論文一覧に戻る 統計データ分析コンペ 教育用再現集
総務大臣賞（大学生・一般の部）

2019年度（令和元年度）統計データ分析コンペティション

地域間賃金・雇用格差の構造分析
パネルデータによる長期的要因の解明

⏱️ 推定読了時間: 約40分
固定効果パネル分析・Hausman検定・相関分析
SSDSE-B（2012〜2023年度） | 47都道府県 × 12年 = 564観測
📝 3行で分かる要約

目次

  1. 研究の背景：地域賃金格差の構造
  2. データと変数
  3. 消費支出の時系列推移
  4. 固定効果パネル分析
  5. Hausman検定
  6. 政策提言
  7. 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_U1_daijin.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_U1_daijin.py
図は html/figures/ に自動保存されます。
概
研究の背景：地域賃金格差の構造

日本では、都市部と地方の間に根強い賃金・雇用格差が存在する。東京都と沖縄県の消費支出差は月額10万円を超え、これは単なる「物価差」や「一時的な景気変動」では説明できない構造的格差の存在を示唆する。

まず「地域間賃金・雇用格差の構造分析パネルデータによる長期的要因の解明」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。

しかし、多くの先行研究は横断面（クロスセクション）データに基づく分析に留まり、地域固有の不観測要因（地理的条件・歴史的経緯・産業集積等）が十分に制御されていなかった。本研究はこの問題を、固定効果パネルモデル（FE） によって解決する。

研究の問い 地域間の消費支出（賃金の代理変数）格差を規定する長期的・構造的要因は何か？横断面分析では捕捉できない地域固有効果を除去した上で、雇用環境・人口構造・教育水準の影響を同時に推定する。
分析フロー
SSDSE-B
47都道府県
12年パネル
→
変数構築
（比率・対数）
→
固定効果
モデル(FE)
→
Hausman
検定
→
政策
提言

固定効果パネル Hausman検定 クラスター標準誤差 SSDSE-B

データと変数

使用データ：SSDSE-B（2012〜2023年度）

社会・人口統計体系（SSDSE）のBシリーズは都道府県別の統計データを収録する。本研究では2012〜2023年度の47都道府県データを用い、564観測（47×12）のバランスドパネルを構築した。

564
総観測数
（47都道府県 × 12年）
287,336
消費支出 平均（円/月）
全都道府県・全年度
144,472
消費支出格差
最大−最小（円/月）
1.188
求人倍率 平均
（2012〜2023年度）

変数定義

変数名 定義 出典（SSDSE-B項目） 役割
消費支出 二人以上世帯の月額消費支出（円） 消費支出（二人以上の世帯） 目的変数（賃金・所得の代理）
求人倍率 月間有効求人数 ÷ 月間有効求職者数 月間有効求人数・求職者数（一般） 雇用環境（需給バランス）
高齢化率 65歳以上人口 ÷ 総人口 × 100（%） 65歳以上人口・総人口 人口構造（扶養負担）
サービス業密度 旅館営業施設数 ÷ 総人口 × 1000 旅館営業施設数（ホテルを含む） 第三次産業の代理変数
大学進学率 高校卒業者のうち進学者数 ÷ 高校卒業者数 × 100（%） 高等学校卒業者数・進学者数 人的資本・教育水準
変数選択の考え方 消費支出は可処分所得と強く連動し、地域の購買力・賃金水準の代理変数として機能する。求人倍率は労働市場の需給を示し、値が大きいほど労働者有利（賃金上昇圧力）を意味する。高齢化率が高い地域では生産年齢人口比率が低下し、経済活力の低下を通じて消費水準を押し下げる可能性がある。
1
消費支出の時系列推移（2012〜2023年度）

まず地域ブロック別の消費支出推移を俯瞰し、格差の構造と時系列変動パターンを把握する。

地域別消費支出の推移（2012〜2023年度）
図1：地域ブロック別消費支出の年度推移（2012〜2023年度）。SSDSE-B 47都道府県を6地域に集約した平均値。
📌 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。
主要な観察事項
  • 関東の優位性：関東ブロック（東京都・神奈川県・埼玉県等）は全期間を通じて最高水準を維持し、月額平均で他地域を2〜5万円上回る。
  • COVID-19の影響：2020年度に全地域で消費支出が大幅落込み（特に近畿・九州）、2021〜2022年度に回復傾向を示した。
  • 格差の固着性：2012〜2023年の12年間、地域間の序列は大きく変化せず、構造的な格差が固定されていることを示唆する。
  • 北海道・東北の課題：高齢化率が高い北海道・東北ブロックは、九州・沖縄と同程度の低水準に留まり続けている。
地域平均消費支出（千円/月）最高年度最低年度
関東約310〜33020222013
近畿約285〜30520222013
中部約280〜30520192013
中国・四国約270〜29520222012
北海道・東北約260〜28520222012
九州・沖縄約255〜28020222012

DS LEARNING POINT 1

パネルデータとは？横断面分析との違い

横断面（クロスセクション）分析は「ある1時点の47都道府県の差」を見る。パネルデータは「同じ個体（都道府県）を複数時点で追跡」する。この違いにより、地域固有の不観測要因（気候・歴史的産業構造など）を「固定効果」として除去できる。

# パネルデータの構造 df_panel = df_p.set_index(['都道府県', '年度']) # i: 都道府県（entity） # t: 年度（time） # yᵢₜ = αᵢ + Xᵢₜβ + εᵢₜ # αᵢ = 地域固定効果（観測不能な地域特性を吸収） from linearmodels.panel import PanelOLS fe_res = PanelOLS.from_formula( '消費支出 ~ 求人倍率 + 高齢化率 + 旅館密度 + 大学進学率 + EntityEffects', data=df_panel ).fit(cov_type='clustered', cluster_entity=True)
2
固定効果パネル分析（FE）

固定効果モデルは「都道府県ごとに固有の切片 αᵢ を推定することで、地域の不観測特性（気候・地理・歴史的産業基盤等）を除去」する。以下のモデルを推定する。

消費支出ᵢₜ = αᵢ + β₁×求人倍率ᵢₜ + β₂×高齢化率ᵢₜ + β₃×サービス業密度ᵢₜ + β₄×大学進学率ᵢₜ + εᵢₜ

αᵢ：都道府県固定効果（地域固有の不観測特性を吸収）
εᵢₜ：誤差項（エンティティクラスター標準誤差で推定）

散布図：求人倍率と消費支出の関係（2019年度）

求人倍率 vs 消費支出の散布図（47都道府県・2019年度）
図2：2019年度の47都道府県における求人倍率と消費支出の関係。地域ブロックで色分け。回帰直線（黒破線）は正の傾向を示す（r = 0.220）。
横断面相関 vs パネル推定の違い 2019年度の横断面相関は r = 0.220（p = 0.137、非有意）と弱い。しかし固定効果パネルモデルでは、地域特性を除去した後に β₁ = +11,592円（p = 0.007） という有意な正の効果が推定された。横断面の単純相関では不十分であり、パネル分析の必要性が示される。

固定効果モデル（FE）推定結果

FE係数プロット（95%信頼区間）
図3：固定効果モデルの推定係数と95%信頼区間。赤色は有意（p < 0.05）、灰色は非有意（p ≥ 0.05）。クラスター標準誤差（entity）使用。
📌 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。
変数 推定係数 β 標準誤差 t値 p値 解釈
求人倍率 +11,592円 4,251 2.73 0.007** 倍率が1上昇 → 消費支出+1.2万円
高齢化率 −2,478円 887 −2.80 0.005** 高齢化率1%上昇 → 消費支出−2,478円
サービス業密度 +5,521円 2,973 1.86 0.064 n.s. 旅館密度1単位増加 → +5,521円（非有意）
大学進学率 +1,140円 426 2.68 0.008** 進学率1%上昇 → 消費支出+1,140円

** p < 0.01。クラスター標準誤差（entity）使用。αᵢ（47都道府県の固定効果）は除く。

主な発見
  • 求人倍率（+11,592円、p=0.007）：労働市場の需給バランスが消費水準を強く規定。1倍の改善で月1.2万円の消費増加は、雇用政策の即効性を示す。
  • 高齢化率（−2,478円、p=0.005）：高齢化は消費支出を有意に押し下げる。高齢者の平均消費水準は現役世代より低く、人口構成の変化が地域消費を圧迫する。
  • 大学進学率（+1,140円、p=0.008）：人的資本の蓄積が長期的な賃金・消費水準の上昇をもたらす。教育投資の経済的波及効果の証拠。
  • サービス業密度（非有意）：旅館密度は消費支出との有意な関係を示さなかった。観光産業は季節性・地域特性が強く、消費水準の代理として不十分な可能性。

DS LEARNING POINT 2

クラスター標準誤差の重要性

パネルデータでは、同じ都道府県の複数年度の観測値が互いに相関している（系列相関）。通常のOLS標準誤差はこの相関を無視するため過小推計になりやすい。エンティティクラスター標準誤差は、各都道府県内の相関を明示的に考慮することで、信頼性の高い推定を実現する。

# クラスター標準誤差の指定 fe_res = PanelOLS.from_formula( '消費支出 ~ 求人倍率 + 高齢化率 + EntityEffects', data=df_panel ).fit( cov_type='clustered', # クラスター標準誤差 cluster_entity=True # entity（都道府県）でクラスタリング ) # 通常のOLSと比較すると標準誤差は大きくなるが # t統計量・p値がより信頼できる推定値となる print(fe_res.std_errors) # クラスター標準誤差
3
Hausman検定：FE vs RE のモデル選択

固定効果（FE）と変量効果（RE）のどちらが適切かを統計的に判断するのが Hausman検定 である。帰無仮説は「個体効果（αᵢ）と説明変数が無相関」（RE の一致性条件）。

H₀: Cov(Xᵢₜ, αᵢ) = 0 → RE一致（FEとREの係数差 = 0）
H₁: Cov(Xᵢₜ, αᵢ) ≠ 0 → FE採択（REは一致性を失う）

Hausman統計量 W = (b_FE - b_RE)' [Var(b_FE) - Var(b_RE)]⁻¹ (b_FE - b_RE) ~ χ²(k)
FE vs RE 係数比較（Hausman検定）
図4：固定効果（FE）と変量効果（RE）の係数比較。FEとREの係数方向が大きく異なる変数（特に求人倍率・高齢化率）が、Hausman検定統計量に貢献している。
📌 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。

Hausman検定 結果

検定統計量 χ² = 220.34 自由度 k = 4
p値 p < 0.0001 χ²(4, 5%) の棄却域 ≒ 9.49
判断：固定効果モデル（FE）を採択

地域固有効果 αᵢ と説明変数の相関が統計的に有意（p < 0.001）。RE推定量は不一致であり、FEが理論的に正当化される。

係数の方向が逆転する理由 FEとREで求人倍率・高齢化率の係数の符号が逆転している点が注目される。REは地域固有特性（例：北海道の高齢化と寒冷地手当による消費増）を制御せずに推定するため、見かけ上の効果が混入する。FEはこれを除去するため、より純粋な「変化の効果」が推定される。このような「逆転」はHausman検定の強い証拠となる。

DS LEARNING POINT 3

Hausman検定の実装とモデル選択の理論

FEとREの係数差のノルム（共分散行列の差の逆行列で重み付けしたユークリッド距離）がカイ二乗分布に従う。p値が小さければFEが正しく、REは一致性を失っているという。

from linearmodels.panel import PanelOLS, RandomEffects import numpy as np from scipy import stats # FE・REの推定 fe_res = PanelOLS.from_formula('y ~ x1 + x2 + EntityEffects', data=df_panel).fit( cov_type='clustered', cluster_entity=True) re_res = RandomEffects.from_formula('y ~ x1 + x2', data=df_panel).fit() # Hausman統計量の手動計算 common_vars = ['x1', 'x2'] b_fe = fe_res.params[common_vars].values b_re = re_res.params[common_vars].values diff = b_fe - b_re cov_diff = fe_res.cov.loc[common_vars, common_vars].values \ - re_res.cov.loc[common_vars, common_vars].values W = float(diff @ np.linalg.inv(cov_diff) @ diff) df = len(common_vars) pv = 1 - stats.chi2.cdf(W, df) print(f"Hausman W={W:.4f}, df={df}, p={pv:.4f}") # p < 0.05 → H₀棄却 → FE採択
4
政策提言：地域格差縮小に向けて

固定効果パネル分析の結果から、以下の政策的インプリケーションが導かれる。

提言1：地方での雇用機会の創出（求人倍率の改善）

根拠：求人倍率 β = +11,592円（p = 0.007） 求人倍率が1倍改善すると、月額消費支出は平均+11,592円増加する（地域固有効果除去後）。東京（2倍前後）と沖縄・低倍率地域の格差解消を目指し、製造業・IT産業の地方移転を促進するインセンティブが有効と考えられる。

提言2：高齢化への対応と生産年齢人口の維持（高齢化率の抑制）

根拠：高齢化率 β = −2,478円（p = 0.005） 高齢化率が1%上昇するごとに月額消費支出が−2,478円低下する。高齢化の進行した地域では若年層の社会参加を促し、現役世代が働きやすい環境整備（保育・介護の充実）が格差縮小に直結する。

提言3：教育投資による人的資本の底上げ（大学進学率の向上）

根拠：大学進学率 β = +1,140円（p = 0.008） 進学率1%の改善が月額+1,140円の消費増につながる。地方の大学進学率は都市部より低い傾向があり、奨学金拡充・地方大学の質向上・UIJターン促進が長期的な格差縮小に貢献する。
政策的介入 対象変数 推計効果（1単位改善） 優先度
地方への企業誘致・雇用拡大 求人倍率 +11,592円/月 高
若年層定住・出生率向上 高齢化率（抑制） +2,478円/月（1%抑制） 高
奨学金拡充・地方大学振興 大学進学率 +1,140円/月 中

DS LEARNING POINT 4

「相関」と「因果」の区別：パネル分析の貢献と限界

固定効果モデルは「地域固有の不観測要因」によるバイアスを除去するが、それでも因果関係の特定には不十分な場合がある。例えば「求人倍率が上昇したから消費が増えた」のか「地域が豊かになったから求人が増えた」のか（逆因果）は、FEだけでは識別できない。より厳密な因果推論には操作変数法（IV）や差の差分析（DiD）が必要となる。

# 因果推論の階層 # 1. 単純相関（r）: 交絡要因を含む # 2. OLS回帰: 観測変数をコントロール # 3. 固定効果（FE）: 不観測の個体特性を除去 # 4. 操作変数法（IV）: 逆因果を排除 # 5. ランダム化実験（RCT）: 完全な因果識別 # FEは「同じ都道府県内の時系列変化」に注目する # → 不変の地域特性（気候、歴史的産業構造）をコントロール # → 時変する交絡変数は依然残る可能性

まとめ

本研究は SSDSE-B（2012〜2023年度、47都道府県）を用いたパネルデータ分析により、地域間消費支出格差の構造的要因を解明した。

主要な発見（固定効果モデル、Hausman検定によりFE採択）
  • 求人倍率（+11,592円、p=0.007）：雇用市場の需給バランスが消費水準を最も強く規定する。地方の雇用機会拡大が格差縮小の最優先課題。
  • 高齢化率（−2,478円、p=0.005）：人口構造の変化が消費を抑圧する。少子化・高齢化対策は経済政策でもある。
  • 大学進学率（+1,140円、p=0.008）：教育投資が賃金・消費水準の底上げに長期的に貢献する。
  • Hausman検定（χ²=220.34、p<0.001）：地域固有効果と説明変数の相関が確認され、固定効果モデルの採択が統計的に正当化された。

分析の限界と今後の課題

限界今後の課題
消費支出は賃金・所得の代理変数に過ぎない（実際の賃金データが望ましい） 賃金センサス等との統合分析
第三次産業割合の直接データが未使用（代理変数として旅館密度を使用） 経済センサス等からの産業構造データの統合
逆因果の可能性が残る（求人倍率 ↔ 消費支出） 操作変数法（IV）や差の差分析（DiD）の適用
COVID-19（2020〜2022年度）の構造変化への対応が不十分 構造変化検定（Chow検定）の実施
統計学習のポイント 本研究が示す最も重要な教訓は、「横断面の相関係数」と「パネル分析の係数」が大きく異なることである。求人倍率の横断面相関は r = 0.220（非有意）に過ぎないが、固定効果モデルでは β = +11,592円（p = 0.007）という明確な効果が検出された。これは、地域固有の不観測要因が横断面推定を歪めていたことを意味し、適切な計量経済学的手法（パネル分析）の選択がいかに重要かを示している。

使用データ：総務省 SSDSE（社会・人口統計体系データセット）B-2026（2012〜2023年度、47都道府県）
分析手法：固定効果パネルモデル（linearmodels）、Hausman検定（scipy.stats.chi2）、クラスター標準誤差（entity）
対象論文：2019年度（令和元年度）統計データ分析コンペティション 総務大臣賞（大学生・一般の部）

⚠️ 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。
⚖️ Hausman検定
何？
パネルデータ分析で「固定効果（FE）」と「変量効果（RE）」のどちらを使うべきかを統計的に判断する検定。
どう使う？
両モデルの係数が大きく異なれば RE に不整合あり → FE を採用。
何がわかる？
パネル分析のモデル選択を客観的な基準で決定できる。
結果の読み方
p < 0.05 → 固定効果モデルを採用。p ≥ 0.05 → 変量効果モデルも選択肢。
⚠️ 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。
📅 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。
🎯 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CO2排出量の決定要因と地球温暖化対策の分析
次の論文 →
高齢化と地域経済成長の関係：動態的パネル分析