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 [大学生の部]

都道府県別観光消費の地域経済波及効果
宿泊・消費支出データによる重回帰分析

⏱️ 推定読了時間: 約38分
重回帰分析（OLS） ｜ 標準化偏回帰係数 ｜ VIF診断 ｜ 47都道府県データ
📝 3行で分かる要約

目次

  1. 研究の背景と目的
  2. データと手法
  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
  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_3_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_3_shorei.py
図は html/figures/ に自動保存されます。
1
研究の背景と目的

2010年代後半、訪日外国人（インバウンド）の急増に伴い、観光消費が地域経済に与える波及効果への関心が高まった。政府は2016年に「観光立国推進基本計画」を改定し、観光を日本の基幹産業と位置づけた。しかし、観光消費が都道府県の家計消費支出にどの程度貢献しているかを統計的に検証した研究は少なかった。

まず「都道府県別観光消費の地域経済波及効果宿泊・消費支出データによる重回帰分析」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。

研究の問い（Research Question） 宿泊施設が充実している都道府県ほど、住民の消費支出水準が高いか？
— 観光業の集積が地域全体の経済活力（消費水準）と正の関係をもつという「観光乗数仮説」を検証する。

分析の流れ

SSDSE-B
47都道府県
2019年
→
代理変数
の作成
（旅館密度等）
→
Pearson
相関分析
→
OLS
重回帰
分析
→
VIF
多重共線性
診断
観光乗数効果とは 観光客が宿泊・飲食・土産品に使った消費（直接効果）が、地元事業者の仕入れや雇用を通じて地域内で再び使われる（間接効果・誘発効果）循環のこと。1単位の観光消費が地域所得を1以上拡大させる効果を「乗数効果（multiplier effect）」という。

重回帰分析（OLS） 標準化偏回帰係数 VIF診断 Pearson相関

2
データと手法

使用データ：SSDSE-B-2026（都道府県統計）

統計数理研究所が公開する「社会・人口統計体系データセット（SSDSE）」のB区分（都道府県別・複数年）を使用。2019年度の47都道府県横断データを主たる分析対象とした（クロスセクション分析）。

変数の役割変数名SSDSE-B での列名単位
目的変数（Y） 消費支出 消費支出（二人以上の世帯） 円/月
説明変数（X） 旅館密度（観光集積代理） 旅館営業施設数 ÷ 総人口 × 1万 施設/万人
宿泊密度（観光需要代理） 延べ宿泊者数 ÷ 総人口 回/人
高齢化率（人口構造制御） 65歳以上人口 ÷ 総人口 × 100 %
インバウンド比率（国際観光代理） 外国人延べ宿泊者数 ÷ 延べ宿泊者数 × 100 %
代理変数アプローチの注意点 観光消費総額（旅行消費額）の都道府県別データはSSDSE-Bに収録されていないため、本分析では「宿泊施設数」と「延べ宿泊者数」を観光活動の代理変数として使用する。代理変数は真の測定対象を完全に表さない点（測定誤差）に留意が必要。

分析方法の概要

手法目的使用関数（Python）
Pearson相関分析2変数間の線形関係の強さと方向を確認scipy.stats.pearsonr()
OLS重回帰分析複数変数で消費支出を同時説明statsmodels.OLS().fit()
標準化偏回帰係数単位が異なる変数の影響力を比較z-score標準化後にOLS
VIF診断多重共線性の程度を数値化variance_inflation_factor()
3
主要な分析結果

図1：都道府県別宿泊施設密度ランキング

都道府県別旅館・ホテル密度ランキング棒グラフ
図1：都道府県別の旅館・ホテル数（万人あたり）ランキング（2019年）。地域別に色分けし、全国平均（破線）を併記。山梨・長野・栃木など観光地の多い県でとくに高い。
図1の読み方
  • 全国平均は約5.7施設/万人。山梨・長野は約13〜16施設/万人と突出して高い。
  • 都市部（東京・大阪）は人口が多いため密度が低くなる傾向がある。
  • 旅館密度は「観光資源の集積」の代理指標として使用する。

図2：宿泊施設密度と消費支出の散布図

宿泊施設密度と消費支出の散布図
図2：横軸＝旅館・ホテル密度（施設/万人）、縦軸＝消費支出（万円/世帯）。回帰直線と相関係数・p値を付記。
📌 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。
Pearson相関：旅館密度 vs 消費支出 r = −0.256、p = 0.083（有意水準5%では非有意）
単純な2変数相関では、旅館密度が高い都道府県ほど消費支出がやや低い傾向が見られる（負の相関）。これは「交絡因子」の存在を示唆する（例：高齢化率が高い地方ほど旅館は多いが消費は低い）。

図3：地域別消費支出の時系列推移（2012–2022年）

地域別消費支出の時系列推移
図3：6地域別の消費支出（万円/世帯）の経年変化。太線は全国平均。2020〜2021年にコロナ禍の影響で変動が見られる。
時系列のポイント
  • 関東は全期間を通じて全国平均を上回る傾向がある（都市部の消費水準の高さ）。
  • 2020年の急変（COVID-19）は全地域で観察され、2021年以降に回復。
  • 地域間の消費格差は縮小・拡大を繰り返しており、構造的な地域差が存在する。

図4：重回帰の標準化偏回帰係数

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95%信頼区間。赤＝正有意、青＝負有意、グレー＝非有意（n.s.）。
📌 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。

重回帰分析の数値結果（2019年・47都道府県）

変数 標準化β SE p値 有意 VIF
宿泊施設密度（旅館・ホテル数/万人） +0.198 0.212 0.357 n.s. 8.94
延べ宿泊者数（人口あたり） −0.634 0.231 0.009 ** 10.51
高齢化率（65歳以上人口比） −0.274 0.168 0.110 n.s. 5.63
インバウンド比率（外国人宿泊者割合） +0.147 0.184 0.429 n.s. 4.36
モデル全体： R² = 0.221, Adj.R² = 0.147, F(4,42) = 2.98, p = 0.030   N=47
多重共線性の問題（VIF診断） 旅館密度（VIF=8.94）と宿泊密度（VIF=10.51）は強い共線性を持つ（VIF>10で問題とされる）。 これは当然で、旅館が多い都道府県には宿泊者も多いという「同一現象の2指標」を同時投入しているため。 モデル全体は有意（F p=0.030）だが、個々の係数の解釈は慎重に行う必要がある。
4
統計的手法の解説

DS LEARNING POINT 1

OLS重回帰分析の基本

複数の説明変数（X₁, X₂, …, Xₖ）を使って目的変数（Y）を同時に説明するモデル。各説明変数の「他の変数を固定した上での」純粋な効果（偏回帰係数）を推定する。

import statsmodels.api as sm import numpy as np # X_raw: (N, k) の説明変数行列 # y_raw: (N,) の目的変数ベクトル X_ols = sm.add_constant(X_raw) # 切片列を追加 model = sm.OLS(y_raw, X_ols).fit() # OLS推定 print(f"R² = {model.rsquared:.4f}") print(f"Adj.R² = {model.rsquared_adj:.4f}") print(f"係数 = {model.params}") print(f"p値 = {model.pvalues}")

DS LEARNING POINT 2

標準化偏回帰係数（β）で変数の重要度を比較する

偏回帰係数はXとYの単位に依存するため、単位が異なる変数を比較できない。X・Y をいずれも z-score 標準化（平均0・標準偏差1）してから回帰した係数を「標準化偏回帰係数（β）」と呼び、−1〜+1の範囲で変数の相対的な重要度を比較できる。

# z-score 標準化（ddof=1: 不偏標準偏差） X_mean = X_raw.mean(axis=0) X_sd = X_raw.std(axis=0, ddof=1) X_std = (X_raw - X_mean) / X_sd y_mean = y_raw.mean() y_sd = y_raw.std(ddof=1) y_std = (y_raw - y_mean) / y_sd # 標準化後にOLS X_ols_std = sm.add_constant(X_std) model_std = sm.OLS(y_std, X_ols_std).fit() beta = model_std.params[1:] # 定数項を除く # 解釈例: beta=−0.63 → Xが1SD増えると Y が 0.63SD 減る

DS LEARNING POINT 3

VIF（Variance Inflation Factor）による多重共線性の診断

説明変数間に強い相関があると（多重共線性）、係数の推定が不安定になり、p値が大きくなる。VIF はその程度を測る指標。VIF=1/（1−R²ⱼ）で計算され、変数 j を他の全変数で回帰したときの R²ⱼ が高いほど VIF が大きくなる。

from statsmodels.stats.outliers_influence import variance_inflation_factor # X_raw: 定数項なしの説明変数行列（N×k） vif_vals = [variance_inflation_factor(X_raw, i) for i in range(X_raw.shape[1])] for var, vif in zip(var_names, vif_vals): if vif > 10: status = "問題あり（変数を削除または合成を検討）" elif vif > 5: status = "要注意" else: status = "問題なし" print(f"{var}: VIF={vif:.2f} → {status}") # 本分析の結果: # 旅館密度 VIF=8.94 → 要注意 # 宿泊密度 VIF=10.51 → 問題あり（旅館密度との相関が原因）

多重共線性への対処法

方法説明本分析への適用
変数の削除 相関が高い変数のうち一方を除く 旅館密度か宿泊密度のどちらか一方のみを使う
変数の合成 PCAなどで次元削減し合成変数を作る 「観光集積指数」= PCA第1主成分
Ridge回帰 正則化でL2ペナルティを追加し係数を安定化 係数縮小により多重共線性の影響を緩和
理論的選択 先行研究の理論に基づき重要な変数を選択 観光乗数の議論から「宿泊密度」が核心変数
5
発展的学習

観光乗数効果の経済学的解釈

本分析で宿泊密度（延べ宿泊者数/人）が消費支出と負の有意な関係を示したことは、直感に反する。考えられる解釈を以下に整理する。

なぜ宿泊密度が高い県ほど消費支出が低いのか（交絡因子仮説）
  • 地方観光地の特徴：宿泊者が多い地方（長野・山梨・栃木等）は高齢化率が高く、住民の所得・消費水準が都市部より低い。
  • 観光消費の地域外流出：観光客の消費の多くは全国チェーンホテル・コンビニなど域外事業者に流れ、地域住民の消費を高めない。
  • 都市部の逆説：東京・大阪は宿泊密度が中程度だが消費支出は全国最高水準。観光業よりもビジネス・金融部門が消費を牽引。

モデルの限界と改善策

限界改善策
サンプルサイズ N=47（都道府県）は小さい 市区町村レベルに落とし N を増やす（SSDSE-A 活用）
観光消費の直接計測ができない（代理変数） 観光庁「旅行・観光消費動向調査」の都道府県別データと接続
因果関係が不明（相関ベースの分析） 操作変数法・パネルデータ固定効果モデルの適用
多重共線性により個々の係数が不安定 主成分回帰・Ridge回帰による安定化

DS LEARNING POINT 4

観光乗数効果の定量化アプローチ

観光消費が地域GDPに与える乗数効果は産業連関分析（Input-Output Analysis）で定量化される。統計モデルでの近似として、観光消費と消費支出の偏相関を「波及効果の代理指標」として用いる方法が論文研究で使われる。

# 観光乗数の簡易計算（回帰係数から） # β_宿泊密度 = 非標準化係数（単位: 円/（回/人）） beta_nonstd = model.params[2] # 宿泊密度の非標準化係数 # 宿泊密度が1回/人増えると消費支出が何円変化するか print(f"宿泊密度1単位増加 → 消費支出 {beta_nonstd:+.0f}円/月") # 地域別の波及効果を比較するには: # 固定効果パネルモデル（年度×都道府県固定効果）が適切 # import statsmodels.api as sm # from linearmodels.panel import PanelOLS

パネルデータ分析への発展

本分析は2019年単年のクロスセクション分析だが、SSDSE-Bには2012〜2023年の複数年データがある。パネルデータ分析（固定効果・変量効果モデル）を使えば、都道府県固有の「見えない特性」をコントロールした、より精度の高い推定が可能になる。

固定効果モデル（FE）

Yᵢₜ = αᵢ + β₁X₁ᵢₜ + β₂X₂ᵢₜ + … + γₜ + εᵢₜ

αᵢ：都道府県固定効果（時変しない固有要因を除去）
γₜ：年度固定効果（マクロ共通ショックを除去）

まとめ

主要な発見

SSDSE-B（47都道府県・2019年）を用いた重回帰分析の結果：

  1. モデル全体の有意性（F検定 p=0.030）：4変数を含む重回帰モデルは統計的に有意であり、R²=0.221（分散の22.1%を説明）。
  2. 延べ宿泊者数（β=−0.634, p=0.009）が唯一有意：宿泊密度が高い都道府県ほど消費支出がやや低い傾向。高齢化・所得格差などの交絡因子が影響している可能性が高い。
  3. 多重共線性の問題（VIF≥10）：旅館密度と宿泊密度は同一現象の2側面であり強く相関する。VIF診断は「変数の選択・合成」の必要性を示している。
  4. 単純な観光乗数仮説は棄却：「旅館が多い県ほど消費支出が高い」という直感的仮説は支持されず、観光消費の地域波及には複雑なメカニズムが介在することが示唆された。
政策への示唆 観光振興が地域経済を活性化するためには、宿泊施設数を増やすだけでなく、観光消費の地域内循環（地元食材・地場産品の活用、地元事業者との連携）を高める仕組みが重要。観光乗数を高める「地産地消型観光」の政策設計が課題となる。

統計学習のポイント

学習項目本研究での学び
代理変数直接計測できない概念を既存統計で近似する方法と限界
Pearson相関2変数間の関係は第3変数によって反転することがある（Simpson's paradox）
標準化偏回帰係数単位の異なる変数の「相対的重要度」を β で比較
VIF診断多重共線性を数値化し、変数選択の根拠として利用
交絡因子観察された負の関係は「本当の因果」ではなく第三の要因による可能性

参考文献

分析スクリプト（2019_U5_3_shorei.py）
データ出典・URL
SSDSE-B 都道府県統計（2012–2023年）統計数理研究所 SSDSE（https://www.ism.ac.jp/ssdse/）
旅館営業施設数・延べ宿泊者数観光庁「宿泊旅行統計調査」→ SSDSE-B 収録
消費支出（二人以上の世帯）総務省「家計調査」→ SSDSE-B 収録

本ページの分析はすべてSSDSE-B-2026.csvの実データを使用。合成データは一切使用していません。

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。
🔭 主成分分析（PCA）
何？
多数の変数を情報の損失を最小限にしながら少数の合成指標（主成分）に圧縮する手法。
どう使う？
変数間の相関を利用して「最も分散が大きい方向」を第1主成分、以下順に直交する軸を抽出する。
何がわかる？
30変数あるデータを2〜3成分に要約して散布図で可視化したり、多重共線性の回避に使う。
結果の読み方
各主成分の「負荷量」を見て、どの変数がその成分を特徴づけるか解釈する。累積寄与率 70〜80% 以上なら要約として十分。
⚠️ 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。
🎯 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。
🌲 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
都道府県別健康寿命の決定要因
次の論文 →
都道府県別医療資源の偏在と健康格差