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（大学生部門）

都道府県別健康寿命の決定要因
社会経済・医療アクセス要因の重回帰分析

⏱️ 推定読了時間: 約41分
2019年度受賞作品 | 大学生の部 | データ：SSDSE-B-2026（都道府県別，N=47）
📝 3行で分かる要約

目次

  1. 研究の背景と目的
  2. データと分析手法
  3. 主要な分析結果
  4. 統計的手法の解説
  5. 発展的学習
  6. まとめ
  7. 参考文献・データ出典
  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_U5_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_U5_2_shorei.py
図は html/figures/ に自動保存されます。
背
研究の背景と目的

日本は世界有数の長寿国でありながら、健康寿命（健康上の問題で日常生活が制限されない期間）と平均寿命の差（「不健康期間」）が依然として大きい。また、都道府県間で健康指標に顕著な格差が存在することが厚生労働省の調査により明らかになっている。

まず「都道府県別健康寿命の決定要因社会経済・医療アクセス要因の重回帰分析」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。

健康格差の地域間格差とは 都道府県別の健康寿命（2016年）では最長と最短の差が男性で約2.8年、女性で約2.7年に及ぶ（厚労省「都道府県別生命表」）。この格差を生み出す要因を科学的に特定することが本研究の出発点。

研究仮説

本研究では、健康水準（死亡率で代理測定）に影響を与える要因として以下の3カテゴリを想定した。

分析枠組み：3カテゴリの仮説
  • 社会経済的要因：消費支出が高い都道府県では栄養・居住環境が良く，死亡率が低い（負の効果）と予想
  • 医療アクセス要因：病院数・保健医療費が多い地域では早期診断・治療が可能で，死亡率が低い（負の効果）と予想
  • 人口構造要因：高齢化率が高いほど死亡率は上昇する（正の効果）と予想
分析の流れ
SSDSE-B
47都道府県
抽出
→
Pearson
相関分析
→
OLS
重回帰分析
→
標準化係数
Cook's距離

SSDSE-B Pearson相関 重回帰（OLS） 標準化偏回帰係数 Cook's距離

データと分析手法

使用データ

統計数理研究所が公開するSSDSE（社会・人口統計体系）-B 2026年版を使用した。本データセットは都道府県別の人口・経済・医療・教育等の統計を2012〜2023年度にわたって収録している。本分析では2019年度（N=47都道府県）の横断面データを採用した。

代理変数の選択について
SSDSE-Bには「健康寿命」の直接データは収録されていない。本教育用コードでは，健康水準の代理変数として死亡率（千人当たり死亡数）を使用する。死亡率は高いほど健康状態が悪いことを示す逆指標であり，WHO等でも広く使用される健康指標の代理変数である。

分析変数

変数の役割 変数名 単位 計算式 予想効果
目的変数 死亡率（千人当） 件/千人 死亡数 / 総人口 × 1000 —
社会経済 消費支出（万円） 万円/月 二人以上世帯の月間消費支出 負（高収入ほど健康）
保健医療費（万円） 万円/月 二人以上世帯の月間保健医療費 負（医療支出多→健康意識高）
医療アクセス 病院数（千人当） 施設/千人 一般病院数 / 総人口 × 1000 負（病院多→早期発見）
人口構造 高齢化率（%） % 65歳以上人口 / 総人口 × 100 正（高齢者多→死亡率高）

分析手法の概要

手法目的Pythonライブラリ
Pearson相関分析変数間の線形関係の強さと方向を把握scipy.stats
OLS重回帰分析複数説明変数を同時制御した効果推定statsmodels
標準化偏回帰係数説明変数間の相対的な影響力を比較statsmodels（標準化後OLS）
Kruskal-Wallis検定地域間の死亡率格差の有意性を検証scipy.stats.kruskal
Cook's距離外れ値・影響点の検出statsmodels（OLSInfluence）

主要な分析結果

図1：相関ヒートマップ

主要変数間のPearson相関係数ヒートマップ
図1：主要変数間のPearson相関係数ヒートマップ（2019年度 都道府県別，N=47）。* p<0.05, ** p<0.01, *** p<0.001。
📌 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。
相関分析の主要結果
  • 高齢化率と死亡率：r≈+0.93*** 非常に強い正の相関。高齢者が多い都道府県では死亡率が高い。
  • 消費支出と死亡率：r≈−0.35* 中程度の負の相関。消費水準が高い地域では死亡率が低い傾向。
  • 消費支出と高齢化率：r≈−0.55*** 高齢化率が高い地域は消費支出が低い（交絡の可能性）。
  • 病院数と死亡率： 単純相関は正（高齢化率との交絡）。重回帰で制御が必要。

図2：消費支出と死亡率の散布図

消費支出と死亡率の散布図（地域別色分け）
図2：消費支出（万円/月）と死亡率（千人当たり）の散布図（2019年度）。47都道府県を6地域で色分け。回帰直線とPearson相関係数・p値を表示。
📌 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。
散布図の解釈ポイント
  • 東京・神奈川・埼玉などの関東圏（緑）は消費支出が高く死亡率が低い傾向
  • 秋田・青森・岩手などの東北（青）は消費支出が低く死亡率が高い傾向
  • 沖縄は消費支出が最も低いが死亡率も低い（独特の例外）→ 高齢化率が低いことで説明可能
  • このような「見かけ上の関係」と「因果的関係」の違いを確認するために重回帰分析が必要

図3：地域別死亡率の分布（箱ひげ図）

地域別死亡率の箱ひげ図
図3：地域別死亡率（千人当たり）の箱ひげ図（2019年度）。Kruskal-Wallis検定でH統計量とp値を表示。各点は都道府県の個別値。
📌 この箱ひげ図の読み方
このグラフは
データの分布（中央値・四分位範囲・外れ値）を箱と線で表したグラフ。
読み方
箱の中の線が中央値。箱の上下端が25%・75%点（四分位範囲）。箱の外の点が外れ値。
なぜそう解釈できるか
箱が高い位置にあるほど値が大きいグループ。箱の大きさがばらつきの大きさ。グループ間で箱が重なっていなければ有意差の証拠になりやすい。
地域間格差の検定結果 Kruskal-Wallis検定（ノンパラメトリック一元配置分散分析）の結果，6地域間で死亡率に統計的に有意な差が認められた。特に関東・近畿（都市部）と北海道・東北・中国四国（地方）の差が顕著で，高齢化率の地域差が大きく影響していると解釈される。

図4：標準化偏回帰係数プロット

重回帰の標準化偏回帰係数プロット
図4：OLS重回帰の標準化偏回帰係数（β）とその95%信頼区間。目的変数：死亡率（千人当たり）。赤=正の有意（p<0.05），青=負の有意，グレー=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。
重回帰分析の結果まとめ（2019年度，N=47）
変数 標準化係数β p値 有意性 解釈
高齢化率 +1.70 <0.001 *** 最も強い正の効果：高齢化率1SD上昇→死亡率+1.70SD
消費支出 −0.11 0.256 n.s. 負の方向だが非有意（高齢化率と交絡）
保健医療費 −0.12 0.256 n.s. 負の方向だが非有意
病院数（千人当） −0.05 0.589 n.s. 非有意（単純相関での正の関係は交絡による見せかけ）

モデル全体：R²=0.922，adj R²=0.915，F(4,42)=124.5，p<0.001
高齢化率が死亡率の分散の約92%を説明する強力な規定因子であることが判明。

Cook's距離による影響点の検出 Cook's距離（閾値=4/N≈0.085）を超えた都道府県：
  • 鹿児島県（D=0.71）：高齢化率は高いが保健医療費も高く，回帰モデルへの影響が最大
  • 沖縄県（D=0.39）：高齢化率が最低で消費支出も最低という特異な組み合わせ
  • 東京都（D=0.23）：高齢化率が低く消費支出が高い，全国最大の都市圏
  • 奈良県（D=0.10）：消費水準が高めだが地理的に大阪のベッドタウン的性格

統計的手法の解説

1
Pearson相関分析

2変数の線形関係の強さと方向を−1〜+1の範囲で数値化する基礎的な手法。相関係数 r は次の式で定義される。

r = Σ[(xᵢ − x̄)(yᵢ − ȳ)] / √[Σ(xᵢ − x̄)² · Σ(yᵢ − ȳ)²]

有意性検定では「真の相関 ρ = 0」という帰無仮説を検定し，t統計量 t = r√(N−2)/√(1−r²) が t分布に従うことを利用する（自由度 N−2）。

DS LEARNING POINT 1

Pearson相関：仮定と落とし穴

Pearson相関は「線形関係」しか捉えられない。また，N=47程度ではr≥0.29程度でp<0.05になるため，「統計的有意」が必ずしも「実質的意義（effect size）」を意味しない点に注意が必要。

Cohen（1988）の効果量基準：|r|≥0.5（大），|r|≥0.3（中），|r|≥0.1（小）

from scipy import stats r, p = stats.pearsonr(x, y) n = len(x) # Cohen (1988) 効果量判定 if abs(r) >= 0.5: effect = "大（Large）" elif abs(r) >= 0.3: effect = "中（Medium）" elif abs(r) >= 0.1: effect = "小（Small）" else: effect = "微小" # 無相関検定（帰無仮説：ρ=0） t_stat = r * (n - 2)**0.5 / (1 - r**2)**0.5 print(f"r={r:.3f}, t={t_stat:.3f}, p={p:.4f}") print(f"効果量: {effect}")
2
OLS重回帰分析

複数の説明変数を同時にモデルに投入し，各説明変数の「他の変数を制御した上での」純粋な効果を推定する手法。残差平方和を最小化するパラメータを求める（最小二乗法）。

死亡率ᵢ = β₀ + β₁（高齢化率ᵢ）+ β₂（消費支出ᵢ）+ β₃（保健医療費ᵢ）+ β₄（病院数ᵢ）+ εᵢ
交絡変数の制御：重回帰の重要な役割 単純散布図では「病院数が多い地域ほど死亡率が高い」という見かけ上の正の相関が観察される。これは病院が多い地方（高知・鹿児島等）は同時に高齢化率が高いためで，高齢化率を制御した重回帰では病院数の係数が負（非有意）に転じる。このような「交絡（confounding）」の除去が多変量解析の本質的意義。

DS LEARNING POINT 2

標準化偏回帰係数による変数の重要度比較

OLSの偏回帰係数（β）は単位が異なる変数間で直接比較できない。標準化偏回帰係数は全変数を平均0・標準偏差1に変換後の回帰係数で，異なる単位の変数の「相対的影響力」を比較可能にする。

import statsmodels.api as sm # 通常のOLS（非標準化） X = sm.add_constant(df[X_cols]) model = sm.OLS(y, X).fit() # 標準化後のOLS（標準化偏回帰係数） X_std = (df[X_cols] - df[X_cols].mean()) / df[X_cols].std() X_std = sm.add_constant(X_std) model_std = sm.OLS(y, X_std).fit() # 標準化係数 β と95%CI beta = model_std.params[1:] # 定数項を除く ci = model_std.conf_int().iloc[1:] pval = model_std.pvalues[1:] for name, b, p in zip(X_cols, beta, pval): stars = '***' if p < 0.001 else '**' if p < 0.01 else '*' if p < 0.05 else 'n.s.' print(f"{name}: β={b:+.3f} ({stars})")
3
Cook's距離による影響点分析

OLS回帰の推定値に対して各観測値が与える影響力を定量化する指標。観測値 i を除いたときの回帰係数ベクトルの変化量を標準化したもので，次の式で定義される。

Dᵢ = (β̂ − β̂₍₋ᵢ₎)ᵀ(XᵀX)(β̂ − β̂₍₋ᵢ₎) / (p · MSE)

一般的な閾値として Dᵢ > 4/N（= 4/47 ≈ 0.085）を影響点と判定する。

DS LEARNING POINT 3

Cook's距離の実装と解釈

Cook's距離が大きい観測値は「外れ値」または「特異な特性を持つ観測値」であり，その都道府県を除外した場合に回帰係数が大きく変わる可能性がある。ただし，これらを機械的に除外するのではなく，なぜ特異なのかを解釈することが重要。

import statsmodels.api as sm model = sm.OLS(y, X).fit() influence = model.get_influence() # Cook's距離を取得 cooks_d, _ = influence.cooks_distance threshold = 4 / len(y) # 一般的な閾値 # 影響点の特定 high_infl = [(pref, d) for pref, d in zip(prefs, cooks_d) if d > threshold] print(f"閾値 4/N = {threshold:.3f}") for pref, d in sorted(high_infl, key=lambda x: -x[1]): print(f" {pref}: D = {d:.4f}") # 影響点を除いた感度分析 mask = cooks_d <= threshold model_robust = sm.OLS(y[mask], X[mask]).fit() print("影響点除外後のR²:", model_robust.rsquared)

発展的学習

交絡変数と部分相関

本分析の最重要な発見の一つは，「病院数と死亡率の単純正相関（高齢化率による交絡）」が重回帰で制御されることで消える点にある。このような交絡の除去は疫学・社会科学の多変量解析の核心的課題である。

交絡の確認方法 交絡が疑われる場合は，①単純相関と偏相関の比較，②パス解析による媒介分析，③傾向スコアマッチングなど，複数のアプローチで頑健性を確認することが望ましい。

都道府県データの分析上の注意点

課題内容対処法
空間的自己相関 隣接都道府県のデータは独立ではない（地理的パターン） 空間回帰モデル（SAR/SEM），Moran's I検定
少サンプル（N=47） 推定の不確実性が大きく過学習しやすい 調整済みR²・AIC重視，Leave-one-out交差検証
多重共線性 高齢化率と消費支出が相関（r≈−0.55） VIF（分散膨張係数）の確認，Ridge回帰
生態学的誤謬 都道府県集計データの知見を個人に一般化する危険 分析単位を明記し，個人レベルの推論を避ける

DS LEARNING POINT 4

多重共線性の診断：VIF（分散膨張係数）

説明変数間の相関が強いと，個々の偏回帰係数の推定精度が低下する（標準誤差が大きくなる）。VIF ≥ 10 が一般的な問題のある多重共線性の基準。本分析では高齢化率と消費支出のVIFを確認することが重要。

from statsmodels.stats.outliers_influence import variance_inflation_factor X_df = df[X_cols].astype(float) vif_data = pd.DataFrame() vif_data['変数'] = X_cols vif_data['VIF'] = [variance_inflation_factor(X_df.values, i) for i in range(len(X_cols))] print(vif_data) # VIF < 5: 問題なし # VIF 5-10: 要注意 # VIF > 10: 深刻な多重共線性

パネルデータへの拡張

本分析は2019年の横断面データを使用しているが，SSDSE-Bは2012〜2023年の時系列データを提供している。固定効果モデル（Fixed Effects Model）を用いたパネル分析により，都道府県固有の未観測特性を制御した，より信頼性の高い推定が可能となる。

固定効果モデルとは 各都道府県の「固有の特性」（地域文化，歴史的要因など）を全て定数項として吸収し，時間変動のみから効果を識別する方法。横断面分析での交絡をより効果的に排除できる。ただし，時間変動しない変数（高齢化率など）の識別が難しくなる側面もある。

まとめ

主要な発見

SSDSE-B 2019年度の都道府県別データ（N=47）を用いた重回帰分析の結果，以下の知見が得られた。

  1. 高齢化率が死亡率の最大の決定要因（β=+1.70, p<0.001）： 高齢化率1標準偏差（約3.1%）の上昇は，死亡率を約1.70標準偏差押し上げる。モデルの説明力はR²=0.92と非常に高く，高齢化率の単独支配力が確認された。
  2. 消費支出・保健医療費は方向性は仮説通りだが非有意： 社会経済・医療アクセス要因は，高齢化率と交絡しているため単独の効果を分離しにくい。より大きなサンプルサイズや固定効果モデルの適用が必要。
  3. 病院数の単純相関（正）は交絡による見かけの関係： 高齢化率を制御すると病院数の係数は負の非有意となり，「高齢化→病院多→死亡率高」というパスによる擬似相関であることが確認された。
  4. 影響点（Cook's距離）： 鹿児島・沖縄・東京・奈良が回帰モデルへの影響力が高く，地域特性を持つ都道府県として解釈される。
政策・実践への示唆 都道府県間の死亡率格差の主要因は高齢化率であり，健康格差を縮小するためには，①高齢化への予防的アプローチ（若年層への健康投資），②社会経済的格差の是正（所得・消費水準の向上），③地域の医療アクセス整備，の総合的な政策が重要と示唆される。ただし，都道府県集計データからの知見には「生態学的誤謬」の限界があることを認識した上で政策立案に活用すべきである。

本分析の学習ポイント

この分析から学べる統計的思考
  • 単純相関と偏相関の違い → 交絡を見抜く目を養う
  • 標準化偏回帰係数 → 単位の異なる変数の影響力を比較する方法
  • Cook's距離＝各データ点が回帰結果に与える影響の大きさを定量化する指標。値が大きい点は「外れ値・影響点」として要確認。
  • R²の過信を避ける → 高いR²はモデルの妥当性の必要条件だが十分条件ではない
  • 少サンプル（N=47）の限界 → 統計的有意性と実質的意義のバランス
教育的価値（この分析の面白さ）
  • 「健康寿命」という指標：「介護に頼らずに自立して生きられる年数」を表す。単なる平均寿命と区別することで、「長生き＝幸せ」とは限らないという視点を持てる。
  • 影響点の診断：47都道府県という小サンプルでは、特殊な県（沖縄・東京など）が回帰結果を大きく左右しがち。Cook's距離で影響度を可視化することの重要性が学べる。
  • 段階的な分析プロセス：相関 → 偏相関 → 重回帰 → 影響点診断、と段階的に深掘りするデータ分析のお手本。

参考文献・データ出典

分析スクリプト（2019_U5_2_shorei.py）

データ出典

データ名収録内容出典機関
SSDSE-B-2026 都道府県別社会・人口統計（2012〜2023年度，N=47×12年） 統計数理研究所（SSDSE）
人口統計（死亡数・総人口） 死亡率（千人当たり）の計算に使用 総務省統計局（住民基本台帳 / 国勢調査）経由
消費支出・保健医療費 二人以上世帯の月間支出（円） 総務省統計局「家計調査」経由
一般病院数 都道府県別の一般病院施設数 厚生労働省「医療施設（動態）調査」経由

参考文献

  1. 厚生労働省（2020）「都道府県別生命表」https://www.mhlw.go.jp/
  2. 厚生労働省（2020）「健康寿命の都道府県格差」健康日本21推進専門委員会資料
  3. Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum Associates.
  4. Cook, R. D. (1977). Detection of influential observation in linear regression. Technometrics, 19(1), 15–18.
  5. Sekhon, J. S. (2008). The Neyman-Rubin Model of Causal Inference and Estimation via Matching Methods. The Oxford Handbook of Political Methodology.
  6. 統計数理研究所（2026）SSDSE（教育用標準データセット）https://www.ism.ac.jp/

本教育用コードは実公的統計データ（SSDSE-B-2026）のみを使用しています。合成データ・疑似乱数シード等による人工データは一切含みません。分析結果は教育目的の再現であり，原著論文の結果と完全に一致するものではありません。

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（大学生部門）｜ データ：SSDSE-B-2026（実データのみ）

⚠️ 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。
🛡️ Ridge回帰（L2正則化）
何？
多重共線性（説明変数間の相関が高い状態）があっても安定した係数を推定するための手法。
どう使う？
係数の二乗和にペナルティを加えることで係数を小さく縮小させる。変数を完全にゼロにはしない。
何がわかる？
相関の高い変数を同時投入しても係数が不安定にならない。
結果の読み方
全変数の係数は残る。係数の大きさで相対的な重要度を比較する。
⚠️ 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。
🔬 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。
🎛️ 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
都道府県別労働生産性の決定要因
次の論文 →
都道府県別観光消費の地域経済波及効果