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 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]

都道府県別食料費支出の地域格差分析
消費構造と社会経済要因の重回帰

⏱️ 推定読了時間: 約35分
2019年度 高校生部門
📝 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：SSDSE-B 都道府県統計
  3. 食料費の地域格差（ランキング分析）
  4. Pearson相関分析：食料費と消費支出
  5. 時系列分析：地域別食料費の推移
  6. 重回帰分析（OLS）：決定要因の特定
  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_2_shorei.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_H5_2_shorei.py
図は html/figures/ に自動保存されます。
概
研究概要と背景

食料費は家計消費の最重要項目の一つであり、その都道府県間格差は地域の生活水準・物価水準・消費構造の違いを反映している。本研究は、SSDSE-B（都道府県別統計データ）を用いて、食料費支出の地域格差の構造と決定要因を統計的に分析する。

まず「都道府県別食料費支出の地域格差分析消費構造と社会経済要因の重回帰」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 なぜ都道府県によって食料費支出に格差が生じるのか？消費支出総額・高齢化率・光熱水道費といった社会経済要因は、食料費の地域格差をどの程度説明できるか？
分析の流れ
SSDSE-B
47都道府県
データ取得
→
食料費
ランキング分析
（地域格差）
→
Pearson
相関分析
（散布図）
→
時系列分析
（2012〜2022）
COVID影響
→
OLS
重回帰分析
（標準化係数）

SSDSE-B Pearson相関 OLS重回帰 時系列分析 地域比較

データと変数：SSDSE-B 都道府県統計

使用データ

SSDSE-B（社会・人口統計体系データセット B）は、都道府県別の各種統計を収録する公的統計データである。2012〜2022年（または2023年）の時系列データを含む。

データ出典対象
SSDSE-B-2026統計数理研究所47都道府県 × 複数年度
家計調査（二人以上世帯）総務省統計局（SSDSE-B収録）月次消費支出・食料費等

目的変数と説明変数

変数の種類変数名説明予想される効果
目的変数食料費（二人以上の世帯）月間食料費支出（円）—
説明変数消費支出（二人以上の世帯）月間総消費支出（円）正（収入・生活水準の代理）
高齢化率（65歳以上比率）65歳以上人口 / 総人口 × 100負（高齢世帯は食料費が少ない）
光熱・水道費（二人以上の世帯）月間光熱水道費支出（円）正（寒冷地・生活費全般高）
変数選択の考え方 消費支出は所得水準の代理変数（代理変数の使い方）。高齢化率は需要構造の違いを反映（高齢世帯は外食・嗜好食品より節約傾向）。光熱水道費は気候・地域特性を捉える変数として採用した。
北海道・東北
関東
中部
近畿
中国・四国
九州・沖縄
1
食料費の地域格差（ランキング分析）

2022年のSSDSE-Bデータを用いて、47都道府県の食料費（二人以上世帯）を降順に並べ、地域色分けとともに変動係数（CV）を算出した。

都道府県別食料費ランキング棒グラフ
図1：都道府県別 食料費（二人以上の世帯）ランキング（2022年）。色は6地域区分、破線は全国平均（約76,598円/月）。

主要な観察結果

順位都道府県食料費（円/月）地域
1位東京都87,973関東
2位埼玉県87,922関東
3位神奈川県85,076関東
43位佐賀県69,993九州・沖縄
44位鳥取県69,588中国・四国
45位和歌山県68,715近畿
46位沖縄県68,318九州・沖縄
47位愛媛県67,889中国・四国
地域別平均（2022年）
  • 関東：約82,238円（最高）
  • 中部：約79,261円
  • 近畿：約79,198円
  • 北海道・東北：約76,239円（全国平均程度）
  • 中国・四国：約72,186円
  • 九州・沖縄：約71,667円（最低）
変動係数（CV）は全47都道府県で約5〜7%程度。最大と最小の格差は約2万円（約29%差）。

DS LEARNING POINT 1

食料費 vs 食料自給率：指標の違いを理解する

「食料費」（家計調査）と「食料自給率」（農林水産省）は全く異なる指標である。食料費は世帯の支出額を示し、食料自給率は国内生産量の割合を示す。都道府県別の「食料費が高い」ことは「食料を多く生産している」ことを意味しない。例えば東京は食料費が全国最高水準だが食料自給率はほぼ0%である。分析目的に合った指標を選ぶことが重要。

# 食料費（家計調査）= 世帯の月間支出額（円） # ⇒ 生活水準・消費行動を反映 food_expenditure = df['食料費（二人以上の世帯）'] # 食料自給率（農水省）= 国内生産 / 国内消費 × 100 (%) # ⇒ 食料安全保障・農業生産力を反映 # food_self_sufficiency = 生産量 / 消費量 × 100 # 変動係数（格差の測定） cv = food_expenditure.std() / food_expenditure.mean() * 100 print(f"食料費の変動係数: {cv:.1f}%")
2
Pearson相関分析：食料費と消費支出

食料費支出と総消費支出のPearson相関係数を算出し、回帰直線とともに47都道府県の散布図を描いた。各都道府県を6地域で色分けし、地域パターンを視覚化した。

消費支出 vs 食料費 散布図
図2：消費支出と食料費の散布図（2022年・47都道府県）。地域色分け、回帰直線、Pearson相関係数を表示。r = 0.722, p < 0.001。
📌 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。
H₀: ρ = 0（無相関）
H₁: ρ ≠ 0（相関あり）

r = 0.722,　p < 0.001　→ H₀を棄却（1%水準で有意）
相関分析の結果 Pearson相関係数 r = 0.722（p < 0.001）。消費支出と食料費の間に強い正の相関が認められた。消費支出が高い都道府県（主に関東）では食料費も高く、消費支出が低い地域（九州・沖縄、中国・四国）では食料費も低い傾向が見られた。ただし同程度の消費支出でも食料費に差がある都道府県もあり、他の要因（高齢化率など）の影響が示唆される。

DS LEARNING POINT 2

代理変数の限界と使い方

「消費支出」は「所得水準」の代理変数（proxy variable）として用いている。本来は可処分所得や世帯年収が理想だが、都道府県別集計では家計調査の消費支出が利用しやすい。代理変数を使う際は、代理の妥当性（validity）を議論することが重要。消費支出は所得以外（貯蓄率・家族構成・物価）の影響も含むため、解釈に注意が必要。

from scipy import stats # Pearson相関係数と両側検定 x = df['消費支出（二人以上の世帯）'] y = df['食料費（二人以上の世帯）'] mask = x.notna() & y.notna() r, p = stats.pearsonr(x[mask], y[mask]) print(f"Pearson r = {r:.3f}") print(f"p値 = {p:.6f}") print(f"→ {'有意（H₀棄却）' if p < 0.05 else '非有意'}") # 注意：消費支出は所得の完全な代理ではない # 同じ消費支出でも食料費が異なる → 残差に他の要因が残る
3
時系列分析：地域別食料費の推移

2012〜2022年の10年間にわたる地域別食料費の推移を折れ線グラフで可視化した。COVID-19が消費行動に与えた影響（2020〜2021年）に特に注目する。

地域別食料費時系列推移
図3：地域別 食料費の時系列推移（2012〜2022年）。グレー帯はCOVID-19期（2020〜2021年）。6地域別の平均値を使用。
📌 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。

COVID-19前後の変化（2019年→2021年）

地域2019年（COVID前）2021年変化率
九州・沖縄——+3.5%
近畿——+2.6%
関東——+2.6%
北海道・東北——+1.3%
中国・四国——+1.1%
中部——−0.2%
COVID-19の消費への影響 外出制限・外食自粛により、多くの地域で内食（家での食事）が増加し、食料費が増加する傾向が見られた。特に九州・沖縄（+3.5%）、近畿・関東（+2.6%）で増加が顕著だった。中部は微減となり、地域によって影響のパターンが異なることが確認された。

DS LEARNING POINT 3

COVID-19が消費構造に与えた影響：時系列分析の重要性

1時点のクロスセクション分析だけでは見えない「変化の方向」を時系列分析で捉えることができる。COVID-19のような外生的ショックが消費パターンをどう変えたかを分析するには、前後比較（差の差：DiD）や時系列トレンドの把握が有効。「内食回帰」現象は外食費の減少と家庭内食料費の増加を同時にもたらすため、食料費の変化の解釈には消費支出全体の変化との対比が重要。

# COVID前後の変化率を計算 pre = df[df['年度'] == 2019].groupby('地域')['食料費（二人以上の世帯）'].mean() post = df[df['年度'] == 2021].groupby('地域')['食料費（二人以上の世帯）'].mean() change_pct = (post - pre) / pre * 100 print("COVID前後（2019→2021）食料費変化率:") print(change_pct.sort_values(ascending=False).round(1)) # 地域別の差を可視化 # → 外食の多い都市部ほど内食回帰の影響が大きいか？ # → 外食費の減少分が内食費に転換された可能性を議論
4
重回帰分析（OLS）：決定要因の特定

食料費を目的変数とし、消費支出・高齢化率・光熱水道費を説明変数とした最小二乗法（OLS）重回帰分析を実施した。各変数を標準化して標準化偏回帰係数（β）を算出し、説明力を比較した。

食料費 = β₀ + β₁×消費支出 + β₂×高齢化率 + β₃×光熱水道費 + ε

（全変数を標準化して標準化偏回帰係数を算出）
重回帰標準化偏回帰係数
図4：OLS重回帰分析の標準化偏回帰係数（β）と95%信頼区間。赤バーは正の効果、青バーは負の効果。有意水準：*** p<0.001, ** p<0.01, * p<0.05, 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。

回帰結果サマリー

説明変数標準化係数 β有意水準解釈
消費支出（二人以上世帯） +0.563 *** p<0.001 最も影響力が大きい正の要因
高齢化率（65歳以上比率） −0.402 *** p<0.001 高齢化率が高いほど食料費が減少
光熱・水道費（二人以上世帯） +0.254 * p<0.05 生活費全般の高い地域で食料費も高い
決定係数 R² = 0.645　　自由度調整済み R² = 0.620　　N = 47都道府県（2022年）
重回帰分析の解釈
  • 消費支出（β = +0.563）：全体的な生活水準・所得水準が最大の正の影響を持つ。消費支出が1標準偏差高い都道府県は食料費が約0.56標準偏差高い。
  • 高齢化率（β = −0.402）：高齢化が進んだ地域では食料費が有意に低い。高齢世帯は外食や嗜好食品への支出が少ない傾向と一致する。
  • 光熱水道費（β = +0.254）：寒冷地など光熱費が高い地域では食料費も高め（食品の価格や暖房調理コストを反映）。
3変数で食料費の地域格差の約64.5%を説明（R² = 0.645）。残りの約36%は説明変数に含まれない要因（外食文化・物価水準・食生活習慣など）によるものと考えられる。

DS LEARNING POINT 4

地域間格差の変動係数による測定

地域格差を定量化する際、単純な最大・最小の差（レンジ）より変動係数（CV = 標準偏差 / 平均 × 100%）が有用である。CVは平均に対する相対的な散らばりを示すため、異なるスケールの変数間での格差比較が可能になる。食料費のCV約6%は「格差が比較的小さい」ことを示す一方、重回帰で残差（説明されない変動）を確認することで、「モデルで説明されない格差」の大きさを評価できる。

import statsmodels.api as sm # 変動係数（地域格差の測定） cv = y.std() / y.mean() * 100 print(f"変動係数 CV = {cv:.1f}%") # 標準化変数でOLS回帰 X_std = (X - X.mean()) / X.std() # 説明変数を標準化 y_std = (y - y.mean()) / y.std() # 目的変数を標準化 model = sm.OLS(y_std, sm.add_constant(X_std)).fit() print(model.summary()) # 標準化偏回帰係数の解釈： # β > 0 → 説明変数が増えると食料費が増加 # β < 0 → 説明変数が増えると食料費が減少 # |β| が大きいほど相対的な影響力が強い

まとめと考察

主要な発見

SSDSE-B（47都道府県、2022年）を用いた分析の結果、都道府県別食料費支出の地域格差について以下の知見が得られた。

  1. 地域格差の存在：食料費の変動係数は約6〜7%。関東（東京・埼玉が最高）と九州・沖縄・中国四国（最低）の間に約2万円（29%）の差が存在する。
  2. 消費支出との強い相関（r = 0.722）：全体的な生活水準（消費支出）が食料費格差の主要因であり、所得水準の地域差が食料費に波及している。
  3. 高齢化率の負の効果（β = −0.402）：高齢化が進んだ地域では食料費が有意に低い。高齢世帯の消費パターンの違いが地域格差に寄与している。
  4. COVID-19の影響：2020〜2021年にかけて多くの地域で内食回帰により食料費が増加（最大+3.5%）。地域差も変動した。
  5. 重回帰モデルの説明力（R² = 0.645）：3変数で地域格差の約65%を説明。残りは外食文化・食生活習慣・物価水準などの未測定要因によるものと考えられる。
食料費格差の政策的示唆 食料費の地域格差は主に「所得水準（消費支出）」「年齢構成（高齢化率）」によって説明される。食料費の絶対的な格差縮小には所得水準の平準化が必要だが、高齢化率の影響は人口構造の変化によるものであり、短期的な政策介入の難しさを示唆している。

研究の限界

解釈上の注意
  • 本分析はエコロジカル分析（都道府県集計値の分析）であり、個人レベルの因果推論はできない（エコロジカル・フォールシー）。
  • 消費支出は所得の代理変数であり、真の所得データを用いた分析が望ましい。
  • 物価水準の地域差（東京の物価高）を統制していないため、実質的な食料消費量の格差は名目の格差より小さい可能性がある。
教育的価値（この分析から学べること）
  • 変動係数（CV）：標準偏差／平均で計算する「相対的な散らばり」指標。単位や規模の異なるデータ同士でも、ばらつきを比較できる。
  • 外生的ショックの観察：COVID-19のような出来事の前後で消費パターンが変わることを実データで観察できる。「自然実験」として政策効果分析のヒントになる。
  • 名目vs実質：金額データをそのまま比較すると物価水準の地域差に惑わされる。実質化（物価指数で調整）の重要性に気づける。

データ・コードのダウンロード

分析スクリプト（2019_H5_2_shorei.py）
データ出典備考
SSDSE-B-2026（都道府県別統計）統計数理研究所実データを使用
家計調査（二人以上世帯）総務省統計局（SSDSE-B収録）食料費・消費支出・光熱水道費
人口統計（総人口・65歳以上人口）総務省（SSDSE-B収録）高齢化率の算出に使用

本教育用コードはSSDSE-B-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 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] ｜ 都道府県別食料費支出の地域格差分析

⚠️ 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。
📅 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。
🔄 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。
↔️ 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
都道府県別交通事故・安全指標の規定要因
次の論文 →
都道府県別ごみ排出量とリサイクル率の決定要因：EKC仮説の検証