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 ｜ 統計活用奨励賞 [高校生の部]

都道府県別社会保障給付費と
生活保護受給率の規定要因分析

⏱️ 推定読了時間: 約38分
2019年度受賞作品 | 高校生部門 | 重回帰分析・Kruskal-Wallis検定
📝 3行で分かる要約

目次

  1. 研究概要と背景
  2. データと変数の設計
  3. 都道府県別保健医療費ランキング
  4. 高齢化率と保健医療費の関係
  5. 地域ブロック別分布（Kruskal-Wallis検定）
  6. 重回帰分析と標準化偏回帰係数
  7. 政策的含意とまとめ
  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_H4_katsuyo.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_H4_katsuyo.py
図は html/figures/ に自動保存されます。
概
研究概要と背景

日本では急速な高齢化と所得格差の拡大により、社会保障費の増加が財政上の重大な課題となっている。一方で、都道府県間には社会保障給付の水準や生活保護受給率に大きなばらつきが存在する。この地域格差を生み出す要因は何か。本研究は、高齢化率・労働市場・所得水準・医療インフラという4つの視点から、都道府県別の社会保障需要の規定要因を重回帰分析によって探求する。

まず「都道府県別社会保障給付費と生活保護受給率の規定要因分析」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。

問題意識：社会保障費の地域格差 2023年の全国データによると、都道府県別の保健医療支出（家計ベース）には月額1万1千円〜2万1千円と約2倍の格差が存在する。単なる高齢化だけでなく、雇用環境や所得水準も社会保障需要に影響している可能性がある。
分析の流れ
SSDSE-B
47都道府県
2023年断面
→
相関分析
（散布図）
→
地域比較
（Kruskal-
Wallis検定）
→
OLS重回帰
（標準化偏
回帰係数）
→
政策
提言

SSDSE-B-2026 重回帰分析（OLS） Kruskal-Wallis検定 標準化偏回帰係数

データと変数の設計

使用データ

SSDSE-B-2026（社会・人口統計体系データセット、都道府県版）の2023年データを使用。全47都道府県のうち、欠損値処理後に46都道府県が分析対象となった。

プロキシ変数について
SSDSE-Bには社会保障給付費や生活保護受給率の直接データが含まれないため、以下の代理（プロキシ）変数を使用する。実際の論文で用いられた変数との対応も示す。
変数の役割 使用変数（SSDSE-B） 元論文の変数 単位
目的変数
社会保障需要の代理		 保健医療費（二人以上の世帯） 社会保障給付費・生活保護受給率 円/月
説明変数①
高齢化		 高齢化率（65歳以上/総人口） 高齢化率 %
説明変数②
労働市場		 有効求人倍率（月間有効求人数/求職者数） 失業率・有効求人倍率 倍
説明変数③
医療インフラ		 病院数（人口10万対） 医療施設数 施設/10万人
説明変数④
所得水準		 消費支出（二人以上の世帯） 1人当たり消費支出・所得 万円/月

基本統計量（2023年、n=46）

変数平均標準偏差最小最大
保健医療費（円/月） 14,4002,16111,05221,000
高齢化率（%） 31.63.422.839.1
有効求人倍率（倍） 1.350.220.901.86
病院数（人口10万対） 6.852.783.1316.07
消費支出（万円/月） 29.62.422.334.4
仮説
  • H1：高齢化率が高いほど社会保障需要（保健医療費）が大きい（正の関係）
  • H2：有効求人倍率が低い（雇用が弱い）ほど社会保障需要が大きい（負の関係）
  • H3：消費支出（所得水準）が高いほど保健医療費も高くなる（正の関係）
  • H4：地域ブロックによって保健医療費の水準に有意差がある
1
都道府県別保健医療費ランキング

まず、47都道府県の保健医療費（社会保障需要の代理変数）を降順に並べ、地域間格差の全体像を把握する。棒グラフは6つの地域ブロックで色分けされている。

都道府県別保健医療費ランキング棒グラフ
図1：都道府県別 保健医療費（2023年）。全国平均（破線）を超える都道府県と下回る都道府県の分布。色分けは地域ブロック（凡例参照）。
読み取りポイント
  • 最高値と最低値の間には約1.9倍の格差がある（21,000円 vs 11,052円）
  • 九州・沖縄や中国・四国の都道府県は上位に多い傾向がある（地域差）
  • 関東の大都市圏は相対的に低い傾向を示す
  • 都道府県間の格差は単なる偶然ではなく、構造的な要因を反映していると考えられる
2
高齢化率と保健医療費の関係

「高齢化が進むほど社会保障需要が高まる」という仮説H1を検証するため、高齢化率と保健医療費の散布図を描き、Pearsonの積率相関係数を算出した。

高齢化率と保健医療費の散布図
図2：高齢化率（%）と保健医療費（千円/月）の散布図（2023年、47都道府県）。都道府県名ラベル付き、地域ブロックで色分け。回帰直線と相関係数を表示。
📌 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。
相関分析の結果 r = −0.497, p = 0.0004（統計的に有意）
  • 高齢化率と保健医療費の間には中程度の負の相関が認められた
  • これは仮説H1（正の関係）と逆の方向であり、高齢化率が高い地方圏ほど所得水準が低く、家計の保健医療支出が抑制されている可能性を示唆する
  • 社会保障「需要」の測定には、保険外の自費支出（家計消費）だけでなく、公的給付額も合わせて確認する必要がある
解釈の注意点（交絡） 高齢化率と消費支出（所得）は相関している可能性がある（多変量交絡）。高齢化が進む農村部は所得も低い傾向があり、「高齢化率が高い → 保健医療費が低い」という相関は、所得の影響を通じた見かけ上のものかもしれない。次の重回帰分析で他の変数を統制して確認する。

DS LEARNING POINT 1

社会保障の指標と測定方法

社会保障を統計的に捉える指標には複数ある。家計調査の「保健医療費」は自己負担分を反映するが、公的給付（医療費の7割）は含まれない。理想的な指標は国民医療費や社会保障給付費（厚生労働省）だが、都道府県別の細かい年次データは入手が難しい。

# 相関係数と無相関検定 from scipy import stats r, p = stats.pearsonr(df['高齢化率'], df['保健医療費']) print(f"r = {r:.4f}, p = {p:.4f}") # 効果量の目安（Cohen 1988） # |r| < 0.1: 微小, 0.1-0.3: 小, 0.3-0.5: 中, >0.5: 大 effect = "中（Medium）" if abs(r) >= 0.3 else "小（Small）" print(f"効果量: {effect}")
3
地域ブロック別分布（Kruskal-Wallis検定）

仮説H4「地域ブロックによって保健医療費の水準に有意差がある」を検定するため、6地域ブロック別の箱ひげ図を描き、Kruskal-Wallis検定を実施した。

地域ブロック別保健医療費の箱ひげ図
図3：6地域ブロック別の保健医療費（千円/月）分布（2023年）。Kruskal-Wallis検定の結果を表示。
Kruskal-Wallis検定の結果 H = 5.055, p = 0.4092（有意差なし）
  • 地域ブロック間に統計的に有意な差は認められなかった（p > 0.05）
  • ただし、各地域内のばらつき（IQR）は大きく、地域ブロック内でも都道府県間の格差が存在する
  • 「地域差」より「個別都道府県の固有要因」の影響が大きい可能性を示唆する

DS LEARNING POINT 2

Kruskal-Wallis検定の使い方（非正規分布データ）

3群以上の比較にはANOVA（分散分析）が使われるが、ANOVAは正規性・等分散性を前提とする。Kruskal-Wallis検定はこれらを仮定しないノンパラメトリック検定で、都道府県数が少ない（各群n=7〜9）場合に適している。

from scipy.stats import kruskal # 地域ブロック別のグループを作成 groups = [ df[df['region'] == r]['保健医療費'].dropna().values for r in ['北海道・東北', '関東', '中部', '近畿', '中国・四国', '九州・沖縄'] ] groups = [g for g in groups if len(g) > 0] # Kruskal-Wallis検定（帰無仮説: 全地域の中央値が等しい） H_stat, p_val = kruskal(*groups) print(f"H = {H_stat:.3f}, p = {p_val:.4f}") # 有意な場合はDunn検定（多重比較）で事後検定 # from scikit_posthocs import posthoc_dunn

【帰無仮説と対立仮説】
H₀: 全地域ブロックの保健医療費の中央値は等しい
H₁: 少なくとも1つの地域ブロックの中央値が異なる
今回はp = 0.41 > 0.05 → H₀を棄却できない（有意差なし）

箱ひげ図の読み方
  • 箱（Box）：第1四分位数（Q1）〜第3四分位数（Q3）、箱の高さ = IQR（四分位範囲）
  • 中央線：中央値（メジアン）
  • ひげ（Whisker）：Q1 − 1.5×IQR 〜 Q3 + 1.5×IQR の範囲
  • 丸点（○）：上記範囲を超える外れ値
4
重回帰分析と標準化偏回帰係数

4つの説明変数（高齢化率・有効求人倍率・病院数・消費支出）を用いたOLS重回帰分析を実施した。変数間の比較を可能にするため、全変数を標準化（z-score変換）した上で回帰を行った。

y* = β₁x₁* + β₂x₂* + β₃x₃* + β₄x₄* + ε

y*: 標準化保健医療費, x₁*: 標準化高齢化率, x₂*: 標準化有効求人倍率
x₃*: 標準化病院数（人口10万対）, x₄*: 標準化消費支出
※すべての変数はz-score変換（平均0、標準偏差1）
標準化偏回帰係数の横棒グラフ
図4：重回帰分析の標準化偏回帰係数（β）と95%信頼区間（2023年、n=46）。R² = 0.517、Adj.R² = 0.470。* p<0.05、** p<0.01、*** p<0.001、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「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。

重回帰分析の結果

変数 標準化偏回帰係数 β 95%信頼区間 p値 有意性
高齢化率（%） −0.259 [−0.534, +0.015] 0.064 n.s.（†）
有効求人倍率（倍） −0.221 [−0.452, +0.010] 0.061 n.s.（†）
病院数（人口10万対） −0.021 [−0.291, +0.248] 0.874 n.s.
消費支出（万円/月） +0.518 [+0.278, +0.757] <0.001 ***
R² = 0.517, Adj.R² = 0.470, F(4,41) = 10.96, p < 0.001
† 周辺有意（0.05 < p < 0.10）
主要な発見
  • 消費支出（所得水準）β = +0.518, p < 0.001 ***：他の変数を統制しても、所得水準が高い都道府県ほど保健医療費が高い。最も強い規定要因。
  • 高齢化率 β = −0.259（周辺有意, p = 0.064）：消費支出を統制すると、高齢化率の効果は弱まり統計的有意性が境界線上になる。高齢化→低所得という交絡の影響を示す。
  • 有効求人倍率 β = −0.221（周辺有意, p = 0.061）：雇用が弱い地域で保健医療費がわずかに低い傾向（所得効果を通じた間接効果の可能性）。
  • モデル適合度 R² = 0.517：4変数で保健医療費の変動の約52%を説明できている。

DS LEARNING POINT 3

標準化偏回帰係数の意味

通常の回帰係数（非標準化）は変数の単位に依存するため、異なる変数間で直接比較できない。標準化偏回帰係数（β）はすべての変数をz-score化した後の回帰係数で、「1標準偏差分の変化に対応するyの標準偏差変化」を表し、変数間の相対的重要度を比較できる。

import statsmodels.api as sm # 標準化（z-score変換） for col in X_vars + [y_col]: df[col + '_z'] = (df[col] - df[col].mean()) / df[col].std() # OLS回帰（標準化変数） X_std = sm.add_constant(df[[v + '_z' for v in X_vars]]) y_std = df[y_col + '_z'] result = sm.OLS(y_std, X_std).fit() # 標準化偏回帰係数 = result.params（定数項除く） # 解釈: β = 0.518 → 消費支出が1SD増加すると保健医療費が0.518SD増加 print(result.summary())

【効果量の目安（Cohen 1988）】
β の絶対値: 0.1 = 小, 0.3 = 中, 0.5 = 大
消費支出のβ = 0.518 → 「大」の効果量

DS LEARNING POINT 4

政策効果の因果推論の難しさ

回帰分析は変数間の「関連」を示すが、「因果」を証明するものではない。たとえば「消費支出が高い都道府県で保健医療費が高い」という関係は、以下のどの解釈も成立しうる：

# 考えられる因果メカニズム（複数存在しうる） # 1. 直接効果: 所得が高い → 保健医療に使える金が増える # income → health_expenditure # 2. 逆因果: 健康投資が多い → 生産性が上がる → 所得が上がる # health_expenditure → income # 3. 交絡変数: 都市化が進む → 所得増・医療アクセス増 → 両方増 # urbanization → income, health_expenditure # 因果推論の強化には： # - 操作変数法（IV）: 外生変数を使って内生性を排除 # - 差分の差分法（DID）: 政策前後のパネルデータを使う # - 回帰不連続デザイン（RDD）: 閾値の前後を比較する

統計的な関連から政策提言を行う際は、「Aだから→Bを増やせばCが改善する」という単純な因果推論の飛躍に注意が必要。

政策的含意とまとめ

主要な発見のまとめ

SSDSE-B-2026の47都道府県・2023年断面データを用いた分析の結果：

  1. 所得水準（消費支出）が最大の規定要因（β = +0.518, p < 0.001）：都道府県の所得水準は保健医療費の地域差を強く説明する。高所得地域ほど保健医療への家計支出が多い。
  2. 高齢化率の効果は交絡によって減衰（β = −0.259, p = 0.064）：単相関では負（r = −0.497）であったが、所得を統制すると周辺有意水準に留まった。高齢化が多い地域は所得も低く、家計の保健医療支出が抑制される構造が示唆される。
  3. 地域ブロック間の有意差はなし（Kruskal-Wallis: H = 5.055, p = 0.41）：「地域ブロック」レベルの差よりも、都道府県固有の経済・人口構造が格差を生んでいる。
  4. モデルの説明力は中程度（R² = 0.517）：4変数で分散の約52%を説明。残り48%は未観測の要因（医療慣行、文化的規範、保険制度の運用差など）による。
政策的含意
  • 高齢化対策だけでは不十分：高齢化と社会保障費の増大を単純に結びつける議論には注意が必要。所得水準（雇用・賃金）の底上げが、社会保障の持続可能性にとって重要な前提条件。
  • 地方の雇用環境改善が先決：有効求人倍率が社会保障費と弱い負の関連を示すことは、雇用悪化 → 家計の医療支出抑制 → 健康悪化リスクというスパイラルへの注意を促す。
  • 地域差への先制的対応：地域ブロック単位の政策よりも、都道府県の固有条件（産業構造、人口動態）に合わせたきめ細かい政策設計が効果的と考えられる。
本分析の限界と今後の課題
  • 目的変数が家計消費の保健医療費（代理変数）であり、公的社会保障給付費・生活保護受給率の直接データではない
  • 2023年の断面データのみを使用（パネルデータによる因果推論には至っていない）
  • n=46と小標本のため、推定の不確実性が大きい（標準誤差が広い）
  • 多重共線性の精査（VIF＝Variance Inflation Factor、説明変数同士の相関の強さを表す指標。10超で深刻）の精査が今後の課題
教育的価値（この分析から学べること）
  • 「単相関 → 重回帰」で係数が変わる現象：高齢化と医療費の単純相関は強いが、所得を制御すると効果が弱まる。これは「交絡変数」の効果を体感できる典型例。
  • ノンパラ検定（Kruskal-Wallis）：データの分布が正規でなくても使える「順位ベース」の検定。地域ブロックなどの小サンプルグループ比較に向く。
  • 「説明力 52%」の意味：R²=0.52は「すべて分かった」ではなく「半分は別の要因」を意味する。残り48%に何があるかを考えることが研究の次のステップ。

データ・コードのダウンロード

分析スクリプト（2019_H4_katsuyo.py）
データ・ツール出典・説明
SSDSE-B-2026（都道府県版） 統計数理研究所 SSDSE（社会・人口統計体系データセット）2026年版。47都道府県×複数年次の統計データ。
statsmodels（OLS回帰） Python統計モデリングライブラリ。sm.OLS().fit() で重回帰・標準誤差・信頼区間を算出。
scipy.stats.kruskal（検定） SciPy科学計算ライブラリのKruskal-Wallis検定関数。ノンパラメトリックな3群以上比較。

本教育用コードはSSDSE-B-2026の実公的統計データを使用（合成データ不使用）。出典：統計数理研究所。

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 統計活用奨励賞 [高校生の部]
使用データ: SSDSE-B-2026（統計数理研究所）｜ 分析年度: 2023年断面

⚠️ 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。
ノンパラメトリック
データが正規分布などの特定の分布に従うことを仮定しない手法。順位やランクを使って検定する。外れ値や歪んだ分布に頑健。
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。
🔄 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。
🔬 Kruskal-Wallis検定
何？
3グループ以上の間に統計的な差があるかを検定するノンパラメトリック手法（正規分布を前提としない）。
どう使う？
全データを合体して順位をつけ、グループ間の順位平均値の差をH統計量で検定する。
何がわかる？
「医師数の少・中・多の県で死亡率に差があるか」を分布の形に関わらず検定できる。
結果の読み方
p < 0.05 でグループ間に有意差あり。どのグループ間に差があるかは Dunn 検定などで追加確認する。
⚠️ 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。
🎯 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。
↔️ 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
都道府県別出生率の予測モデル構築
次の論文 →
都道府県別交通事故・安全指標の規定要因