
このグラフは
都道府県を指標の値順に並べて棒や点でプロットしたグラフ。
読み方
上位（右側）が最大、下位（左側）が最小。色分けされていればグループ（地域ブロック）の特徴も読める。
なぜそう解釈できるか
上位と下位の差を比較して、地域差の大きさを定量的に評価できる。

死亡率が最も高いのは秋田県（19.17‰）、続いて青森・島根・高知などの地方県。 最も低いのは沖縄県（9.74‰）で、東京・神奈川・滋賀など大都市圏も低い傾向を示します。

地域パターン：北海道・東北と九州・沖縄の違い 北海道・東北地域（青色）は高齢化が進んでいる都道府県が多く、死亡率も高い傾向。 一方、九州・沖縄地域（橙色）は九州本土と沖縄で分かれており、沖縄は全国最低水準の死亡率を示す。 この地域差が単純な高齢化以外の要因によるものかを次節以降で検討する。

DS LEARNING POINT 1

Pearson相関係数による単変量分析の結果

重回帰を行う前に、まず各説明変数と死亡率の単変量相関を確認する。この「相関→回帰」の順序が実証分析の基本ステップ。

変数 相関係数 r p値 判定
高齢化率 +0.972 p <0.001 *** 強い正相関
病院数（10万対） +0.524 p <0.001 *** 中程度の正相関
有効求人倍率 +0.308 p = 0.035 * 有意な正相関
保健医療費 −0.537 p <0.001 *** 中程度の負相関
消費支出 −0.361 p = 0.013 * 有意な負相関
from scipy import stats # Pearson相関係数と無相関検定 r, p = stats.pearsonr(df_cross['高齢化率'], df_cross['死亡率']) print(f"r = {r:.4f}, p = {p:.4f}") # 高齢化率が最も強い相関 r=0.972 ***

4. 医療格差の測定：Gini係数とLorenz曲線

単純な統計の比較だけでなく、都道府県間の格差の構造を把握するために、 Lorenz曲線とGini係数を用いて医療アクセス指標の不平等を可視化する。

Lorenz曲線とGini係数
図2：医療関連指標のLorenz曲線とGini係数。左：保健医療費（Gini=0.082）、右：病院数（Gini=0.214）。
📌 この回帰係数プロットの読み方
このグラフは
重回帰分析の各説明変数の係数（影響の強さと向き）をバーや点で表したグラフ。
読み方
右（プラス方向）に伸びるバーは正の影響、左（マイナス）は負の影響。
なぜそう解釈できるか
エラーバーが0をまたいでいない変数が統計的に有意（p < 0.05）。バーが長いほど影響が大きい。
Gini係数の読み方（2指標の比較）
  • 保健医療費（Gini=0.082）：都道府県間の格差は比較的小さい。世帯の医療費支出はどの県でも一定水準が確保されている。
  • 病院数（Gini=0.214）：病院の地域格差はより大きい。医療施設の分布には偏りがあり、地方部では病院密度が低い都道府県が存在する。

Lorenz曲線が「完全平等線（45度線）」から離れるほど格差が大きいことを示す。 病院数の曲線が保健医療費の曲線より大きく凹んでおり、 施設格差 > 費用格差であることが視覚的に確認できる。

DS LEARNING POINT 2

Gini係数とLorenz曲線の数学的意味

Gini係数はLorenz曲線と完全平等線の間の面積（格差面積）を、完全不平等時の最大面積で割った値。0（完全平等）〜1（完全不平等）の範囲をとる。

import numpy as np def gini(arr): v = np.sort(arr) # 昇順に並べる n = len(v) cumv = np.cumsum(v) return (n + 1 - 2 * np.sum(cumv) / cumv[-1]) / n # Lorenz曲線の描き方 sorted_vals = np.sort(arr) cum_pop = np.linspace(0, 1, len(sorted_vals) + 1) cum_val = np.concatenate([[0], np.cumsum(sorted_vals) / sorted_vals.sum()]) # Gini係数の解釈目安 # 0.0〜0.2: 格差が非常に小さい（保健医療費=0.082） # 0.2〜0.4: 中程度の格差（病院数=0.214） # 0.4〜0.6: 格差がかなり大きい（所得分布等）

5. 経済指標と死亡率の関係

有効求人倍率と死亡率の散布図
図3：有効求人倍率と死亡率の関係（2023年、47都道府県）。地域別色分け、都道府県ラベル付き。r=+0.308（p=0.035）。
📌 この散布図の読み方
このグラフは
横軸（x）と縦軸（y）に2変数を取り、各都道府県（または自治体）を点で描いたグラフ。
読み方
点の並びに右上がりの傾向があれば正の相関、右下がりなら負の相関。点が直線に近いほど相関が強い。
なぜそう解釈できるか
回帰直線（赤線など）の傾きが回帰係数に対応する。直線から大きく外れた点が外れ値で、特異な地域を示す。

有効求人倍率と死亡率の間には、正の相関（r=+0.308）が観察される。 これは一見直感に反する結果に見えるが、交絡因子（高齢化率）の存在で説明できる。 高齢化が進む地方では求職者数が多く求人倍率が下がりやすく、死亡率も高い傾向がある。 一方、人口構成が若い都市部（東京・神奈川）は経済活発で求人倍率が高い。

相関関係の解釈に注意：交絡の可能性 単純な2変数の相関係数は、第3の変数（交絡因子）の影響を含む場合がある。 有効求人倍率と死亡率の「正相関」は、高齢化率という交絡因子を通じた 見かけ上の相関（疑似相関）の可能性がある。重回帰分析で高齢化率を制御すると この関係はどう変わるかを次節で確認する。

DS LEARNING POINT 3

相関と因果の区別：交絡因子の制御

「AとBが相関する」は「AがBの原因」を意味しない。第3の変数C（交絡因子）がAとBの両方と関連していると、見かけ上の相関が生じる（疑似相関）。これを解決するのが重回帰分析による「交絡の制御」。

# 交絡の構造（例） # 高齢化率 → 死亡率（直接効果） # 高齢化率 → 有効求人倍率（地方は求職者多・求人少） # ∴ 有効求人倍率 と 死亡率の相関 = 直接効果 + 高齢化を通じた間接効果 # 重回帰で高齢化率を制御した後の有効求人倍率の係数 = 純粋な直接効果 import statsmodels.api as sm X = sm.add_constant(df[['高齢化率','有効求人倍率']]) model = sm.OLS(df['死亡率'], X).fit() # 高齢化率を制御後の有効求人倍率の偏回帰係数を確認

6. 重回帰分析：複合効果の分解

💭 なぜ重回帰分析を選んだか 本分析では OLS重回帰（標準化偏回帰係数） を選択した。理由は3つある： (1) 高齢化率という強力な交絡因子の影響を統計的に除去できる、 (2) 標準化することで単位の異なる変数（％・件数・万円など）を直接比較できる、 (3) 各変数のp値・信頼区間で「効果の確からしさ」を定量評価できる。 代替手法としてランダムフォレストの変数重要度もあるが、本データ（n=47）では解釈性の高いOLSの方が適している。

5つの説明変数（高齢化率・病院数・有効求人倍率・保健医療費・消費支出）を同時に投入した OLS重回帰分析を行い、各変数の純粋な（交絡を除いた）効果を 標準化偏回帰係数で比較した。

モデル定式化

【重回帰モデル（標準化）】 死亡率* = β₁×高齢化率* + β₂×病院数* + β₃×有効求人倍率* + β₄×保健医療費* + β₅×消費支出* + ε 変数* = 標準化（平均0・標準偏差1）、βを直接比較可能に 【モデル全体の有意性】 F統計量 = 162.3, p < 0.001（モデルは全体として有意） R² = 0.952, 調整済みR² = 0.946（変動の95%を説明）
標準化偏回帰係数
図4：重回帰分析の標準化偏回帰係数（β）と95%信頼区間。*** p<0.001、* p<0.05、n.s. 非有意。
📌 この回帰係数プロットの読み方
このグラフは
重回帰分析の各説明変数の係数（影響の強さと向き）をバーや点で表したグラフ。
読み方
右（プラス方向）に伸びるバーは正の影響、左（マイナス）は負の影響。
なぜそう解釈できるか
エラーバーが0をまたいでいない変数が統計的に有意（p < 0.05）。バーが長いほど影響が大きい。

推定結果の詳細

説明変数 標準化β 95% CI p値 有意性 解釈
高齢化率 +0.929 [+0.840, +1.019] p <0.001 *** 最も強力な正の規定要因
病院数（10万対） −0.025 [−0.109, +0.059] p = 0.552 n.s. 高齢化制御後は非有意
有効求人倍率 +0.028 [−0.048, +0.103] p = 0.463 n.s. 交絡除去後は非有意
保健医療費 −0.042 [−0.140, +0.057] p = 0.395 n.s. 単変量では有意だが制御後は弱まる
消費支出 −0.057 [−0.147, +0.034] p = 0.212 n.s. 制御後は非有意
主要な発見：高齢化率の圧倒的な規定力 標準化偏回帰係数β=+0.929（p<0.001）で、高齢化率が死亡率を説明する圧倒的な要因であることが確認された。 他の4変数（医療アクセス・経済指標）は、高齢化率を制御すると独立した説明力を失う（いずれも非有意）。 単変量相関で有意だった保健医療費・病院数は、高齢化率と共変関係にあり、 交絡の典型例を示している。
モデルの適合度 R²=0.952という非常に高い決定係数は、47都道府県の死亡率の分散の95%以上を このモデルで説明できることを意味する。高齢化率1つで大半が説明できることを示しており、 「日本の都道府県間死亡率格差は、ほぼ高齢化格差の問題」という解釈が成り立つ。

DS LEARNING POINT 4

標準化偏回帰係数で変数の「重要度」を比較する

通常の回帰係数は変数の単位に依存するため、異なる変数（%と円）を直接比較できない。標準化（z-score変換）した変数で回帰すると、係数βを直接比較して「どの変数が最も重要か」を判断できる。

from sklearn.preprocessing import StandardScaler import statsmodels.api as sm # 標準化 scaler = StandardScaler() X_scaled = scaler.fit_transform(df[X_cols]) y_scaled = (df['死亡率'] - df['死亡率'].mean()) / df['死亡率'].std() # OLS回帰（標準化変数） X_sm = sm.add_constant(X_scaled) model = sm.OLS(y_scaled, X_sm).fit() # 標準化偏回帰係数の取得 betas = model.params[1:] # 定数項を除く conf_int = model.conf_int()[1:] # |β| が大きいほど説明力が大きい # β=+0.929 → 高齢化率が標準偏差1上昇すると死亡率が0.929標準偏差上昇

7. まとめと政策的示唆

主要な発見のまとめ

SSDSE-B（2023年）の47都道府県データを用いた重回帰分析から、以下の知見が得られた。

  1. 高齢化率が死亡率の圧倒的な規定要因（β=0.929, p<0.001）： 単変量相関（r=0.972）、重回帰分析の両方で一貫して確認。 都道府県間の死亡率格差の大部分は高齢化格差で説明できる。
  2. 医療アクセス・経済指標は交絡の存在（単変量相関は有意、重回帰後は非有意）： 保健医療費（r=−0.537）・病院数（r=+0.524）は単変量では有意だが、 高齢化率を制御すると独立した説明力を失う。これは典型的な交絡のパターン。
  3. 医療格差の構造（Gini係数）： 保健医療費の都道府県間格差（Gini=0.082）は小さいが、 病院密度の格差（Gini=0.214）はより大きい。 費用よりも施設アクセスの地域格差が課題である。
  4. 有効求人倍率の「見かけの正相関」は疑似相関： 高齢化率を制御すると非有意（β=0.028）となり、単純相関（r=+0.308）は 高齢化という共通要因を通じた疑似相関と解釈される。
政策的示唆 死亡率の都道府県間格差は「高齢化格差」が主要因であることから、 死亡率そのものの地域差縮小は困難な面がある。 一方、病院密度のGini係数（0.214）が示す施設アクセスの格差は政策的に改善可能な課題であり、 地方における医療施設の整備・維持が重要な政策課題といえる。 また、高齢化を前提とした「死亡の質」（終末期ケア・在宅医療等）の向上が、 今後の政策方向として示唆される。
分析上の限界と今後の課題
  • 本分析は断面データ（1時点）であり、因果推論には時系列・パネルデータ分析が必要。
  • 死亡率には死因別（がん・心疾患・脳血管等）の分析が求められる。
  • 都道府県内部の市区町村レベルの格差（SSDSE-A）を分析することで、より詳細な知見が得られる。
  • 気候・食文化等の地理的変数を追加した分析も残された課題。
教育的価値（この分析から学べること）
  • 「相関≠因果」の典型例：単変量相関では有意でも、第3の変数（高齢化率）を制御すると効果が消える「交絡」「疑似相関」の構造を実データで体験できる。
  • 標準化偏回帰係数 β の使い方：単位の異なる変数同士の影響の大きさを「同じものさし」で比較するため、説明変数を平均0・分散1に揃えてから回帰するという考え方が学べる。
  • ジニ係数の応用：所得分析だけでなく、医療施設の地域偏在（施設数のジニ係数）を測る指標としても使えるという、応用範囲の広さに気づける。

8. コードのダウンロード

分析スクリプト（2018_H1_daijin.py）
データ出典・説明
SSDSE-B-2026（都道府県データ） 統計数理研究所 SSDSE（社会・人口統計体系）。47都道府県の多分野統計を収録。
使用変数 死亡数、総人口、65歳以上人口、一般病院数、月間有効求人数・求職者数、保健医療費、消費支出（二人以上世帯）
分析年度 2023年（SSDSE-B-2026の最新年次）、n=47都道府県の断面分析

本教育用コードは SSDSE-B-2026.csv の実データのみを使用（合成データ・乱数シード不使用）。

⚠️ よくある誤解と注意点

統計分析の解釈で初心者がやりがちな勘違いをまとめます。特に「相関と因果の混同」「p値の過信」は研究現場でもよく起きる落とし穴です。本文を読む前にも、読んだ後にも、目を通してみてください。

❌ 「相関がある＝因果関係がある」ではない
疑似相関（spurious correlation）とは、見かけ上は関係があるように見えるが、実際は無関係、または第三の変数（交絡変数）が両方に影響しているだけの現象です。

古典例： アイスクリームの売上 と 水難事故件数 は強く相関するが、片方が他方を引き起こしているわけではない。両者とも「夏の暑さ」という第三の変数に引きずられているだけ。

論文を読むときの心構え： 「○○と△△に強い相関が見られた」だけで終わっている主張は、本当に因果関係があるのか、それとも第三の変数（人口・所得・地理など）が共通要因として効いているだけではないかを必ず疑ってください。
❌ 「p値が小さい＝重要な発見」ではない
p値が小さい（例えば p < 0.001）ことは「統計的に偶然とは考えにくい」という意味であって、「実用的に大きな効果がある」という意味ではありません。

例： 巨大なサンプルサイズ（n=100,000）では、相関係数 r=0.02 でも p < 0.001 になります。しかし r=0.02 は実用上ほぼ無視できる関係です。

正しい読み方： p値と効果量（係数の大きさ、相関係数の値）の両方をセットで判断してください。p値だけで「重要な発見」と結論づけるのは誤りです。
❌ 「回帰係数が大きい＝重要な変数」ではない
回帰係数の絶対値は、説明変数の単位に強く依存します。「年収（万円）」と「失業率（%）」の係数を直接比較しても意味がありません。

正しい比較方法： (1) 標準化係数（各変数を平均0・分散1に変換した上での係数）を使う、(2) 限界効果（変数を1標準偏差動かしたときのyの変化）で比較する。

また、係数の大きさが「因果関係の強さ」を意味するわけでもありません。あくまで「相関的な関連の強さ」です。
❌ 「外れ値を除外すれば正しい結果」ではない
外れ値（極端な値）を「目障りだから」「結果が綺麗にならないから」という理由で除外するのは分析の改ざんに近い行為です。

外れ値が示すもの： 本当に重要な情報（東京の超高密度、北海道の超低密度など）であることが多い。外れ値を取り除くと「日本全体の傾向」を見誤る原因になります。

正しい対処： (1) 外れ値の出現要因を調査する（なぜ東京だけ突出するのか）、(2) ノンパラメトリック手法（Spearman相関・Kruskal-Wallis）を使う、(3) 外れ値を含む結果と除外した結果の両方を提示し、解釈を読者に委ねる。
❌ 「サンプルサイズが大きい＝信頼できる」ではない
サンプルサイズ（n）が大きいと統計的検定の検出力は上がりますが、それは「偶然による誤差を減らす効果」にすぎません。

nが大きくても解消されない問題：
・選択バイアス（標本が偏っている）
・測定誤差（変数の定義が曖昧）
・欠損値のパターン（欠損がランダムでない）
・交絡変数の見落とし

例： 1万人にWeb調査して「ネット利用と幸福度は強く相関」と言っても、そもそも回答者がネットユーザー寄りに偏っているため、母集団全体の結論にはなりません。
❌ 「複雑なモデル＝より良い分析」ではない
ランダムフォレスト・ニューラルネット・複雑な階層モデルなど、高度な手法を使えば「良い分析」と感じがちですが、必ずしもそうではありません。

過学習（overfitting）の罠： モデルが複雑すぎると、訓練データの偶然のパターンまで学習してしまい、新しいデータでは予測精度が落ちます。

シンプルさの価値： 重回帰分析や相関分析は「結果が解釈しやすい」「再現性が高い」という大きな利点があります。複雑な手法はシンプルな手法で答えが出ない時の最後の手段です。
❌ 「多重共線性は気にしなくていい」ではない
多重共線性とは、説明変数同士の相関が極めて強い状態のこと。これを放置すると、回帰係数の符号や大きさが入れ替わる異常事態が起こります。

典型例： 「総人口」と「労働力人口」を同時に投入すると、両者の相関が r=0.99 になり、係数推定が極端に不安定になります。「総人口は正だが、労働力人口は負」のような解釈不能な結果になりがちです。

診断と対処：
・VIF（分散拡大係数）を計算し、VIF > 10 の変数を確認
・相関行列で |r| > 0.8 のペアをチェック
・対処法：一方を除外、合成変数（PCA）に変換、Ridge回帰で安定化
❌ 「R²が高い＝良いモデル」ではない
決定係数 R² はモデルの「当てはまりの良さ」を示しますが、R² が高くてもモデルが正しいとは限りません。

R² が高くなる罠：
・説明変数を増やせば R² は自動的に上がる（無関係な変数を追加してもR²は下がらない）
・時系列データでは、共通のトレンド（時間とともに増加）があるだけで R² が 0.9 を超える
・サンプルサイズが小さいとR²が過大評価される

代替指標： 調整済み R²（変数の数でペナルティ）、AIC・BIC（モデル選択基準）を併用してください。予測力の真の評価には交差検証（cross-validation）でテストデータの R² を見ること。
❌ 「ステップワイズで選んだ変数は重要」ではない
ステップワイズ法（バックワード・フォワード選択）は便利ですが、p値ベースの変数選択は再現性に問題があると批判されています。

問題点：
・同じデータでも実行順序によって最終モデルが変わる
・p値を繰り返し見ることで「偶然に有意な変数」を拾ってしまう（p-hacking）
・係数の標準誤差が過小評価され、信頼区間が嘘っぽくなる

より良い方法：
・事前に変数を理論で絞る（先行研究から候補を選ぶ）
・LASSO回帰（自動かつ統計的に正当化された変数選択）を使う
・交差検証で AIC/BIC 最小モデルを選ぶ
❌ 「線形回帰なら線形関係を前提にすべき」
重回帰分析は線形関係を前提とします。実際の関係が非線形なのに線形モデルで分析すると、本当の関係を見逃します。

非線形の例：
・U字型関係： 失業率と物価上昇率（フィリップス曲線）
・逓減効果： 所得と幸福度（年収 800万円までは強い正の効果、それ以上は飽和）
・閾値効果： 高齢化率と医療費（ある水準を超えると急激に上がる）

診断と対処：
・残差プロットで残差が0周辺に均等に分布しているか確認
・変数の対数変換・二乗項追加で非線形性を取り込む
・どうしても線形では捉えられないなら、機械学習（RF・GBM）を併用する
❌ 「データに当てはまった＝予測に使える」ではない
「過去のデータでフィットしたから将来も予測できる」と思うのは危険です。

過学習（overfitting）の例： 47都道府県のデータに10個の説明変数を投入すれば、ほぼ完璧にフィットします（自由度がほぼゼロ）。でもそのモデルを新しい年度に適用すると、予測精度はほぼランダム並みに落ちることがあります。

正しい予測力の評価：
・データを訓練用 70%とテスト用 30%に分割し、テスト用での予測精度を見る
・k分割交差検証（k-fold CV）で予測の安定性を確認
・「説明変数の数 ≪ サンプルサイズ」のバランスを意識（目安：n > 10 × 変数数）

📖 用語集（この記事に出てくる統計用語）

統計の基本用語を初心者向けに解説します。本文中で見慣れない言葉が出てきたら、ここに戻って確認してください。

p値
「効果がない」と仮定したときに、観察されたデータ（またはより極端なデータ）が得られる確率。0〜1の値で、慣例的に 0.05（5%）未満を「有意」と判断する。
有意水準
「偶然」と「意味のある違い」を分ける基準。通常 α=0.05（5%）を使う。p値 < α なら「有意」と判定。
信頼区間
「真の値はこの範囲にあるだろう」という幅。95%信頼区間 = 同じ実験を100回繰り返したら95回はこの範囲に真の値が入る。
サンプルサイズ
分析に使ったデータ点の数（n）。一般にnが大きいほど推定が安定し、わずかな差も検出できるようになる。
標準誤差
推定値（係数など）のばらつきの目安。標準誤差が小さいほど推定値が安定している。
正規分布
釣鐘型の左右対称な分布。多くのパラメトリック検定（t検定・F検定など）は「データが正規分布に従う」ことを仮定する。
因果と相関
「相関がある」と「原因と結果の関係（因果）」は別物。アイスクリームの売上と水難事故は相関するが、原因は両者とも「夏の暑さ」。
外れ値
他のデータから極端に離れた値。分析結果を歪める原因になるため、検出して除外するか別途扱う必要がある。
欠損値
データが取得できなかった部分（NaN・空白）。除外するか補完（平均代入・回帰代入など）するかが分析上の重要な判断点。
VIF
Variance Inflation Factor（分散拡大係数）。多重共線性の強さを示す指標。VIF > 10 で「強い多重共線性あり」と判断。
交絡変数
「真の原因」と「結果」の両方に影響する第三の変数。これを統制しないと、見かけ上の関係を真の因果と誤認する。
係数（回帰係数）
「説明変数 x が1単位増えたとき、目的変数 y が平均でどれだけ変化するか」を示す数値。正の値は正の影響、負の値は負の影響。
内生性
説明変数と誤差項が相関している状態。逆因果や交絡変数の存在で発生する。これを放置すると係数推定にバイアスが生じる。
多重共線性
説明変数同士の相関が強すぎる状態。係数推定が不安定になり、解釈を誤る原因になる。VIF > 10 が警告サイン。
標準化係数
変数の単位の影響を取り除いた係数。複数の変数の影響の大きさを単位に依存せず比較するために使う。
決定係数 R²
回帰モデルが目的変数のばらつきの何%を説明できるかを示す指標。0〜1の値で、1に近いほどモデルの説明力が高い。

📐 使っている手法をわかりやすく解説

統計手法について「何のためか」「結果をどう読むか」を初心者向けに解説します。

◆ 統計の基本概念（どの論文にも共通）

🔍 p値（有意確率）とは
何？
「もし本当に効果がなかったとしたら、今回の結果（またはもっと極端な結果）が偶然起きる確率」のこと。
なぜ必要？
帰無仮説（「効果なし」の仮定）のもとで検定統計量の分布から計算する。
何がわかる？
「この関係は偶然ではなく、統計的に意味がある」と主張するための客観的な根拠になる。
読み方
p < 0.05（5%未満）を「統計的に有意」と判断するのが慣例。ただし「p値が小さい＝効果が大きい」ではない。効果量（係数の大きさ）とセットで判断する。
🗂️ ノンパラメトリック検定とは（なぜ使うのか）
何？
「データが正規分布に従う」という仮定を置かない検定手法の総称。Kruskal-Wallis検定・Mann-Whitney U検定などが代表例。
なぜ必要？
データの値ではなく「順位」に変換して検定統計量を計算する。外れ値や偏った分布に対しても安定して機能する。
何がわかる？
サンプルサイズが小さい・データが歪んでいる・外れ値がある場合でも、グループ差の有無を検定できる。
読み方
「なぜノンパラメトリックを選ぶのか」の理由を示すには、正規性検定（Shapiro-Wilk）の結果を添えるのが望ましい。結果の解釈は対応するパラメトリック検定と同様（p < 0.05 で有意差あり）。

◆ この論文で使われている手法

📈 重回帰分析
何？
複数の説明変数（原因候補）が1つの目的変数（結果）にどれだけ影響するかを同時に推定する手法。
どう使う？
目的変数 y を複数の説明変数 x₁, x₂, … で予測する式（y = a₁x₁ + a₂x₂ + … + b）を最小二乗法でフィットさせる。
何がわかる？
複数の要因が混在するなかで「どれが一番効いているか」を一度に検証できる。交絡変数を統制できる。
結果の読み方
係数（a₁, a₂…）のプラスは正の影響、マイナスは負の影響。p < 0.05 で統計的に有意。R²が1に近いほどモデルの説明力が高い。
⚠️ 注意点
(1) 多重共線性を必ずVIFで確認（VIF>10で警告）。(2) 線形性の仮定—関係が曲線なら対数変換や二乗項を追加。(3) 残差プロットで正規性・等分散性を確認。(4) サンプル数は最低でも「説明変数数×10」が目安。(5) 外れ値1つで係数が大きく変わるのでCook距離で確認。
🔗 相関分析
何？
2つの変数の「一緒に増減する傾向の強さと向き」を −1〜+1 の相関係数 r で数値化する手法。
どう使う？
散布図を描き、Pearson（連続データ）または Spearman（順序データ・外れ値に強い）の相関係数を計算する。
何がわかる？
「気温が高い県ほど熱中症指標が高い」などの傾向を素早く確認できる。変数選択の第一歩として使われることも多い。
結果の読み方
r > +0.7 は強い正の相関、r < −0.7 は強い負の相関、|r| < 0.3 はほぼ無相関。相関は因果関係を示すものではない点に注意。
⚠️ 注意点
(1) 多重共線性を必ずVIFで確認（VIF>10で警告）。(2) 線形性の仮定—関係が曲線なら対数変換や二乗項を追加。(3) 残差プロットで正規性・等分散性を確認。(4) サンプル数は最低でも「説明変数数×10」が目安。(5) 外れ値1つで係数が大きく変わるのでCook距離で確認。
🏛️ パネルデータ固定効果モデル（FE）
何？
複数の個体（都道府県など）を複数時点で観測したパネルデータから、個体固有の見えない差を取り除いて時間変化の効果を推定する手法。
どう使う？
各個体の平均を引く「within 変換」で、観察できない固有特性（北海道は寒いなど）を自動的に統制する。
何がわかる？
「東京だから人口が多い」ではなく「この政策が人口を増やした」という効果を分離して推定できる。
結果の読み方
係数の解釈は通常の回帰と同じ。Hausman 検定で固定効果モデルの妥当性を確認する。
⚠️ 注意点
(1) 多重共線性を必ずVIFで確認（VIF>10で警告）。(2) 線形性の仮定—関係が曲線なら対数変換や二乗項を追加。(3) 残差プロットで正規性・等分散性を確認。(4) サンプル数は最低でも「説明変数数×10」が目安。(5) 外れ値1つで係数が大きく変わるのでCook距離で確認。
🌿 Ward法クラスタリング
何？
データをグループ（クラスター）に自動分類する手法。グループ内のばらつきが最小になるよう統合していく。
どう使う？
統合後の「ばらつき増加」が最小になるペアを繰り返し合体させ、デンドログラム（樹形図）で可視化する。
何がわかる？
都道府県を「都市型」「農村型」などのグループに自動分類し、グループ間の特徴比較ができる。
結果の読み方
デンドログラムの切り位置でクラスター数を決める。各クラスターの変数平均を見てグループを命名・解釈する。
⚠️ 注意点
(1) 多重共線性を必ずVIFで確認（VIF>10で警告）。(2) 線形性の仮定—関係が曲線なら対数変換や二乗項を追加。(3) 残差プロットで正規性・等分散性を確認。(4) サンプル数は最低でも「説明変数数×10」が目安。(5) 外れ値1つで係数が大きく変わるのでCook距離で確認。
📅 時系列分析
何？
時間順に並んだデータのトレンドや周期性、変化点を分析する手法群の総称。
どう使う？
折れ線グラフでトレンドを視覚化し、移動平均・指数平滑・AR/MA モデルを適用する。
何がわかる？
「出生率がいつから下がり始めたか」「コロナ前後で変化したか」などの変化を客観的に捉えられる。
結果の読み方
傾きが正なら上昇トレンド、負なら下降トレンド。変化点の前後で傾きが変わる場合は構造変化として解釈する。
⚠️ 注意点
(1) 多重共線性を必ずVIFで確認（VIF>10で警告）。(2) 線形性の仮定—関係が曲線なら対数変換や二乗項を追加。(3) 残差プロットで正規性・等分散性を確認。(4) サンプル数は最低でも「説明変数数×10」が目安。(5) 外れ値1つで係数が大きく変わるのでCook距離で確認。
📊 ジニ係数・ローレンツ曲線
何？
所得や医療資源などの「不平等度（格差）」を0〜1の数値で表す指標。0が完全平等、1が完全不平等。
どう使う？
データを昇順に並べ、累積シェアの曲線（ローレンツ曲線）と完全平等線との面積から計算する。
何がわかる？
「都道府県間の医師数の格差は大きいか」「格差は拡大・縮小しているか」を客観的に測れる。
結果の読み方
ジニ係数 0.3 以上は格差が大きい水準。時系列変化で格差のトレンドを読む。
⚠️ 注意点
(1) 多重共線性を必ずVIFで確認（VIF>10で警告）。(2) 線形性の仮定—関係が曲線なら対数変換や二乗項を追加。(3) 残差プロットで正規性・等分散性を確認。(4) サンプル数は最低でも「説明変数数×10」が目安。(5) 外れ値1つで係数が大きく変わるのでCook距離で確認。
↔️ VAR（ベクトル自己回帰）/ Granger因果検定
何？
複数の時系列変数が互いに影響し合う関係を分析する手法（VAR）と、「AがBの予測に役立つか」を検定する手法（Granger因果）。
どう使う？
VARは全変数を互いに説明変数として同時回帰。Granger因果はF検定でAのラグ変数がBの予測精度を向上させるかを確認する。
何がわかる？
「女性就業率と出生率はどちらが先に動くか」「リード・ラグ関係」を特定できる。
結果の読み方
Granger因果 p < 0.05 → 「Aの過去値はBの予測に役立つ」（ただし真の因果とは限らない）。
⚠️ 注意点
(1) 多重共線性を必ずVIFで確認（VIF>10で警告）。(2) 線形性の仮定—関係が曲線なら対数変換や二乗項を追加。(3) 残差プロットで正規性・等分散性を確認。(4) サンプル数は最低でも「説明変数数×10」が目安。(5) 外れ値1つで係数が大きく変わるのでCook距離で確認。

🚀 発展の可能性（結果 X → 新仮説 Y → 課題 Z）

この研究をさらに発展させるための3つの方向性を示します。「今回わかったこと（X）」から「次に検証すべき仮説（Y）」を立て、「具体的に何をするか（Z）」まで考えてみましょう。

① データ・時間的拡張
結果 X
本論文は特定の年度・地域の断面データ（または限られた時系列）で分析を行った。
新仮説 Y
より新しい年度のデータや市区町村レベルの細粒度データを使えば、知見の時間的頑健性や地域内格差を検証できる。
課題 Z
（1）統計センターから最新の SSDSE をダウンロードし、同じ分析を再実行する。（2）結果が変わった場合、その要因（コロナ・政策変化など）を考察する。（3）市区町村データ（SSDSE-A/C/F）で分析単位を細かくした場合の結果と比較する。
② 手法の発展：重回帰分析 の次のステップ
結果 X
本論文は 重回帰分析 を用いた推定を行った。
新仮説 Y
パネルデータ固定効果モデル（FE）による都道府県固有の差の統制 により、本分析では統制できていない問題を解消できる可能性がある。
課題 Z
（1）パネルデータ固定効果モデル（FE）による都道府県固有の差の統制 を実装し、本論文の係数推定と比較する。（2）操作変数法（IV）による内生性の解消 も試し、結果の頑健性を確認する。（3）推定結果の変化から、元の分析の仮定のどれが重要だったかを考察する。
③ 政策提言・実践への応用
結果 X
本論文は分析結果から特定の変数が目的変数に影響することを示した。
新仮説 Y
分析対象を日本全国から特定地域に絞ること、または逆に国際比較に拡張することで、政策の移転可能性と文脈依存性を検証できる。
課題 Z
（1）有意な変数を「政策で変えられるもの」と「変えにくいもの」に分類する。（2）政策で変えられる変数について、係数の大きさから「どれだけ変えればどれだけ効果があるか」を試算する。（3）自治体・政策立案者への提言として、実現可能なアクションプランを1枚にまとめる。

🎯 自分でやってみよう（5つのチャレンジ）

学んだだけでは身につきません。実際に手を動かすのが最強の学習方法です。本論文のスクリプトをベースに、以下のチャレンジに挑戦してみてください。難易度別に5つ用意しました。

★☆☆☆☆ 入門
CH1. 同じデータで分析を再現する
まずは付属の Python スクリプトをそのまま実行し、論文と同じ図を再現してみてください。
ポイント： 各図がどのコード行から生成されているか辿る。エラーが出たら原因を考える。
★★☆☆☆ 初級
CH2. 説明変数を1つ追加・除外して結果を比較
本論文の分析モデルから説明変数を1つ抜いて再実行、あるいは1つ追加して再実行してください。
ポイント： 係数・p値・R² がどう変わったか観察する。多重共線性が原因で結果が変わる例を見つけられたら理想的。
★★★☆☆ 中級
CH3. 別の年度・別の都道府県で同じ分析を試す
SSDSE の別の年度（例：2015年度・2020年度）または特定都道府県のみのデータで同じ分析を実行してください。
ポイント： 時代や地域によって結論が変わるか？ 変わるならその理由を考察する。
★★★★☆ 上級
CH4. 別の手法を組み合わせる
本論文の手法 + 1つの追加手法（例：重回帰 + LASSO、相関分析 + 主成分分析）で結果を比較してください。
ポイント： 手法の違いで結論が変わるか？ どちらが妥当かを「なぜ」とともに説明できるように。
★★★★★ 発展
CH5. オリジナルの問いを立てて分析する
本論文の手法を借りて、あなた自身の問いを立てて分析してください。 例：「カフェの数と幸福度に関連はあるか」「教育費の高い県は出生率も高いか」など。
ポイント： 問い・データ・手法・結論を1ページのレポートにまとめる。これがデータサイエンスの「実践」。
💡 ヒント： 詰まったら本サイトの他の論文（同じ手法を使っている）のスクリプトをコピーして組み合わせるのが効率的です。手法ガイド・用語集も参考に。

💼 この手法は実社会でこう使われている

本論文で学んだ手法は、研究の世界だけでなく、行政・企業・NPO の現場でも様々に活用されています。具体的なシーンを紹介します。

🏛️
行政の政策立案
都道府県・市区町村の政策担当者は、本論文と同様のデータ分析を用いて「どこに予算を投じれば効果が出るか」を検討します。 例えば医療費削減策、移住促進策、子育て支援策などの効果予測・効果検証に直結します。
🏢
企業のマーケティング・出店戦略
小売チェーン・サービス業の出店戦略では、地域特性（人口構成、所得、ライフスタイル）と売上の関係を本論文と同じ手法で分析します。 ECサイトでも顧客セグメント分析・購買要因分析に類似手法が使われます。
🏥
医療・公衆衛生
感染症の流行予測、医療資源配分の最適化、健康格差の地域要因分析などで、本論文の統計手法は標準的に使われています。 WHO・厚労省レベルの政策評価でも同じ手法が活躍しています。
📊
メディア・ジャーナリズム
新聞・テレビの社会調査記事、選挙予測、世論調査の分析でも、本論文と同じ手法（回帰分析・クラスタリングなど）が使われています。 データジャーナリズムの記事はこの種の分析が中核です。
🎓
学術研究（隣接分野）
経済学・社会学・公衆衛生学・教育学・地理学などの実証研究では、本論文と同じ手法が日常的に使われます。 専門誌に掲載される論文の8割以上が、こうした統計手法に基づいて結論を出しています。
💰
金融・保険業界
与信判断（融資審査）、保険料の地域別設定、不動産価格予測などで、本論文と同様のモデリング手法が広く活用されています。 統計分析の能力は金融業界の必須スキルになっています。

🤔 よくある質問（読者からの想定Q&A）

この論文を読んで初心者が抱きやすい疑問に、教育的観点から答えます。

Q1. この分析、自分でもできますか？
はい、できます。SSDSE データは無料で公開されており、Python の pandas, scikit-learn, statsmodels を使えば全く同じ手順で再現可能です。本ページ下部のスクリプトを実行するだけで結果が得られます。
Q2. 使われている手法は他の分野にも応用できますか？
十分応用可能です。本論文の[手法]は、医療・教育・経済・環境など他のドメインでも標準的に使われる手法です。データの中身（変数）を入れ替えるだけで、別の問いにも適用できます。
Q3. 結論は本当に「因果関係」を示していますか？
本論文は「観察データ」を使った分析であり、厳密な意味での「因果関係」を完全に証明したわけではありません。あくまで「強い関連が見られた」という事実を提示しているにとどまります。真の因果を示すには、無作為化比較試験（RCT）か、自然実験を活用したIV・DiD 等の手法が必要です。
Q4. データの最新版を使うとどうなりますか？
SSDSE は毎年更新されているため、最新版を使えば近年のトレンド（特にコロナ禍以降の変化）も含めて分析できます。ただし、結論が変わる可能性もあります。それ自体が新しい発見につながります。
Q5. もっと深く学ぶには何を読めばいいですか？
「計量経済学」「データサイエンス入門」「統計的因果推論」などのテキストが入門に向いています。Python の場合は『Python ではじめる機械学習』（オライリー）、R の場合は『R で学ぶ統計学』が定番です。本サイトの他の論文も読み比べてみてください。
← 前の論文
都道府県間経済格差の収束仮説検証
次の論文 →
都道府県別消費格差の動態分析：ジニ係数の時系列変化と規定要因