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（大学生・一般の部）

都道府県間経済格差の収束仮説検証
β収束とσ収束の実証分析

⏱️ 推定読了時間: 約38分
データ：SSDSE-B-2026（消費支出、47都道府県、2012〜2023年）
📝 3行で分かる要約

目次

  1. 研究概要と問題意識
  2. 収束仮説の理論的背景（Solow模型）
  3. データと変数の説明
  4. β収束分析（OLS成長回帰）
  5. σ収束分析（変動係数の時系列）
  6. 地域別消費格差の分析
  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_U3_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_U3_suri.py
図は html/figures/ に自動保存されます。
概
研究概要と問題意識

日本の都道府県間経済格差は「一億総中流」の時代から変化しているのか。地域間格差が縮小（収束）しているのか、それとも拡大（発散）しているのかは、地域政策・税財政の再配分設計において極めて重要な問いである。

まず「都道府県間経済格差の収束仮説検証β収束とσ収束の実証分析」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。

本分析では、新古典派成長理論（Solow模型）から導かれる「収束仮説」を実証的に検証する。経済水準の代理変数として消費支出（二人以上の世帯）を用い、SSDSE-B-2026から47都道府県・2012〜2023年の時系列データを使用する。

2つの収束概念
  • β収束（ベータ収束）：初期水準が低い都道府県ほどその後の成長率が高い。貧しい地域がより速く成長する「追いつき効果」。
  • σ収束（シグマ収束）：都道府県間の格差（変動係数など）が時間とともに縮小する。β収束の「必要条件」とはなるが十分条件ではない。
分析の流れ
SSDSE-B
消費支出
47都道府県
→
β収束
OLS成長回帰
（初期水準→成長率）
→
σ収束
変動係数
の時系列
→
地域別
格差の
可視化

β収束 σ収束 OLS回帰 パネルデータ Solow模型

収束仮説の理論的背景（Solow模型）

新古典派成長モデルと収束

Solow（1956）の新古典派成長モデルでは、資本の限界生産力逓減の仮定から、初期資本水準（所得水準）が低い経済ほど定常状態への移行速度が速いことが導かれる。これが「絶対β収束仮説」の理論的基礎となる。

Solow模型の基本方程式：

k̇ = s·f(k) − (δ + n + g)·k

k: 1人あたり資本, s: 貯蓄率, δ: 減価償却率, n: 人口成長率, g: 技術進歩率

→ k* (定常状態) への収束速度は k が k* から遠いほど速い（限界生産力逓減）

β収束の検定式

Barro & Sala-i-Martin（1992）は、Solow模型から以下の成長回帰式を導出した。これを都道府県データに適用する。

(1/T) · ln(y_i,T / y_i,0) = α + β · ln(y_i,0) + ε_i

y_i,0: 都道府県i の初期水準（2012年消費支出）
y_i,T: 都道府県i の終期水準（2023年消費支出）
T = 11年, β < 0 → 絶対β収束（初期水準が低いほど成長率が高い）

σ収束の検定式

σ_t = SD(ln y_{i,t}) / Mean(ln y_{i,t}) = CV_t

σ_t が時間とともに減少する → σ収束（格差の縮小）
OLSトレンド: σ_t = a + b·t, b < 0 → σ収束

DS LEARNING POINT 1

β収束とσ収束の定義と違い

β収束は「貧しい地域が速く成長する」という条件であり、格差が縮小するための必要条件だが十分条件ではない。たとえば初期の順位変動（富裕・貧困地域の入れ替わり）が激しければ、β収束があってもσが増大することがある（Quah 1993）。

# β収束：OLS回帰 # 帰無仮説：β = 0 （収束なし） # 対立仮説：β < 0 （絶対β収束あり） # σ収束：変動係数の時系列トレンド # 帰無仮説：b = 0 （トレンドなし） # 対立仮説：b < 0 （σ収束あり） # 両方成立 → 強い収束の証拠 # β収束のみ → 追いつき効果はあるが分散は一定 # σ収束のみ → 偶然的なもので収束メカニズムの保証なし

データと変数の説明

データソース

データ出典使用変数期間
SSDSE-B 2026（都道府県別時系列） 統計数理研究所 消費支出（二人以上の世帯）[円/月] 2012〜2023年
代理変数としての消費支出の位置づけ 本来の収束仮説検証には「1人あたりGDP」や「1人あたり県民所得」を用いるが、SSDSE-Bには都道府県別の直接的な所得・GDP系列が収録されていない。消費支出は所得の安定した関数であり（恒常所得仮説）、経済水準の代理変数として広く用いられる。二人以上世帯の月間消費支出を使用することで、地域の実質的な生活水準の差異を捉える。

記述統計（2012年・2023年）

統計量2012年（初期）2023年（終期）
平均（円/月） 286,665 295,856
標準偏差（円/月） 21,617 24,144
最小（円/月） 227,981 223,423
最大（円/月） 324,779 344,092
変動係数（CV） 0.0754 0.0816
最大/最小比 1.42 1.54
観察 CVが2012年（0.075）から2023年（0.082）に増加しており、単純な記述統計では格差が拡大傾向に見える。ただし年々の変動（特にCOVID-19期の影響）を考慮する必要がある。

DS LEARNING POINT 2

新古典派成長理論と収束仮説（Solow模型）

Solow（1956）の資本蓄積方程式と限界生産力逓減の仮定から、所得水準が定常状態 k* より低いほど成長速度が速いことが証明される。この収束速度 λ は技術的に λ ≈ (1−α)(δ+n+g) で近似される（α: 資本所得分配率）。

# Solow模型からのβ推定（速度パラメータ λ の推定） # β = -(1 - e^{-λT}) / T # β係数が推定されれば、収束速度 λ を逆算できる import numpy as np beta_hat = -0.0339 # OLS推定値（年率） T = 11 # 観測期間（年） # β = -(1 - exp(-λT)) / T を λ について解く # 1 - exp(-λT) = -beta_hat * T # λ = -ln(1 + beta_hat * T) / T lambda_hat = -np.log(1 + beta_hat * T) / T print(f"推定収束速度 λ ≈ {lambda_hat:.4f} /年") print(f"半減期 ≈ {np.log(2)/lambda_hat:.1f} 年") # 半減期: 初期格差が半分になるまでの年数
1
β収束分析（OLS成長回帰）

都道府県iの初期消費水準（2012年）の対数と、2012〜2023年の年率成長率の関係をOLS回帰で推定する。β < 0ならば初期水準が低い（貧しい）都道府県ほど成長率が高い「追いつき効果」が存在する。

β収束散布図
図1：β収束分析。横軸：log（2012年消費支出）、縦軸：年率成長率（%）。回帰直線の傾きβ＜0は初期水準が低い都道府県ほど高い成長率を示すことを意味する。

OLS回帰結果

パラメータ推定値標準誤差t統計量p値判定
定数項（α） 0.4237 — — — —
β（log初期水準） −0.0339 — — 0.0073 ** 有意（収束）
R² 0.1493 観測数：47都道府県
β係数（収束速度）
−0.0339 **
p = 0.0073（1%有意）
絶対β収束が確認された
収束速度の解釈
約3.5%/年
格差が半分になるまで
約20年（推定）
β収束の解釈 β = −0.0339（p = 0.0073）は統計的に有意であり、2012〜2023年の期間において47都道府県間に絶対β収束が確認される。2012年時点で消費支出が低かった都道府県（主に東北・九州の一部）が相対的に高い成長率を示し、高消費支出の都道府県（東京・神奈川等）は相対的に低い成長率にとどまった。
R² = 0.149 の解釈 初期水準だけで成長率の分散の約15%を説明できる。残る85%は地域固有の産業構造、人口動態、気候、政策対応等で説明される。条件付きβ収束（コンバージェンスクラブ）モデルでは追加変数を投入して説明力を高める。

DS LEARNING POINT 3

変動係数（CV）による格差の時系列測定

格差の大きさを測る指標は複数あるが、単位に依存しない変動係数（CV = 標準偏差/平均）が最も頻繁に用いられる。CVは0〜∞の値をとり、値が大きいほど格差が大きい。

# σ収束の計算 sigma = df_b.groupby('年度')[cons_col].apply( lambda x: x.std() / x.mean() # 変動係数 CV = σ/μ ) # 代替的な格差指標 # 1. 対数分散: Var(log y_i) # 2. タイル指数: Theil index = (1/N) * Σ (y_i/ȳ) * log(y_i/ȳ) # 3. ジニ係数: 0（完全平等）〜 1（完全不平等） # 4. 90/10パーセンタイル比 # CVの利点: 計算が簡単、単位不変、直感的解釈が容易 # CVの欠点: 分布の裾が長い場合に頑健でない
2
σ収束分析（変動係数の時系列）

各年の47都道府県の消費支出の変動係数（CV = 標準偏差/平均）を計算し、その時系列を観察する。CVが時間とともに減少すればσ収束（格差縮小）、増加すればσ発散（格差拡大）となる。

σ収束分析
図2：都道府県間消費格差の変動係数（CV）の時系列推移（2012〜2023年）。OLSトレンド線と灰色のCOVID-19影響期を示す。
📌 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。

変動係数の時系列

年度変動係数（CV）前年比
20120.0754—
20130.0709▼ 縮小
20140.0855▲ 拡大
20150.0834▼ 縮小
20160.0853▲ 拡大
20170.0870▲ 拡大
20180.0864▼ 縮小
20190.0910▲ 拡大
20200.0808▼ 縮小（COVID影響）
20210.0836▲ 拡大
20220.0662▼ 大幅縮小
20230.0816▲ 拡大

OLSトレンド検定結果

パラメータ推定値p値判定
トレンド係数（b） +0.000057 0.9300 非有意（σ収束なし）
β収束
確認 **
β = −0.034
p = 0.007（有意）
σ収束
非確認
トレンド p = 0.930
（統計的に非有意）
σ収束の解釈 OLSトレンド係数は正（+0.000057）だが統計的に非有意（p = 0.930）。すなわちσ収束は確認されなかった。変動係数は2012〜2019年に上昇傾向を示したが、COVID-19後の2022年に急落し、その後2023年に再上昇した。この変動はCOVID-19による消費行動の平準化効果と、その後の回復における地域差の顕在化を反映している可能性がある。
β収束 ✓ / σ収束 ✗ という結果の解釈 β収束は確認されたがσ収束は確認されないという結果は、「追いつき効果は存在するが、各都道府県の相対的位置関係の変動（ランクの入れ替わり）により分散の縮小には至っていない」と解釈される。Quah（1993）が指摘した「分布ダイナミクス」の視点からは、収束する貧困層と発展する富裕層が並立する「複数均衡」や「収束クラブ」の形成が示唆される。

DS LEARNING POINT 4

β係数の符号の解釈（負=収束、正=発散）

β係数の符号は収束分析の核心である。成長回帰 g_i = α + β·log(y_i,0) + ε_i において：

# β < 0（負）: 絶対β収束あり # → 初期水準 log(y_0) が高い都道府県ほど成長率 g が低い # → 「豊かな都道府県の成長は鈍化し、貧しい都道府県がキャッチアップする」 # → 不平等の縮小メカニズムが働いている # β > 0（正）: 絶対β発散（収束なし） # → 初期水準が高いほど成長率も高い # → 「富める都道府県がさらに豊かになる」（累積的因果連鎖） # → 格差が自己強化的に拡大する # β = 0（ゼロ）: 収束も発散もない # → 初期水準と成長率は無関係（ランダムウォーク的） # 本分析の結果：β = -0.0339 (p = 0.007) # → 統計的に有意な絶対β収束を確認
3
地域別消費格差の分析

都道府県単位の収束仮説に加え、6地域（北海道・東北、関東、中部、近畿、中国・四国、九州・沖縄）の消費格差パターンを可視化する。

2012年vs2023年比較散布図
図3：都道府県別消費支出の2012年と2023年の比較散布図（地域色分け、45度線付き）。45度線より上の都道府県は消費が増加、下は減少。
📌 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。
図3の読み方
  • 45度線より上：2023年消費 > 2012年消費 → 消費増加（成長）
  • 45度線より下：2023年消費 < 2012年消費 → 消費減少（後退）
  • 傾き1より急な回帰直線 → 高消費都道府県が更に拡大（発散的傾向）
  • 傾き1より緩い回帰直線 → 低消費都道府県が相対的に改善（収束的傾向）
地域別消費支出の時系列推移
図4：6地域別の消費支出（月間平均）の時系列推移（2012〜2023年）。関東・近畿の高消費と北海道・東北・九州の低消費の格差が確認できる。
📌 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。

地域間の構造的格差

地域2012年平均（千円）2023年平均（千円）変化率相対水準（全国比）
関東 307322 +5% +12%（高消費）
近畿 286291 +2% +0%（全国並み）
中部 292304 +4% +3%（やや高）
北海道・東北 272283 +4% −5%（低消費）
中国・四国 280288 +3% −3%（やや低）
九州・沖縄 270280 +4% −5%（低消費）
地域別分析の含意 北海道・東北および九州・沖縄は全国平均を下回る消費水準を維持しているが、成長率は全国平均並みかやや高い傾向を示す。関東は絶対水準が高い一方で成長率は全国平均程度にとどまっており、β収束の動態と整合的である。ただし、東京都単独では引き続き全国最高水準を維持しており、都市圏と非都市圏の二極化は依然として構造的課題として存在する。

まとめと政策的含意

分析結果の要約

検定指標結果解釈
β収束 β = −0.0339 有意（p = 0.007, **） 追いつき効果が統計的に確認された
σ収束 CVトレンド = +0.000057 非有意（p = 0.930） 格差の縮小傾向は確認されなかった
  1. 絶対β収束は統計的に有意：2012〜2023年の期間において、初期消費水準が低い都道府県ほど年率成長率が高い「追いつき効果」が確認された（β = −0.034, p < 0.01）。これはSolow模型の収束仮説と整合的である。
  2. σ収束は確認されず：変動係数（CV）の時系列には有意な減少トレンドが見られず、β収束が確認されたにもかかわらず分散は縮小していない。都道府県のランク変動（順位の入れ替わり）がCVの減少を打ち消している可能性がある。
  3. COVID-19の影響：2022年にCVが急落（0.066）したことはCOVID-19による消費の強制的平準化を反映していると考えられるが、2023年には0.082に再上昇しており、コロナ前の格差水準に戻る兆候を示す。
  4. 地域構造的格差の持続：関東（高消費）と北海道・東北・九州（低消費）の地域格差は構造的に持続しており、β収束は観察されるものの格差の絶対水準は依然大きい。
政策的含意 β収束の確認は、地方への財政移転・産業誘致政策が長期的には機能していることを示唆する。しかしσ収束が確認されないことは、格差の縮小が「全体として」進んでいるわけではなく、地域間の相対的位置関係が不安定なことを意味する。「収束クラブ」形成の有無（例：大都市圏同士、農村部同士の収束）を検証するパネル計量分析や空間計量経済学的アプローチが今後の課題となる。
本分析の限界
  • 消費支出は所得の代理変数であり、世帯構成や物価水準の地域差を考慮していない
  • 二人以上世帯のみが対象であり、単身世帯の多い都市部の実態を過小評価する可能性がある
  • 観察期間（2012〜2023年）にはCOVID-19という構造的断絶が含まれる
  • 条件付きβ収束（産業構造・人口動態等を制御した分析）には追加変数の投入が必要
教育的価値（この分析から学べること）
  • βとσの2種類の「収束」：成長経済学の標準概念を実データで体験できる。「貧しい地域ほど成長率が高い（β収束）」が確認されても、「ばらつきが縮む（σ収束）」とは限らない、という発見は直感に反する重要な学び。
  • 変動係数（CV）：標準偏差を平均で割った相対的なばらつき指標。単位や水準が異なるデータでも比較できる。
  • 理論モデル＋実証分析：Solowモデルという経済理論から導かれる仮説を、SSDSE-B の公開データで検証する流れは、データサイエンスの王道である「理論→データ→結論」の手順を学ぶ良い題材。

データ・コードのダウンロード

以下のスクリプトをダウンロードし、data/raw/SSDSE-B-2026.csv と同じディレクトリ構成で配置して実行すると全図・全結果を再現できます。

分析スクリプト（2018_U3_suri.py）
データ出典
SSDSE-B 2026（都道府県別時系列） 統計数理研究所 社会・人口統計体系データセット（SSDSE）

使用変数：消費支出（二人以上の世帯）[円/月]、47都道府県、2012〜2023年（12時点）。全て実公的データ（合成データ不使用）。

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（大学生・一般の部）
データ出典：統計数理研究所 SSDSE-B-2026（消費支出、47都道府県）

⚠️ 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。
🔀 β収束・σ収束分析
何？
「貧しい地域ほど成長率が高い」という収束仮説（β収束）と、地域間格差の縮小（σ収束）を検証する手法。
どう使う？
β収束: 初期値と成長率の回帰で係数が負かを確認。σ収束: 変動係数の時系列変化を確認する。
何がわかる？
地域間格差が時間とともに縮まるか広がるかを実証的に検証できる。
結果の読み方
β係数が負かつ有意 → 収束あり。変動係数が時間とともに低下 → σ収束あり。
⚠️ 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
少子化における未婚化・晩婚化の影響
次の論文 →
都道府県別死亡率の規定要因分析