論文一覧に戻る 統計データ分析コンペ 教育用再現集
2019年度 統計データ分析コンペティション ｜ 高校生部門
優秀賞

都道府県別学力格差の要因分析
社会経済環境と教育支出の影響

⏱️ 推定読了時間: 約40分
重回帰分析（OLS） | 標準化偏回帰係数 | バックワード AIC 変数選択
📝 3行で分かる要約

目次

  1. 研究概要と背景
  2. データと代理変数の設計
  3. 都道府県別学力代理変数のランキング
  4. 散布図分析：教育費・所得と大学進学率
  5. バックワード AIC 変数選択と重回帰
  6. 標準化偏回帰係数と最終モデル解釈
  7. まとめと政策的示唆
  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/ │ └── 2019_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/2019_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「教育の機会均等」が憲法・教育基本法に掲げられているにもかかわらず、都道府県間の学力格差は依然として大きい。全国学力・学習状況調査（文部科学省）や大学進学率のデータを見ると、東京・京都・神奈川など大都市圏と、東北・九州地方の農村部の間に顕著な差が観察される。

まず「都道府県別学力格差の要因分析社会経済環境と教育支出の影響」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 都道府県ごとの学力差（大学進学率を代理変数として計測）はなぜ生じるのか？家庭の教育費支出・所得水準・人口構造（高齢化・少子化）のどの要因が、最も強く学力格差を説明するのか。

本研究は、政府統計の総合窓口「SSDSE-B（都道府県別統計）2026年版」を用い、2023年の47都道府県断面データで重回帰分析（OLS）を行う。変数選択にはAIC（赤池情報量基準）によるバックワードステップワイズ法を採用し、過学習を防ぎながら学力格差の主要要因を特定する。

分析の流れ
SSDSE-B
47都道府県
2023年断面
→
代理変数
大学進学率
の算出
→
相関分析
Pearson r
→
バックワード
AIC
変数選択
→
標準化β
係数比較

SSDSE-B 重回帰分析（OLS） AIC変数選択 標準化偏回帰係数

データと代理変数の設計

使用データ

統計数理研究所が提供する「SSDSE-B-2026（都道府県別統計）」は、47都道府県の人口・教育・経済・保健など100項目以上の行政統計を収録している。本分析では2023年（最新年度）の断面データを使用した。

代理変数について（重要）

SSDSE-B には全国学力・学習状況調査（文部科学省）の得点データは含まれていない。そのため本分析では 「大学進学率」（高校卒業者のうち大学・短大等進学者の割合） を学力・学習達成度の代理変数として採用する。

大学進学率は、家庭の社会経済的背景（親の学歴・収入・教育投資）と強く連動することが先行研究（文部科学省「教育指標の国際比較」等）で示されており、地域間の学力格差を間接的に反映する指標として広く用いられている。ただし、大学進学率は学力そのものではなく、志望・経済的余裕・大学の地理的アクセスなど複合的要因も反映するため、解釈には留意が必要である。

変数一覧

変数名定義（SSDSE-B より算出）役割仮説
大学進学率（%） 高校卒業者数のうち進学者数 ÷ 高校卒業者数 × 100 目的変数（学力代理） —
教育費（円/月） 二人以上世帯の月平均教育支出 説明変数 正（教育費が多いほど進学率↑）
消費支出（円/月） 二人以上世帯の月平均消費支出（所得水準代理） 説明変数 正（所得が高いほど進学率↑）
高齢化率（%） 65歳以上人口 ÷ 総人口 × 100 説明変数 負（過疎・地方 → 進学率↓）
少子化率（%） 15歳未満人口 ÷ 総人口 × 100 説明変数 ？（都市部は少子化率低い傾向）
相関分析の結果（2023年・47都道府県）
説明変数Pearson rp値判定
教育費0.711< 0.001有意（強い正の相関）
消費支出0.3980.006有意（中程度の正の相関）
高齢化率−0.589< 0.001有意（強い負の相関）
少子化率−0.1890.202非有意
教育費と高齢化率が特に強い相関を示した。少子化率は単変量では非有意だが、多変量モデルでの貢献を次節で検討する。
1
都道府県別学力代理変数のランキング

2023年の47都道府県の大学進学率をランキング表示する。全国平均は57.6%だが、東京都（74.1%）と沖縄県（46.7%）の間には約27ポイントの格差が存在する。

都道府県別大学進学率ランキング
図1：都道府県別大学進学率（2023年）。地域6色で色分け、破線は全国平均（57.6%）。東京・京都・神奈川など大都市圏が上位を占め、沖縄・宮崎・鹿児島などが下位となっている。
地域パターンの観察
  • 上位（赤・緑：関東・近畿）：東京・神奈川・埼玉・千葉（関東）や京都・大阪・兵庫（近畿）が全国平均を大きく上回る。大都市圏に大学が集中し、経済的余裕もある。
  • 下位（橙・青：中部・東北）：秋田・山形・福島など東北地方と、宮崎・鹿児島・沖縄など南九州・沖縄が下位に集中。地方では大学が少なく、経済的制約も大きい。
  • 中部（黄：愛知・岐阜・静岡）：製造業が盛んで所得水準は高いが、大学志望より就職を選ぶ傾向があり進学率は中程度。

DS LEARNING POINT 1

代理変数の限界と使い方

統計分析では、直接測定できない概念（学力）を測定可能な別の指標（大学進学率）で代替することを「代理変数（proxy variable）の使用」という。代理変数を使う際には以下の点を常に意識する必要がある。

妥当性の確認：代理変数が本当に目標概念を反映しているか（構成概念妥当性）。大学進学率は学力だけでなく「大学の地理的アクセス」や「志望意識の地域差」も含む。

限界の明示：論文・レポートでは代理変数であることを明記し、解釈の限界を説明することが研究の誠実さを示す。

# 代理変数の計算例 df['大学進学率'] = ( df['高等学校卒業者のうち進学者数'] / df['高等学校卒業者数'] * 100 ) # 代理変数の妥当性確認： # - 全国学力調査得点との相関（外部データがあれば） # - 先行研究での採用実績 # - 理論的な整合性の議論
2
散布図分析：教育費・所得と大学進学率

説明変数と目的変数の二変量関係を散布図で視覚化する。各点は都道府県を表し、地域で色分けされている。回帰直線と Pearson の相関係数 r も示す。

教育費と大学進学率

教育費と大学進学率の散布図
図2：教育費（月額、二人以上世帯）と大学進学率の散布図（2023年、47都道府県）。r=0.711（p<0.001）と強い正の相関。教育費が高い都道府県ほど進学率が高い傾向が明確。
📌 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。
観察結果 r=0.711（p<0.001）と強い正の相関が確認された。関東・近畿（赤・緑）の都道府県は教育費・進学率ともに高く、東北・九州（青・橙）は低い傾向。ただし「教育費が高いから進学率が上がる」のか、「所得が高いから教育費も進学率も上がる（交絡）」のかは、単変量分析だけでは区別できない。多変量回帰での検討が必要。

消費支出（所得水準代理）と大学進学率

消費支出と大学進学率の散布図
図3：消費支出（月額、千円）と大学進学率の散布図（2023年、47都道府県）。r=0.398（p=0.006）と中程度の正の相関。東京・神奈川は高進学率だが消費支出は突出して高いわけではなく、沖縄は低消費支出・低進学率。
📌 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。
外れ値と解釈の注意点
  • 東京都：進学率74.1%は全国最高。消費支出も高いが、都内に大学が集中する立地要因が大きく、消費支出だけでは説明しきれない。
  • 神奈川県：東京に隣接し大学へのアクセスが良好。消費支出も比較的高い。
  • 沖縄県：進学率は最低の46.7%。消費支出も低く、経済的困難が進学を阻む構造的問題を示唆。

DS LEARNING POINT 2

相関分析の解釈：相関は因果ではない

Pearson の相関係数 r は2変数の線形関係の強さを示すが、「因果関係」を直接意味しない。例えば、教育費と大学進学率の相関（r=0.711）には「所得水準」という交絡変数が存在する可能性がある。

重回帰分析では複数変数を同時に投入することで、各変数の「他の変数を統制した上での純粋な効果（偏回帰係数）」を推定できる。これが単純相関より重回帰が有力な理由。

from scipy import stats import statsmodels.api as sm # 単変量相関（交絡を含む） r, p = stats.pearsonr(df['教育費'], df['大学進学率']) print(f"単変量相関 r = {r:.3f}, p = {p:.4f}") # 多変量回帰（交絡を統制） X = sm.add_constant(df[['教育費', '消費支出', '高齢化率']]) model = sm.OLS(df['大学進学率'], X).fit() # model.params['教育費'] が「純粋な」教育費の効果 print(model.summary())
3
バックワード AIC 変数選択と重回帰

4つの説明変数候補（教育費・消費支出・高齢化率・少子化率）を全て投入したフルモデルから出発し、AIC（赤池情報量基準）を最小化するよう変数を順次除去するバックワードステップワイズ法を適用した。

大学進学率ᵢ = β₀ + β₁×教育費ᵢ + β₂×消費支出ᵢ + β₃×高齢化率ᵢ + β₄×少子化率ᵢ + εᵢ

フルモデル AIC = 272.56
消費支出を除外 → AIC = 272.45（改善）
→ 最終変数：教育費、高齢化率、少子化率
変数選択のプロセス
  1. フルモデル（4変数）投入 → AIC = 272.56
  2. 消費支出を除外 → AIC = 272.45（0.11ポイント改善）
  3. 残り3変数（教育費・高齢化率・少子化率）で除外するとAICが悪化 → 終了
消費支出は教育費と相関が高く（多重共線性）、教育費が入ると独立した説明力を持ちにくいため除外された。

最終モデルの結果

変数非標準化係数 β標準誤差t値p値判定
定数項127.5318.027.078< 0.001***
教育費（円/月）0.00050.00022.4460.019*
高齢化率（%）−1.25540.315−3.991< 0.001***
少子化率（%）−3.09510.736−4.206< 0.001***

R² = 0.667，Adj R² = 0.644，AIC = 272.45，N = 47都道府県（2023年）　　*** p<0.001, * p<0.05

DS LEARNING POINT 3

AIC 基準による変数選択の考え方

AIC（赤池情報量基準）は「モデルの適合度」と「変数の数（複雑さ）へのペナルティ」のバランスをとる指標で、値が小さいほど良いモデル。

バックワード法では全変数から始め、「除外するとAICが下がる変数」を見つけてひとつずつ取り除く。AICが改善しなくなったら終了。

import statsmodels.api as sm def backward_aic(y, X_df): cols = list(X_df.columns) while len(cols) > 0: X = sm.add_constant(X_df[cols].astype(float)) current_aic = sm.OLS(y, X).fit().aic drop_col = None for c in cols: remaining = [x for x in cols if x != c] if len(remaining) == 0: break X_try = sm.add_constant(X_df[remaining].astype(float)) aic_try = sm.OLS(y, X_try).fit().aic if aic_try < current_aic: current_aic = aic_try drop_col = c if drop_col is None: break # AIC改善なし → 終了 cols.remove(drop_col) print(f"除外: {drop_col} → AIC={current_aic:.2f}") return cols # 残った変数リスト final_vars = backward_aic(y, X_candidates)

AIC のペナルティ項は「2k」（k=変数の数）。変数を増やすと適合度は上がるが、ペナルティも増す。過学習（overfitting）を防ぐ賢い指標。

4
標準化偏回帰係数と最終モデル解釈

非標準化偏回帰係数は変数ごとに単位が異なるため、各変数の影響力を直接比較できない。標準化偏回帰係数（ベータ係数）は全変数を平均0・標準偏差1に変換した後の係数で、単位によらず「どの変数が最も強い説明力を持つか」を比較できる。

バックワード選択後の標準化偏回帰係数
図4：バックワード AIC 選択後の標準化偏回帰係数（β）と95%信頼区間。赤=正方向で有意、青=負方向で有意。高齢化率の負の効果が最も強く、少子化率・教育費が続く。
📌 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。

標準化偏回帰係数の一覧

変数標準化β解釈有意性
高齢化率（%） −0.593 高齢化が進むと大学進学率が下がる（最強の負効果） p < 0.001
少子化率（%） −0.468 子どもが少ない都道府県（高齢化・都市化と反比例）ほど進学率が低い p < 0.001
教育費（円/月） +0.322 教育費が高いほど進学率が上がる（家庭の教育投資効果） p = 0.019
少子化率の係数が「負」である理由 少子化率（15歳未満割合）が高い＝子どもが多い都道府県は、農村部・地方に多い。逆に少子化率が低い都道府県は老齢化が進んだ地方（子どもが少なく老人が多い）か、子育て世帯が少ない都市部かに分かれる。2023年の断面データでは、少子化率が低い（15歳未満が少ない）都道府県は東北農村部に多く、そこで進学率も低い → 係数が負になる。変数の解釈は単変量相関の方向と多変量モデルで逆転することがある点に注意。
モデルの総合評価
  • R² = 0.667：3変数で大学進学率の都道府県間格差の約67%を説明。
  • Adj R² = 0.644：変数数を考慮した調整済み決定係数も高水準。
  • 最重要要因：高齢化率（β=−0.593）が最も強い。地方の高齢化＝地域経済の疲弊・若者流出・教育機会の減少という「悪循環」を示唆。
  • 教育費の効果（β=+0.322）：家庭の教育支出が独立した正の効果を持つ。所得（消費支出）を除いても残る効果であり、「教育への意識・投資の高さ」が進学率を押し上げる。

DS LEARNING POINT 4

標準化偏回帰係数の解釈と計算

標準化偏回帰係数（β）は「説明変数が1標準偏差増加したとき、目的変数が何標準偏差変化するか」を示す。単位が異なる変数を同一基準で比較できる。

import statsmodels.api as sm # OLS 推定 X = sm.add_constant(df[final_vars].astype(float)) model = sm.OLS(df['大学進学率'], X).fit() # 標準化偏回帰係数の計算 sd_y = df['大学進学率'].std() for var in final_vars: sd_x = df[var].std() beta_raw = model.params[var] beta_std = beta_raw * sd_x / sd_y # 標準化β print(f"{var}: β_std = {beta_std:.4f}") # 解釈例: # 高齢化率 β_std = -0.593 # → 高齢化率が1SD（≈3.3%ポイント）上がると # 大学進学率は 0.593SD（≈3.9%ポイント）下がる

まとめと政策的示唆

主要な発見

SSDSE-B-2026 の都道府県別統計（2023年）を用い、大学進学率を学力格差の代理変数として重回帰分析を行った結果：

  1. 高齢化率（β=−0.593）が最大要因：地域の高齢化が進むほど大学進学率が低下する。過疎化・経済疲弊・若者流出という地方の悪循環が学力格差を拡大させている構造を示す。
  2. 少子化率（β=−0.468）：子ども人口割合が低い都道府県（東北農村部）ほど進学率が低い。子ども人口の維持が学力維持にも連動する。
  3. 教育費（β=+0.322）：家庭の教育支出の多さは所得水準（消費支出）を制御した後も進学率向上に有意に寄与する。教育への主体的投資が差を生む。
  4. 消費支出（所得代理）はAICにより除外：教育費と相関が高く、独立した説明力が薄かった。所得の効果は教育費を通じて間接的に作用する可能性。
  5. モデル全体：R²=0.667 で3変数が都道府県間格差の約67%を説明。
教育の社会経済的再生産論との接続 本分析の結果は、フランスの社会学者ピエール・ブルデューが提唱した「文化的再生産論」と整合する。高所得・高教育費の家庭が集積する大都市圏では進学率が高く、経済的不利を抱える地方農村部では世代を超えて低い進学率が「再生産」される。政策的には「地域間の教育機会格差を縮小する」ための奨学金拡充・地方大学の充実・インターネットを活用した遠隔教育が有効と考えられる。
分析の限界と今後の課題
  • 代理変数の限界：大学進学率は学力そのものではなく、地理的アクセスや志望意識の差も反映する。
  • 因果推論の困難さ：観察データからの回帰では因果関係を特定できない。操作変数法・差の差法などの活用が望まれる。
  • 断面分析：1年間の断面のみ。パネルデータ（複数年度）での固定効果分析で因果に近い推論が可能になる。
  • 欠落変数：私立学校比率、塾・予備校密度、大学の地理的集中度など重要な変数がSSDE-Bには含まれない。

DS LEARNING POINT 5

教育の社会経済的再生産論と統計分析

ブルデュー（1986）の「文化的・社会的・経済的資本の再生産」理論は、教育機会の不平等が世代を超えて持続するメカニズムを説明する。統計的にはこれを「社会経済的地位（SES）の教育成果への効果」として測定する。

本分析での「教育費の正の効果（β=+0.322）」は、家庭が教育にどれだけ投資するかが、社会経済的格差を超えて進学率に影響することを示す。つまり、同じ所得水準でも教育投資を重視する文化・価値観が学力格差を生む可能性がある。

# 社会経済的再生産の統計的検討例 # （親の学歴・所得が子の学歴に与える効果の分解） import statsmodels.api as sm # 直接効果：教育費 → 進学率（所得を統制） X = sm.add_constant(df[['教育費', '消費支出']]) m1 = sm.OLS(df['大学進学率'], X).fit() print("教育費の直接効果:", m1.params['教育費']) # 間接効果：所得 → 教育費 → 進学率 # → 媒介分析（mediation analysis）の領域

データ・コードのダウンロード

分析スクリプト（2019_H2_yushu.py）
データ出典・備考
SSDSE-B-2026（都道府県別統計）統計数理研究所 SSDSE（社会・人口統計体系）2026年版。47都道府県、2023年を主に使用。
大学進学率SSDSE-B 収録の「高等学校卒業者数」「高等学校卒業者のうち進学者数」から算出。
教育費・消費支出SSDSE-B 収録の「教育費（二人以上の世帯）」「消費支出（二人以上の世帯）」（月額）。

本教育用ページは SSDSE-B-2026 の実データ（合成データ不使用）を用いた再現分析。元の論文（2019年度 高校生部門 優秀賞）の分析手法を教育的に再現したもの。

教育用再現コード ｜ 2019年度 統計データ分析コンペティション 優秀賞 [高校生部門] ｜ 実データ：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。
🌿 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。
🔄 差分の差分法（DiD）
何？
政策効果の「因果的推定」手法。処置群と対照群、政策前後の2種類の差を組み合わせる。
どう使う？
（処置群の変化）−（対照群の変化）で、政策なしでも起きていた変化を差し引く。
何がわかる？
「地方創生政策がなければどうなっていたか」を推測し、政策の純粋な効果を数値化できる。
結果の読み方
DiD推定値がプラスで有意なら政策は目的変数を増加させた。「平行トレンド仮定」（政策前は両群が同トレンド）の確認が重要。
⚠️ 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。
🎯 操作変数法（IV）
何？
逆因果や交絡因子の問題を克服して因果関係を推定する手法。条件を満たす別の変数（操作変数）を経由して推定する。
どう使う？
操作変数は「目的変数には直接影響せず、説明変数にのみ影響する」という条件が必要。二段階最小二乗法（2SLS）で推定する。
何がわかる？
「医師が多い → 医療費が高い」vs「医療費が高い地域 → 医師が集まる」という因果の向きを区別できる。
結果の読み方
操作変数の妥当性（弱い操作変数でないか）確認が重要。係数解釈は通常の回帰と同様。
⚠️ 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。
🎛️ AIC基準によるステップワイズ変数選択
何？
多数の候補変数からモデルの「精度」と「複雑さ」のバランスが最良な変数の組み合わせを自動選択する手法。
どう使う？
バックワード（全変数から除去）またはフォワード（空から追加）で、AIC最小を目指して変数を探索する。
何がわかる？
「30変数中で最も説明力が高い5変数はどれか」を客観基準で決められる。恣意的な変数選択を回避できる。
結果の読み方
AICは小さいほど良い。最終的に残った変数がモデルに「有効」と判断された変数。
⚠️ 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
都道府県別医療資源の偏在と健康格差
次の論文 →
都道府県別出生率の予測モデル構築