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 ｜ 統計数理賞（高校生の部）

都道府県別高齢化率の時系列分析と将来予測
指数平滑法・Holt線形トレンドモデル

⏱️ 推定読了時間: 約35分
2018年度受賞研究 ｜ 時系列分析 / 指数平滑法 / Holt線形トレンドモデル / RMSE・MAE / ACF
📝 3行で分かる要約

目次

  1. 研究概要と背景
  2. データ：SSDSE-B 47都道府県・12年間
  3. 都道府県別高齢化率ランキング
  4. 指数平滑法と Holt 線形トレンドモデル
  5. 自己相関関数（ACF）プロット
  6. 地域別高齢化率の時系列比較
  7. まとめと政策的含意
  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_H3_suri.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_H3_suri.py
図は html/figures/ に自動保存されます。
概
研究概要と背景

日本の少子高齢化は世界最速水準で進行しており、2023年度の全国平均高齢化率（65歳以上人口比率）は約31.6%に達している。しかし都道府県間では大きな差があり、高齢化が急速に進む地域への先制的な社会保障投資を検討するためには、科学的な将来予測が欠かせない。

まず「都道府県別高齢化率の時系列分析と将来予測指数平滑法・Holt線形トレンドモデル」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。

本研究では、SSDSE-B（都道府県別統計データ）を用いて2012〜2023年の高齢化率時系列データを分析し、指数平滑法（SES）とHolt線形トレンドモデルという2つの予測モデルを比較・評価する。

研究の着眼点
  • 高齢化率には明確な上昇トレンドがある → トレンドを捉えるモデルが有効か？
  • 都道府県間格差：秋田（約39%）vs 沖縄（約22%）の約17ポイント差
  • SES（Simple Exponential Smoothing）とHolt線形モデルのどちらが精度が高いか
分析の流れ
SSDSE-B
47都道府県
2012〜2023年
→
高齢化率
算出・可視化
→
SES・Holt
モデル適合
→
RMSE・MAE
精度比較
→
3年先
将来予測

SSDSE-B 時系列分析 指数平滑法 Holt線形トレンド RMSE・MAE ACF

データ：SSDSE-B 47都道府県・12年間

データの概要

SSDSE（社会・人口統計体系データセット）-B は、都道府県レベルの統計データを年度別に収録した公的データセットである。本分析では「65歳以上人口」と「総人口」から高齢化率を計算した。

高齢化率の定義 高齢化率 = （65歳以上人口 ÷ 総人口）× 100（%）
国連の定義では7%超を「高齢化社会」、14%超を「高齢社会」、21%超を「超高齢社会」とする。 日本は2007年に超高齢社会に突入した。
項目内容
データソースSSDSE-B-2026.csv（統計数理研究所）
対象47都道府県
期間2012〜2023年度（12時点）
分析指標65歳以上人口比率（高齢化率）
全国平均（2012年）約 25.6%
全国平均（2023年）約 31.6%
12年間の上昇幅約 6.0 ポイント

都道府県間格差（2023年度）

順位都道府県高齢化率特徴
最高秋田県約 39%過疎・少子化が深刻
2位高知県・島根県約 36〜37%中山間地域の高齢化
—全国平均約 31.6%—
46位神奈川県・埼玉県約 25〜26%首都圏：若年層流入
最低沖縄県約 22%出生率が高く若年人口多
1
都道府県別高齢化率ランキング

2023年度の47都道府県を高齢化率で昇順に並べた棒グラフを示す。地域ごとに色分けして、地域間の傾向を視覚化している。

都道府県別高齢化率ランキング（2023年度）
図1：都道府県別高齢化率ランキング（2023年度）。地域別色分け、黒破線は全国平均（約31.6%）。秋田県が最高（約39%）、沖縄県が最低（約22%）。
地域的パターン
  • 北海道・東北（青）：秋田・青森・高知が上位。過疎と少子化が重なる
  • 中国・四国（紫）：島根・高知が高齢化率上位。中山間地域の課題
  • 関東（赤）：東京・神奈川・埼玉・千葉が相対的に低い（若年人口流入）
  • 九州・沖縄（橙）：沖縄は最低。出生率が高く若年人口が豊富

DS LEARNING POINT 1

指数平滑法の仕組み：α（平滑化係数）の役割

指数平滑法（SES）は、過去の観測値に指数的に減衰する重みをつけて予測値を計算する方法である。α（0 < α < 1）は「直近データをどれだけ重視するか」を制御するパラメータ。

αが大きいほど直近データを重視し、αが小さいほど過去データを重視（記憶が長い）。statsmodels では optimized=True で最適 α が自動選択される。

from statsmodels.tsa.holtwinters import SimpleExpSmoothing # 全国平均高齢化率の時系列 nat_avg = df_b.groupby('年度')['高齢化率'].mean().sort_index() # Simple Exponential Smoothing ses = SimpleExpSmoothing(nat_avg.values).fit(optimized=True) alpha = ses.params['smoothing_level'] # 最適化されたα # SES 予測式：S_t = α × y_t + (1 - α) × S_{t-1} # α=1 → 直前値のみを使う（ランダムウォーク） # α→0 → 過去全体を均等に使う（移動平均に近づく） ses_fitted = ses.fittedvalues # フィット値（in-sample） ses_forecast = ses.forecast(3) # 3年先予測 print(f"最適 α = {alpha:.4f}") print(f"3年先予測: {ses_forecast}")
2
指数平滑法と Holt 線形トレンドモデル

全国平均高齢化率の時系列（2012〜2023年）に対して、SESとHolt線形トレンドモデルを適合させ、3年先（2024〜2026年）の予測を行う。

モデルの数式

SES（Simple Exponential Smoothing） L_t = α · y_t + (1 − α) · L_{t−1} 予測：Ŷ_{t+h} = L_t（h ステップ先も変わらない定数） Holt 線形トレンドモデル（二重指数平滑法） L_t = α · y_t + (1 − α) · (L_{t−1} + T_{t−1}) ← レベル更新 T_t = β · (L_t − L_{t−1}) + (1 − β) · T_{t−1} ← トレンド更新 予測：Ŷ_{t+h} = L_t + h · T_t ← h ステップ線形外挿
全国平均高齢化率の時系列分析と将来予測
図2：全国平均高齢化率の時系列と2モデルのフィット・3年先予測。実績値（黒）、SES（青実線→破線）、Holt線形（赤実線→破線）。
📌 この時系列グラフの読み方
このグラフは
横軸を時間（年度）、縦軸を指標の値として変化を折れ線で描いたグラフ。
読み方
線が右上がりなら増加トレンド、右下がりなら減少トレンド。急な折れ目が変化点（政策導入・コロナなど）を示す可能性がある。
なぜそう解釈できるか
複数の線（都道府県や指標）を重ねると、どの地域・変数が早く動いたか（リード・ラグ関係）が視覚的にわかる。

予測精度比較

モデルα（平滑化係数）β（トレンド係数）RMSEMAE評価
SES（単純指数平滑法） 1.000 — 0.641 0.571 —
Holt 線形トレンド 1.000 0.000 0.342 0.281 優（RMSE -47%）
Holt モデルの優位性 高齢化率のように一貫した上昇トレンドが存在する時系列データでは、トレンド項を明示的にモデル化する Holt 線形トレンドモデルの方が、SES（トレンドなし）より大幅に精度が高くなる。 RMSEで比較すると Holt は SES の約 47% 削減を達成している。

DS LEARNING POINT 2

Holt 線形トレンドモデル：α と β の役割

Holt モデルは「レベル」と「トレンド（傾き）」の2成分を別々に指数平滑する。αはレベルの更新速度、βはトレンドの更新速度を制御する。

β=0 のとき、トレンドは初期値から変化しない（一定傾きで外挿）。高齢化率のように安定したトレンドがある場合はβが小さい値になりやすい。

from statsmodels.tsa.holtwinters import ExponentialSmoothing # Holt 線形トレンドモデル（加法的トレンド） holt = ExponentialSmoothing( nat_avg.values, trend='add' # 加法的トレンド（線形） ).fit(optimized=True) alpha = holt.params['smoothing_level'] # レベルのα beta = holt.params['smoothing_trend'] # トレンドのβ holt_fitted = holt.fittedvalues holt_forecast = holt.forecast(3) # 3年先予測（線形外挿） print(f"α={alpha:.4f}, β={beta:.4f}") print(f"Holt 予測（3年先）: {holt_forecast}") # → トレンドが持続すると仮定した線形外挿 # RMSE 比較 from sklearn.metrics import mean_squared_error rmse_ses = np.sqrt(mean_squared_error(y[1:], ses_fitted[1:])) rmse_holt = np.sqrt(mean_squared_error(y[1:], holt_fitted[1:])) print(f"SES RMSE={rmse_ses:.4f} Holt RMSE={rmse_holt:.4f}")
3
自己相関関数（ACF）プロット

時系列データの自己相関関数（ACF: Autocorrelation Function）は、ある時点の値が過去の値とどの程度相関しているかを示す。ACFプロットは時系列の特性（トレンド・季節性・定常性）を診断するための重要なツールである。

全国平均高齢化率のACFプロット
図3：全国平均高齢化率のACFプロット。青い影は95%信頼区間。ラグ1〜8の自己相関が高い値を示し、強いトレンドの存在を裏付ける。
ACFプロットの読み方
  • バーが信頼区間外：そのラグでの自己相関が統計的に有意
  • ラグ1〜8が高い自己相関：今年の値が過去数年の値と強く相関 → トレンドの証拠
  • ゆっくり減衰するACF：非定常な時系列（トレンドあり）の典型パターン
  • 差分をとると定常化でき、ARIMA モデルへの応用が可能

DS LEARNING POINT 3

RMSE・MAE による予測精度評価と比較

予測モデルの精度は、フィット値と実績値の誤差を集計する指標で評価する。代表的な指標は RMSE（二乗平均平方根誤差）と MAE（平均絶対誤差）の2つ。

RMSE は大きな誤差を強くペナルティするため、異常値・外れ値に敏感。MAE は全誤差を均等に扱うため解釈が直感的。両指標を並記して判断することが重要。

from sklearn.metrics import mean_squared_error, mean_absolute_error import numpy as np # 実績値（インデックス1以降：初期値を除く） y_true = nat_avg.values[1:] # SES の評価 rmse_ses = np.sqrt(mean_squared_error(y_true, ses_fitted[1:])) mae_ses = mean_absolute_error(y_true, ses_fitted[1:]) # Holt の評価 rmse_holt = np.sqrt(mean_squared_error(y_true, holt_fitted[1:])) mae_holt = mean_absolute_error(y_true, holt_fitted[1:]) print(f"SES RMSE={rmse_ses:.4f} MAE={mae_ses:.4f}") print(f"Holt RMSE={rmse_holt:.4f} MAE={mae_holt:.4f}") # RMSE 改善率 improvement = (rmse_ses - rmse_holt) / rmse_ses * 100 print(f"Holt の RMSE 改善: {improvement:.1f}%")
4
地域別高齢化率の時系列比較

47都道府県を6地域に集約し、地域ごとの高齢化率の推移（2012〜2023年）と最新年の格差を比較する。全国平均の上昇に対して、地域によってその速度が異なることが分かる。

地域別高齢化率の時系列推移と地域格差
図4：（左）6地域別高齢化率の時系列推移（2012〜2023年）。（右）2023年度の地域間格差：北海道・東北が最高、関東が最低。
📌 この時系列グラフの読み方
このグラフは
横軸を時間（年度）、縦軸を指標の値として変化を折れ線で描いたグラフ。
読み方
線が右上がりなら増加トレンド、右下がりなら減少トレンド。急な折れ目が変化点（政策導入・コロナなど）を示す可能性がある。
なぜそう解釈できるか
複数の線（都道府県や指標）を重ねると、どの地域・変数が早く動いたか（リード・ラグ関係）が視覚的にわかる。

地域別の傾向

地域2023年平均高齢化率（概算）特徴
北海道・東北～33〜35%最も高い。人口流出・少子化が複合
中国・四国～33〜34%島根・高知・鳥取など過疎地域が牽引
近畿～30〜31%和歌山・奈良と大阪・滋賀で格差
中部～29〜30%愛知（低）と富山・福井（高）が混在
九州・沖縄～28〜30%沖縄が大幅に低い（出生率高）
関東～26〜27%最も低い。東京・神奈川が若年人口を吸引
地域格差が拡大するメカニズム 都市部（関東・大阪近郊）への若年層の集中により、地方では高齢化が加速する「選択的移住」が起きている。過疎地域では高齢者が残り若年者が流出するため、高齢化率が急速に上昇する。東京一極集中と地方の高齢化は表裏一体の現象である。

DS LEARNING POINT 4

ACF（自己相関関数）の読み方と時系列の定常性

時系列分析では「定常性（stationarity）」が重要な前提となる。定常な時系列とは、平均・分散・自己相関が時間によって変化しない系列のこと。高齢化率のように一方向にトレンドが続く系列は非定常であり、多くの古典的分析手法は非定常系列に直接適用できない。

ACF が高いラグで有意に残る場合はトレンドの存在を示す。1階差分（Δy_t = y_t − y_{t-1}）を取ることで定常化し、ARIMA モデルを適用可能になる。

from statsmodels.graphics.tsaplots import plot_acf import matplotlib.pyplot as plt # 原系列の ACF → トレンドがあると高いラグでも有意に残る fig, axes = plt.subplots(2, 1, figsize=(10, 7)) plot_acf(nat_avg.values, lags=min(8, len(nat_avg)-2), ax=axes[0], title='原系列の ACF（非定常）') # 1階差分の ACF → 定常化後 diff1 = np.diff(nat_avg.values) plot_acf(diff1, lags=min(6, len(diff1)-2), ax=axes[1], title='1階差分の ACF（定常化）') plt.tight_layout() # ADF 検定で定常性を確認 from statsmodels.tsa.stattools import adfuller adf_result = adfuller(nat_avg.values) print(f"ADF 検定統計量: {adf_result[0]:.4f}") print(f"p 値: {adf_result[1]:.4f}") if adf_result[1] < 0.05: print("→ 定常（帰無仮説「単位根あり」を棄却）") else: print("→ 非定常（単位根あり）")

まとめと政策的含意

分析結果のまとめ

  1. 都道府県間格差（2023年）： 最高の秋田県（約39%）と最低の沖縄県（約22%）の間に約17ポイントの差が存在する。地方・過疎地域の高齢化が都市部を大幅に上回る。
  2. Holt線形トレンドモデルの優位性： 単純指数平滑法（SES）に対し、Holt線形モデルはRMSEで約47%の改善を達成。上昇トレンドが明確な高齢化率データには、トレンド項を組み込んだモデルが有効。
  3. 3年先予測（Holt）： 全国平均は2026年度までに約33%超に達する見込み。北海道・東北や中国・四国では40%近くに到達する可能性がある。
  4. ACFによる時系列診断： 高齢化率の ACF はラグ1〜8で一貫して高い自己相関を示し、強いトレンドの存在と非定常性を確認した。差分変換後は定常化でき、ARIMA への発展が可能。
政策的含意 高齢化率の将来予測は、医療・介護資源の計画的配分に直結する。高齢化が早い地域（秋田・高知・島根など）には先手を打った介護施設整備・医師確保が必要である。一方、沖縄・関東のように相対的に若い地域でも着実に上昇しており、全国的な備えが求められる。
本研究の学術的貢献 高校生段階で時系列予測モデルを公的データに適用し、RMSE（Root Mean Squared Error、予測誤差を二乗平均して平方根を取った指標）とMAE（Mean Absolute Error、誤差の絶対値の平均）による定量的モデル比較を実施した点が評価される。ACFプロットによる時系列診断も組み込まれており、分析の体系性が高い。指数平滑法とHolt線形モデルの比較は、実際の予測業務でも広く用いられる手法であり、統計的思考の好例である。
教育的価値（この分析から学べること）
  • 「予測モデルを比べる」という発想：データ分析では「ひとつのモデルで答えを出す」のではなく、複数モデルを訓練し、誤差指標（RMSE/MAE）で比較するのが基本。
  • 定常性とトレンド：時系列が右上がり・右下がりに伸び続けると「定常」でなくなり、ARIMAなどの標準手法をそのまま使えなくなる。差分を取って定常化するというテクニックを学べる。
  • 指数平滑法のしくみ：「最新のデータを重く、古いデータほど軽く」加重平均するイメージ。Holt法はそこに「トレンド成分」を加える拡張で、上昇傾向のあるデータに向く。

データ・コードのダウンロード

分析スクリプト（2018_H3_suri.py）
データ出典
SSDSE-B-2026.csv（都道府県別統計）統計数理研究所 SSDSE（社会・人口統計体系データセット）
65歳以上人口・総人口総務省 住民基本台帳人口移動報告

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 統計数理賞（高校生の部） ｜ SSDSE-B 実データ使用

⚠️ 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。

📐 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。
📅 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。
〰️ 指数平滑法・Holt法
何？
過去のデータに指数的に減衰する重みを付けて平均し、将来値を予測する時系列予測手法。
どう使う？
直近観測値に最大の重みを与え、古いデータほど重みを減らす。Holt法はトレンド成分も同時推定する。
何がわかる？
高齢化率や出生率など滑らかなトレンドを持つデータの将来予測に有効。
結果の読み方
平滑化パラメータ α が1に近いほど直近データを重視。予測区間が広いほど不確実性が高い。
⚠️ 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。
↔️ 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
都道府県別消費格差の動態分析：ジニ係数の時系列変化と規定要因
次の論文 →
都道府県別スポーツ活動・体力と健康指標の関係