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 ｜ 審査員奨励賞（高校生の部）

都道府県別交通事故・安全指標の規定要因
経済・都市化・医療アクセスの複合分析

⏱️ 推定読了時間: 約36分
2019年度受賞作品（高校生部門） ｜ SSDSE-B-2026 実データ使用
📝 3行で分かる要約

目次

  1. 研究概要と背景
  2. データと変数設計
  3. 死亡率ランキング：地域差の可視化
  4. 経済指標と安全指標の関係
  5. 相関ヒートマップ：複合因子の構造
  6. 重回帰分析：標準化偏回帰係数
  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-E-2026.csv　← SSDSE-E（都道府県の指標2）📥 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_H5_1_shorei.py ← 実行するスクリプト └── data/ └── raw/ SSDSE-B-2026.csv ← ここに置く SSDSE-E-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_H5_1_shorei.py
図は html/figures/ に自動保存されます。
概
研究概要と背景

都道府県間の安全・健康指標には大きな地域差がある。本研究は、死亡率（人口千人あたり）を安全・健康水準の代理指標として、経済的活力（有効求人倍率）・都市化（人口密度）・医療アクセス（人口10万対病院数）・消費水準（消費支出）・高齢化（高齢化率）の5変数を説明変数とし、重回帰分析（OLS）によって規定要因を同定する。

まず「都道府県別交通事故・安全指標の規定要因経済・都市化・医療アクセスの複合分析」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。

分析の流れ
SSDSE-B/E
47都道府県
（2023年）
→
記述統計
Pearson
相関分析
→
OLS
重回帰分析
(標準化)
→
標準化
偏回帰係数
+ 95%CI
代理変数の設定 元論文は「交通事故件数」を安全指標として使用しているが、SSDSE-B には交通事故の直接データが含まれない。本教育用再現では、高齢化・都市化・医療アクセスを包括的に反映する「死亡率（人口千人あたり）」を代理指標として採用した。死亡率は公衆衛生・安全水準の複合指標として広く用いられる。

SSDSE-B-2026 SSDSE-E-2026 重回帰分析（OLS） Pearson相関分析 標準化偏回帰係数

データと変数設計

使用データ

SSDSE（社会・人口統計体系）-B（2023年度・47都道府県）および SSDSE-E（最新横断面・47都道府県）を使用。欠損値なし・n=47の完全データ。

変数の役割変数名出典想定メカニズム
目的変数 死亡率（人口千人あたり） SSDSE-B
（死亡数 / 総人口 × 1000）		 安全・健康水準の複合指標
説明変数 高齢化率（%） SSDSE-B 正（高齢者比率が高いほど死亡率上昇）
有効求人倍率 SSDSE-B
（有効求人数 / 有効求職者数）		 負（経済活力高 → 健康水準向上か）
人口密度（人/km²） SSDSE-E
（総人口 / 可住地面積）		 負（都市部は医療アクセス良）
消費支出（万円/月） SSDSE-B
（二人以上の世帯）		 負（豊かさ → 健康投資増）
人口10万対病院数 SSDSE-B
（一般病院数 / 総人口 × 10万）		 不明（医療アクセス指標）

記述統計（n=47都道府県, 2023年）

変数平均標準偏差最小値最大値
死亡率（‰）14.102.099.74（東京）19.17（秋田）
高齢化率（%）31.593.3422.75（沖縄）39.06（秋田）
有効求人倍率1.3490.2190.897（沖縄）1.863（福井）
人口密度（人/km²）1,3281,797222（北海道）9,924（東京）
消費支出（万円/月）29.592.4122.34（沖縄）34.41（神奈川）
人口10万対病院数6.902.773.13（神奈川）16.07（高知）
変数選択のポイント 本研究は元論文の「経済・都市化・医療アクセス」という3カテゴリの枠組みを忠実に再現している。有効求人倍率（経済）・人口密度（都市化）・人口10万対病院数（医療アクセス）を各カテゴリの代表指標として選択。高齢化率は死亡率の主要な交絡因子として統制変数に追加した。
1
死亡率ランキング：地域差の可視化

47都道府県の死亡率（人口千人あたり）を降順に並べ、地域ブロック別に色分けした。全国平均（14.10‰）を破線で示す。

都道府県別死亡率ランキング
図1：都道府県別 死亡率ランキング（2023年・47都道府県）。北海道・東北ブロック（青）と中国・四国ブロック（紫）が上位に集中し、関東ブロック（赤）と近畿（緑）が下位に多い。
上位都道府県の特徴 死亡率が高い都道府県（秋田・青森・高知・岩手・山形など）はいずれも高齢化率が高く、過疎化が進んだ地方部に集中している。最高値の秋田（19.17‰）は最低値の東京（9.74‰）の約2倍であり、地域格差は極めて大きい。
下位都道府県の特徴 死亡率が低い都道府県（東京・沖縄・滋賀・神奈川・愛知）は人口密度が高く都市化が進んでいる。沖縄は高齢化率が全国最低（22.75%）であり、若い人口構成が死亡率を下げている。

DS LEARNING POINT 1

相関と因果の区別

棒グラフから「北東地方ほど死亡率が高い」という相関は観察できるが、「北東地方だから死亡率が高い」という因果関係は示せない。死亡率が高い真の原因は「高齢化率の高さ」であり、地域は単なる代理変数にすぎない可能性が高い。この区別は統計分析の基本中の基本。

# 相関は観察可能 r_region, _ = stats.pearsonr(df['北東ダミー'], df['死亡率']) # しかし因果は多変数分析が必要 # → 高齢化率を統制すると地域効果は消えるか？ model_controlled = sm.OLS(y, sm.add_constant(X)).fit() # 偏回帰係数が地域効果の「純粋な」効果を示す
2
経済指標と安全指標の関係

有効求人倍率（横軸）と死亡率（縦軸）の散布図に、47都道府県のラベルと回帰直線を重ねて表示した。

有効求人倍率 vs 死亡率 散布図
図2：有効求人倍率 vs 死亡率（2023年・47都道府県）。正の相関（r = 0.308, p = 0.035）が見られる。有効求人倍率が高い地方部ほど死亡率も高い傾向。
「逆方向」の相関に注意 有効求人倍率が「高い」ほど死亡率も高いという正の相関は、一見直感に反する。しかし、有効求人倍率が高い地方部（東北・中国・四国）は高齢化率も高く、この交絡（confounding）が相関の向きを歪めている。重回帰で高齢化率を統制すると、有効求人倍率の効果は非有意（β=0.038, p=0.287）となる。
変数Pearson rp値解釈
高齢化率+0.972<0.001最も強い正の相関
人口密度-0.613<0.001都市部ほど低い死亡率
人口10万対病院数+0.524<0.001農村部は病院が多い（＝高齢者多い）
消費支出-0.3610.013豊かなほど低い死亡率
有効求人倍率+0.3080.035交絡あり（高齢化率と混同）

DS LEARNING POINT 2

Pearson相関係数の解釈と限界

Pearson相関係数 r は2変数間の線形関係の強さを示す。|r|≥0.5 を「強い相関」、|r|≥0.3 を「中程度」、|r|≥0.1 を「弱い相関」とするのが一般的（Cohen, 1988）。しかし、n=47 では |r|≥0.29 程度で p<0.05 となるため、統計的有意性と実質的な意味を区別する必要がある。

from scipy import stats # 2変数の相関と検定 r, p = stats.pearsonr(df['有効求人倍率'], df['死亡率']) print(f"r = {r:.3f}, p = {p:.4f}") # n=47 での最小有意r（α=0.05, 両側） # t_{0.025}(45) ≈ 2.014 # r_min = t / sqrt(t² + n-2) ≈ 0.289 n = 47 t_crit = 2.014 r_min = t_crit / (t_crit**2 + n - 2)**0.5 print(f"n={n}での最小有意r ≈ {r_min:.3f}")
3
相関ヒートマップ：複合因子の構造

6変数間の Pearson相関行列をヒートマップで可視化した。有意マーク（*, **, ***）を各セルに表示。

相関ヒートマップ
図3：変数間Pearson相関行列（2023年・47都道府県）。死亡率と高齢化率の相関（r=0.972）が突出して強い。人口密度は死亡率・高齢化率の両方と負の相関。
📌 この相関ヒートマップの読み方
このグラフは
複数の変数ペア間の相関係数（−1〜+1）を色の濃淡で示した行列図。
読み方
濃い赤（または青）が強い正（または負）の相関。対角線は自分自身との相関なので常に1.0。
なぜそう解釈できるか
「説明変数どうしの相関が高い（|r| > 0.8）」マスが多いと多重共線性の警告サイン。目的変数との相関が高い変数が候補として重要。
多重共線性への注意 高齢化率と人口密度の相関（r=−0.671, p<0.001）、病院数と高齢化率の相関（r=+0.543, p<0.001）など、説明変数間にも有意な相関が存在する。これらは多重共線性（multicollinearity）を引き起こす可能性があり、個別の偏回帰係数の解釈に注意が必要。
変数ペア相関 r有意性解釈
死亡率 × 高齢化率+0.972***最強の正相関・交絡の主因
死亡率 × 人口密度-0.613***都市化は死亡率を下げる
高齢化率 × 人口密度-0.671***都市部は若い（多重共線性リスク）
病院数 × 高齢化率+0.543***農村は病院密度高いが高齢者も多い
消費支出 × 病院数-0.366*豊かな地域は大病院に集約
有効求人倍率 × 消費支出0.000n.s.無相関

DS LEARNING POINT 3

交絡因子と高齢化率の統制

高齢化率は死亡率の最強の規定因子（r=0.972）であり、他の変数との交絡を引き起こす「潜在変数」でもある。例えば「農村は有効求人倍率が高い」かつ「農村は高齢化率が高い」という両方の関係があるため、有効求人倍率と死亡率の正の相関は見かけ上のものにすぎない。重回帰で高齢化率を統制することで、他の変数の「純粋な」効果を推定できる。

# 交絡因子の確認：高齢化率を統制する前後の比較 from scipy import stats # 統制前：見かけの相関 r_raw, _ = stats.pearsonr(df['有効求人倍率'], df['死亡率']) print(f"統制前 r(求人倍率, 死亡率) = {r_raw:.3f}") # 統制後：偏相関（高齢化率を共変量として除去） # 重回帰でβ係数を見る model = sm.OLS(y_std, sm.add_constant(X_std)).fit() beta_求人 = model.params[2] # 有効求人倍率の標準化係数 print(f"統制後 β(求人倍率) = {beta_求人:.3f}") # → β≈0.038, n.s. 見かけの相関が消える
4
重回帰分析：標準化偏回帰係数

5つの説明変数を同時投入した OLS 重回帰分析（標準化）を実施した。標準化偏回帰係数（β）と95%信頼区間を横棒グラフで示す。

死亡率_std = β₁・高齢化率_std + β₂・有効求人倍率_std + β₃・人口密度_std
　　　　　　+ β₄・消費支出_std + β₅・病院数_std + ε

R² = 0.954 ｜ Adj.R² = 0.949 ｜ F = 171.6（p < 0.001）
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。高齢化率の支配的効果（β=1.003, p<0.001）と消費支出の負の効果（β=−0.083, p=0.027）が有意。
📌 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。

回帰結果サマリー

説明変数β（標準化）SEp値有意性解釈
高齢化率 +1.003 0.052 <0.001 *** 最強の正の効果（死亡率を規定する主因）
消費支出（万円/月） −0.083 0.036 0.027 * 豊かさが健康維持に貢献
人口密度 +0.078 0.045 0.090 n.s. 高齢化率統制後は非有意
有効求人倍率 +0.038 0.035 0.287 n.s. 高齢化率で交絡が説明される
人口10万対病院数 −0.028 0.041 0.507 n.s. 単独では有意効果なし
モデル適合度 R²=0.954、Adj.R²=0.949 という非常に高い説明力を示す。これは主に高齢化率（β≈1.0）の圧倒的な説明力によるもので、47都道府県の死亡率差の95.4%が5変数で説明できる。
注意：高齢化率の β > 1.0 について 標準化偏回帰係数 β は通常 [-1, 1] の範囲を想定するが、説明変数間に強い多重共線性がある場合、|β| > 1.0 になることがある。高齢化率と人口密度の相関（r = -0.671）が主因。VIF（分散膨張係数）による多重共線性診断が推奨される。

DS LEARNING POINT 4

標準化偏回帰係数の意味と比較

標準化偏回帰係数（β）は「他の変数を統制したもとで、当該変数が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（高齢化率% vs 人口密度 人/km²）を横断的に比較できる点が最大の利点。高齢化率のβ≈1.0は、「高齢化率が1SD（≈3.3%）増えると死亡率も1SD（≈2.1‰）増える」ことを意味する。

import statsmodels.api as sm # 変数を標準化してからOLS y_std = (y - y.mean()) / y.std() X_std = (X - X.mean(axis=0)) / X.std(axis=0) model_std = sm.OLS(y_std, sm.add_constant(X_std)).fit() betas = model_std.params[1:] # 定数項を除く偏回帰係数 # 変数間の効果の大きさを比較 for i, (name, beta) in enumerate(zip(var_names, betas)): print(f"{name}: β = {beta:.3f}") # β > 1.0 の場合は多重共線性を疑う from statsmodels.stats.outliers_influence import variance_inflation_factor X_const = sm.add_constant(X) vif = [variance_inflation_factor(X_const, i) for i in range(1, X_const.shape[1])] for name, v in zip(var_names, vif): print(f"VIF({name}) = {v:.2f}") # VIF > 10 で強い多重共線性

まとめと考察

主要な発見

SSDSE-B/E の47都道府県（2023年）データを用いた重回帰分析の結果：

  1. 高齢化率が死亡率の最大規定因子（β=1.003, p<0.001）：他の4変数を統制しても高齢化率の効果は圧倒的。地域の安全・健康指標は「どれだけ高齢化しているか」に大きく依存する。
  2. 消費支出の有意な負の効果（β=−0.083, p=0.027）：経済水準が高い都道府県は死亡率が低い傾向。消費支出は医療・食事・運動習慣への投資を代理する指標と解釈できる。
  3. 有効求人倍率の効果は交絡：単純相関では正（r=+0.308）だが、高齢化率を統制すると非有意（β=+0.038, n.s.）。見かけの相関は高齢化という共通要因によるもの。
  4. 都市化・医療アクセスは統制後に非有意：人口密度・病院数は単独では有意な相関を示すが、重回帰での純粋な効果は確認されなかった。高齢化率による説明がほとんどを占めるため。
政策への示唆 都道府県間の死亡率格差は主に高齢化率の差に起因する。高齢化が進む地方部への予防医療・健康増進策の重点配分と、消費支出（経済水準）の底上げが死亡率改善に有効と示唆される。
本分析の限界 (1) n=47 の都道府県レベルデータのため、「個人レベル」の因果推論には生態学的誤謬（ecological fallacy）＝集団の関係を個人にそのまま当てはめてしまう誤りに注意が必要。(2) 高齢化率と死亡率の間には逆因果（死亡率が下がれば高齢化が進む）の可能性もある。(3) 医療支出・生活習慣・喫煙率など重要な交絡因子が除外されている。
教育的価値（この分析から学べること）
  • 支配的変数の取り扱い：高齢化率のように1つの変数が結果のほとんどを説明してしまう場合、他の変数の効果が「隠れて」見えなくなる。多重共線性や説明力の集中という現象を実感できる。
  • 「交絡＝見かけの相関」：有効求人倍率と死亡率の相関は、高齢化を通じた疑似的な関係だった。第3変数を統制する重回帰の威力が確認できる典型例。
  • 「政策で介入できる変数か」という視点：高齢化率は短期的に変えられないが、消費支出（経済水準）・生活習慣などは政策で動かしやすい。分析結果を政策に翻訳する練習になる。

データ・コードのダウンロード

分析スクリプト（2019_H5_1_shorei.py）
データ出典・説明
SSDSE-B-2026（都道府県別・時系列）統計数理研究所 SSDSE — 死亡数・総人口・65歳以上人口・有効求人数/求職者数・病院数・消費支出等
SSDSE-E-2026（都道府県別・横断面）統計数理研究所 SSDSE — 可住地面積（人口密度算出に使用）

本教育用コードは SSDSE-B-2026・SSDSE-E-2026 の実データを使用。合成データは一切使用していない。

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 審査員奨励賞（高校生の部） ｜ SSDSE-B/E-2026 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。
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。
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。
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。
📅 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。
🌲 ランダムフォレスト + SHAP（機械学習による変数重要度）
何？
多数の決定木を組み合わせた予測モデル（RF）と、各変数の寄与度を個別に説明する SHAP値の組み合わせ。
どう使う？
RFで予測モデルを構築し、SHAPでゲーム理論的アプローチによって各変数の寄与を計算する。
何がわかる？
線形モデルでは捉えにくい非線形・交互作用関係も含めて「どの変数が重要か」を視覚的に示せる。
結果の読み方
SHAP値プラスが予測値を上昇させる貢献、マイナスが低下させる貢献。変数重要度グラフの上位変数が最も影響力が大きい。
⚠️ 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
都道府県別社会保障給付費と生活保護受給率の規定要因分析
次の論文 →
都道府県別食料費支出の地域格差分析