論文一覧に戻る 統計データ分析コンペ 教育用再現集
2018年度 統計データ分析コンペティション ｜ 優秀賞（高校生の部）

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

⏱️ 推定読了時間: 約37分
2018年度受賞論文 ｜ 高校生部門 ｜ データ: SSDSE-B-2026（2012-2022年）
📝 3行で分かる要約

目次

  1. 研究概要と背景
  2. データと分析変数
  3. 都道府県別消費支出ランキング
  4. 消費格差の時系列変化（ジニ係数）
  5. 有効求人倍率と消費支出の関係
  6. 重回帰分析：消費格差の規定要因
  7. まとめと考察
  8. 📥 データの準備
  9. 💼 実社会での応用
  10. ⚠️ よくある誤解
  11. 📖 用語集
  12. 📐 手法ガイド
  13. 🚀 発展の可能性
  14. 🎯 自分でやってみよう
  15. 🤔 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_H2_yushu.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_H2_yushu.py
図は html/figures/ に自動保存されます。
概
研究概要と背景

日本では高度経済成長以降、地域間の所得格差・消費格差が政策課題として議論されてきた。地方交付税制度などの財政移転が格差を圧縮する一方、人口動態や産業構造の違いが格差を広げる要因ともなっている。本研究は、47都道府県の消費支出データ（2012-2022年）を用いて、都道府県間の消費格差がどのように変化してきたか（時系列分析）、また格差の大小を規定する要因は何か（重回帰分析）を統計的に分析する。

まず「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」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。

研究の問い
  • 都道府県間の消費格差（ジニ係数）は2012-2022年にかけてどう変化したか？
  • COVID-19（2020年）は消費格差に影響を与えたか？
  • 有効求人倍率・高齢化率・大学進学率・都市集積度は消費水準をどう説明するか？
分析の流れ
SSDSE-B
47都道府県
2012-2022年
→
ジニ係数
変動係数
（格差測定）
→
時系列
変化の確認
COVID影響
→
重回帰分析
（OLS）
規定要因の特定

ジニ係数 変動係数 重回帰分析（OLS） 時系列分析

データと分析変数

使用データ

統計数理研究所が提供する SSDSE-B（都道府県データ）2026年版を使用。2012〜2022年の11年間、47都道府県（計517観測）を対象とする。

変数元データ列名変換・定義役割
消費支出消費支出（二人以上の世帯）円/月のまま使用目的変数
有効求人倍率月間有効求人数・求職者数求人数÷求職者数（倍）説明変数（雇用）
高齢化率65歳以上人口・総人口65歳以上÷総人口×100（%）説明変数（人口）
大学進学率高校卒業者・進学者数高校卒進学者÷高校卒業者×100（%）説明変数（教育）
都市集積度転入者数・総人口転入者数÷総人口×100（%）説明変数（都市化）
注：人口密度の代理変数について SSDSE-Bには都道府県面積データが含まれないため、転入率（転入者数÷総人口×100）を「都市集積度」として人口密度の代理変数に使用した。都市部では転出入が活発であり、転入率は都市化・経済活力の代理指標として機能する。

記述統計（2022年、47都道府県）

変数最小値平均最大値標準偏差
消費支出（万円/月）24.529.032.51.8
有効求人倍率（倍）0.841.271.790.22
高齢化率（%）20.929.435.93.3
大学進学率（%）38.452.274.18.3
都市集積度（転入率%）0.91.63.20.5
1
都道府県別消費支出ランキング（2022年）

まず2022年時点の47都道府県の消費支出水準を確認する。地域ブロック別に色分けし、全国平均（29.0万円/月）を破線で示す。

都道府県別消費支出ランキング 2022年
図1：都道府県別消費支出ランキング（2022年、47都道府県）。地域ブロック別に色分け。破線は全国平均（29.0万円/月）。
主要な発見：上位・下位の地域特性
  • 上位5都県：埼玉（32.5万）、東京（32.2万）、滋賀（31.9万）、愛知（31.9万）、富山（31.7万円） — 製造業・高賃金雇用が集積する圏域
  • 下位5県：愛媛（24.5万）、青森（25.0万）、沖縄（25.2万）、和歌山（26.4万）、大阪（26.5万円） — 農林水産業・観光依存型経済圏、または大都市内格差
  • 関東（赤）と中部（橙）が全体的に高水準を示す一方、北海道・東北（青）と中国・四国（紫）は低水準が多い
大阪府が下位に入る理由 大阪府の消費支出が低い背景には、二人以上世帯平均の数値が「府内平均」を示すため、府内の激しい所得格差（高所得層と低所得層の混在）が平均を押し下げている可能性がある。都道府県レベルの集計データは内部分散を隠してしまう点に注意が必要。
2
消費格差の時系列変化（ジニ係数と変動係数）

47都道府県の消費支出を用いてジニ係数と変動係数（CV）を各年計算し、2012〜2022年の格差変化を追う。

ジニ係数の計算式（ランク法）：

G = (2/n) · Σᵢ i·yᵢ / Σᵢ yᵢ − (n+1)/n

yᵢ：i番目に小さい消費支出（i=1, 2, ..., n）　n=47
消費格差の時系列変化
図2：都道府県間消費格差の時系列変化（2012-2022年）。青線（左軸）：ジニ係数、橙破線（右軸）：変動係数CV。灰色帯：COVID-19期間（2020-2021年）。
📌 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「この変数が増えると目的変数も増える」正の影響。左（マイナス方向）は逆。
なぜそう解釈できるか
エラーバー（誤差棒）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。

ジニ係数の推移

年度ジニ係数変動係数特記事項
20120.04220.0754基準年
20130.03960.0709アベノミクス初期・格差縮小
20140.04760.0855消費税8%引き上げ（4月）
20160.04820.0853格差拡大傾向
20190.04930.0910ピーク（消費税10%引き上げ直前）
20200.04480.0808COVID-19・一時的縮小
20210.04640.0836COVID継続期間
20220.03710.0662ジニ係数最小（格差縮小）
COVID-19が消費格差に与えた影響 2020年のCOVID-19感染拡大により都道府県間の消費格差は縮小した（Gini: 0.0493→0.0448）。これは「消費の強制的平準化」によるものと解釈できる。感染対策として飲食・旅行・外出関連消費が全国一律に制限されたため、高消費都府県の消費が特に抑制され、格差が縮小した可能性がある。2022年には格差がさらに縮小（Gini=0.0371）しており、物価上昇と賃金上昇の地域差が格差構造を変化させていると考えられる。

DS LEARNING POINT 1

ジニ係数とローレンツ曲線（格差の測定）

ジニ係数は0（完全平等）から1（完全不平等）の値をとる格差指標。都道府県間消費格差の文脈では0.04前後という小さい値が得られるが、これは47都道府県という集計データのため内部分散が消えているから。

def gini(arr): """ジニ係数（ランク加重法）""" v = np.sort(arr) # 昇順ソート n = len(v) idx = np.arange(1, n+1) return (2 * np.sum(idx * v) / (n * np.sum(v))) - (n+1)/n # 47都道府県の消費支出に適用 g = gini(df_latest['消費支出（二人以上の世帯）'].dropna().values) print(f"ジニ係数 = {g:.4f}") # ローレンツ曲線の描画 sorted_vals = np.sort(arr) / arr.sum() lorenz = np.cumsum(sorted_vals) plt.plot(np.linspace(0,1,n), lorenz, label='ローレンツ曲線') plt.plot([0,1],[0,1], 'k--', label='完全平等線') # Gini = 完全平等線とローレンツ曲線の面積差×2

DS LEARNING POINT 2

変動係数とジニ係数の比較（2つの格差指標）

変動係数（CV = 標準偏差/平均）とジニ係数は両方とも格差を測る指標だが、異なる性質を持つ。CVは正規分布を仮定した指標で計算が簡単。ジニ係数はローレンツ曲線に基づく幾何的指標で、分布形状に敏感。

cv_ts = df_b.groupby('年度')['消費支出'].apply( lambda x: x.std() / x.mean() ) gini_ts = df_b.groupby('年度')['消費支出'].apply( lambda x: gini(x.dropna().values) ) # 相関を確認（両指標が同じ傾向を捉えているか） r, p = stats.pearsonr(gini_ts.values, cv_ts.values) print(f"Gini と CV の相関: r={r:.3f}, p={p:.4f}") # → 高相関（r≈0.99）のため今回のデータでは同じ傾向を示す # ただし分布が歪んでいる場合は乖離が生じることがある # （例：一県だけ極端に高い場合）
3
有効求人倍率と消費支出の関係（2022年断面）

雇用の強さを示す有効求人倍率と消費支出の関係を、47都道府県の断面データ（2022年）で散布図を描く。各県を地域ブロック別に色分けし、OLS回帰直線を重ね合わせる。

有効求人倍率 vs 消費支出 散布図
図3：有効求人倍率 vs 消費支出の都道府県別散布図（2022年、n=47）。地域ブロック別色分け、OLS回帰直線付き。
📌 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。
考察：有効求人倍率と消費支出の弱い相関 2022年断面では有効求人倍率と消費支出の相関は極めて弱い（r ≈ -0.02、p > 0.89）。これは単純な二変数相関では関係を捉えきれないことを示唆する。有効求人倍率は「求人の充足しやすさ」を測るが、賃金水準そのものを表さない。また、消費は所得だけでなく年齢構成・世帯構造・地域物価などの複合的要因に依存するため、多変量解析が必要である。
地域別のパターン
  • 関東（赤）：有効求人倍率は中程度だが消費支出は高い。賃金水準の高さが消費を牽引
  • 中部（橙）：愛知・富山など製造業主体で高消費支出傾向
  • 北海道・東北（青）：求人倍率は比較的高いケースもあるが消費支出は低め
  • 九州・沖縄（茶橙）：求人倍率・消費とも中〜低水準
4
重回帰分析：消費格差の規定要因

4つの説明変数を用いたOLS重回帰分析を2022年断面（N=47）で実施する。変数間の係数の大きさを比較するため、全変数を標準化（平均0、標準偏差1）した上で回帰する（標準化偏回帰係数 β）。

重回帰モデル（標準化版）：

Z(消費支出) = β₀ + β₁·Z(有効求人倍率) + β₂·Z(高齢化率)
　　　　　　+ β₃·Z(大学進学率) + β₄·Z(都市集積度) + ε

Z(X) = (X − X̄) / SD(X)　　全変数を標準化（平均0、標準偏差1）
重回帰の標準化偏回帰係数
図4：重回帰分析の標準化偏回帰係数（β）と95%信頼区間（2022年断面、N=47）。青：正の効果、赤：負の効果。有意マーク：***p<0.001, **p<0.01, *p<0.05。
📌 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「この変数が増えると目的変数も増える」正の影響。左（マイナス方向）は逆。
なぜそう解釈できるか
エラーバー（誤差棒）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。

回帰分析結果

説明変数標準化偏回帰係数 βp値有意性解釈
大学進学率 0.364 0.035 * 教育水準が高い県ほど消費支出が高い
有効求人倍率 0.210 0.174 n.s. 正の効果だが有意でない（±0.5の95%CI）
都市集積度 0.144 0.463 n.s. 転入率が高いほど消費高、有意でない
高齢化率 −0.129 0.525 n.s. 負の効果だが有意でない
モデル全体 F(4,42)=3.519 0.015 * モデル全体は有意
Adj.R²=0.180、N=47都道府県
主要な発見：大学進学率が唯一有意な規定要因 標準化偏回帰係数が最も大きく唯一有意（p=0.035）だったのは大学進学率（β=0.364）。これは教育水準が高い都道府県ほど消費水準が高いことを示す。背景として：（1）高学歴者ほど賃金が高く消費余力が大きい、（2）高学歴就業者を引きつける都市圏ほど消費インフラも充実している、という解釈が考えられる。
有効求人倍率が有意でない理由 有効求人倍率は「雇用の逼迫度」を表すが、賃金水準を直接反映しない。地方では求人倍率が高くても賃金水準が低いケース（農業・介護分野など）が多く、消費支出との相関が弱まる。賃金データ（平均月収）が入手できれば、より強い説明力が期待できる。

DS LEARNING POINT 3

COVID-19が消費格差に与えた影響

ジニ係数の時系列（図2）を見ると、2020年（COVID-19感染拡大元年）に格差が縮小し、2022年にはさらに縮小（Gini=0.0371：2012-2022年最小値）。

# COVID-19前後のジニ係数変化を統計的に検定する years_pre = [2017, 2018, 2019] # COVID前3年 years_post = [2020, 2021, 2022] # COVID後3年 gini_pre = [gini_ts[y] for y in years_pre] gini_post = [gini_ts[y] for y in years_post] t_stat, p_val = stats.ttest_ind(gini_pre, gini_post) print(f"COVID前平均Gini: {np.mean(gini_pre):.4f}") print(f"COVID後平均Gini: {np.mean(gini_post):.4f}") print(f"t検定: t={t_stat:.3f}, p={p_val:.4f}") # N=3ずつと小さいため解釈に注意が必要 # COVID-19の「強制的消費平準化効果」仮説： # 高所得都府県の旅行・外食・娯楽消費が制限され格差が縮小 # → 消費格差は「選択的消費」の地域差を反映している可能性

DS LEARNING POINT 4

地方交付税制度の格差是正効果

今回分析した都道府県間ジニ係数（≈0.04-0.05）は所得ジニ係数（個人レベル、≈0.3-0.4）と比べて極めて小さい。この「圧縮」の一因が地方交付税制度。財政力の弱い地方に国税を再分配することで、地域間の公共サービス格差を縮小し、消費格差も間接的に縮小させる。

# 仮想的な「財政移転なし」シナリオのシミュレーション（概念的理解） # 実際の消費格差と、財政力指数に比例した理論格差を比較する # （注：財政力指数はSSDSE-Bには含まれないため概念的な説明） # 一人当たり歳出が均等化された場合の格差 vs 実際の格差 # 地方交付税の格差是正機能： # 財政力指数0.3（赤字） → 地方交付税で補填 → 住民サービス均等化 # 財政力指数1.5（黒字） → 地方交付税なし → 独自財源で自律 # 消費格差 Gini≈0.04 は「平等な日本」を反映しているが # 個人所得の Gini≈0.37 は格差社会の側面も持つ # → 集計レベルと個人レベルで見える格差が異なる（エコロジカル誤謬）

まとめと考察

主要な発見

  1. 都道府県間消費格差は穏やかな拡大から縮小へ： ジニ係数は2012年(0.0422)から2019年(0.0493)まで緩やかに拡大後、2020年のCOVID-19を機に縮小に転じ、2022年(0.0371)には分析期間の最小値を記録した。
  2. 消費税増税が格差に影響： 2014年（消費税8%）および2019年（消費税10%）の引き上げ年とその直後にジニ係数が上昇する傾向が見られ、増税による地域消費への影響が格差に波及した可能性がある。
  3. 大学進学率が唯一有意な規定要因： 重回帰分析（2022年断面）の結果、標準化偏回帰係数が最大で唯一有意（β=0.364, p=0.035）だったのは大学進学率。教育インフラの充実と高賃金労働者の集積が消費格差の主要な規定要因と考えられる。
  4. 有効求人倍率と消費の関係は非線形： 単純相関(r=-0.02)と重回帰係数(β=0.21)の乖離は、第三変数（地域物価・産業構造）の交絡を示唆する。雇用の「量」より「質（賃金水準）」が消費を規定する可能性がある。
政策への示唆
  • 教育投資（大学進学率向上）は長期的な地域消費力向上に貢献する
  • 地方交付税制度が都道府県間格差を一定程度圧縮していると推察される
  • COVID-19のような外生的ショックは消費格差構造を変化させうる
分析上の限界と今後の課題
  • Adj.R²=0.180と説明力が限定的。物価指数・賃金データ・産業構造変数を追加すべき
  • 2022年断面のみの回帰は時系列的変化を捉えられない。パネルデータモデル（固定効果・変量効果）の適用が望ましい
  • 都道府県内の格差（県内ジニ係数）は本分析では捉えられない（エコロジカル誤謬＝集団単位の関係を個人レベルにそのまま当てはめてしまう誤りに注意）
  • 消費支出データが「二人以上世帯」のみであり、単身世帯比率の高い都市部が過少評価される可能性がある
教育的価値（この分析から学べること）
  • ジニ係数の使い方：もともと所得格差の指標として使われるが、消費・人口・施設数など「数値の偏り」を表す場面で広く応用できる。値が0に近いほど均等、1に近いほど偏っている。
  • 時系列＋断面の組み合わせ：「どう変化してきたか（時系列）」と「何が違いを生んでいるか（断面・回帰）」を別々に見ることで、現象の全体像を捉えられる。
  • 外生的ショックの観察：消費税増税やCOVID-19のような社会的イベント前後で指標が変化することを確認することは、「自然実験（natural experiment）」と呼ばれる因果推論の基本的な発想につながる。

データ・コードのダウンロード

分析スクリプト（2018_H2_yushu.py）
データ出典
SSDSE-B 都道府県データ（2012-2022年）統計数理研究所 SSDSE（社会・人口統計体系）2026年版
消費支出（二人以上の世帯）総務省 家計調査（都道府県庁所在地・政令指定都市平均）
月間有効求人数・求職者数厚生労働省 職業安定業務統計
高等学校卒業者・進学者数文部科学省 学校基本調査

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（np.random.seed等）は一切使用していない。

教育用再現コード ｜ 2018年度 統計データ分析コンペティション 優秀賞（高校生の部） ｜ データ出典: SSDSE-B-2026（統計数理研究所）

⚠️ 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。
📅 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
都道府県別死亡率の規定要因分析
次の論文 →
都道府県別高齢化率の時系列分析と将来予測