論文一覧に戻る 統計データ分析コンペ 教育用再現集
2020年度（令和2年度） 統計データ分析コンペティション ｜ 優秀賞 [高校生の部]

保育・子育て支援と合計特殊出生率の
都道府県比較分析

⏱️ 推定読了時間: 約36分
相関分析| 重回帰分析| 地域比較| 47都道府県・2022年断面データ
📝 3行で分かる要約

目次

  1. 研究の背景：少子化と保育施策
  2. データと変数
  3. TFRの地域分布
  4. 重回帰分析
  5. 保育と婚姻率の影響
  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/ │ └── 2020_H2_yushu.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/2020_H2_yushu.py
図は html/figures/ に自動保存されます。
背
研究の背景：少子化と保育施策

日本の合計特殊出生率（TFR）は長期的な低下傾向を続け、2022年には全国平均 1.358（最低は東京都の1.04）を記録した。政府は「子ども・子育て支援新制度」をはじめとする保育充実策を推進してきたが、その効果は都道府県によって大きく異なる。

まず「保育・子育て支援と合計特殊出生率の都道府県比較分析」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 保育所の整備（保育所密度・定員率）は、都道府県レベルの合計特殊出生率に正の影響を与えているのか？また、婚姻率・所得水準・高齢化率といった社会経済的要因を考慮した上で、どの変数が最も TFR を規定するのか？
分析の流れ
SSDSE-B
47都道府県
2022年断面
→
派生変数
算出
→
相関分析
（Pearson r）
→
重回帰
（OLS）
→
地域別
比較

保育所密度 重回帰分析 地域比較 相関ヒートマップ

データと変数

使用データ

統計数理研究所が提供する SSDSE-B-2026（都道府県別社会・人口統計体系）の2022年度データを使用。47都道府県を分析単位とする。

変数算出方法役割仮説
合計特殊出生率（TFR） SSDSE-B 直接収録 目的変数 —
保育所密度 保育所等数 ÷ 総人口 × 1000 説明変数 正（子育て支援↑→TFR↑）
保育定員率 保育所等定員数 ÷ 0〜4歳推計人口 × 100 説明変数 正（保育需要充足↑→TFR↑）
婚姻率 婚姻件数 ÷ 総人口 × 1000 説明変数 正（日本では婚姻→出生が主流）
消費支出（log） ln（消費支出・二人以上世帯） 説明変数 不定（所得効果は複雑）
高齢化率 65歳以上人口 ÷ 総人口 × 100 説明変数 負（高齢化→若年減少）
保育士密度 保育所等保育士数 ÷ 総人口 × 10000 説明変数 正（保育の質向上→TFR↑）
0〜4歳人口の推計について SSDSE-B には 0〜4 歳人口の直接データがないため、「15歳未満人口 ÷ 3」によって近似した。この近似は年齢分布が均等な場合に成立し、一定の誤差を含む点に留意。
全国平均 TFR
1.358
2022年 N=47
最高 TFR
1.70
沖縄県
最低 TFR
1.04
東京都
1
TFRの地域分布

都道府県別の合計特殊出生率には顕著な地域差がある。九州・沖縄地方が高く、関東・北海道東北が低い傾向を示す。以下は2022年の都道府県別ランキング（地域色分け）である。

都道府県別TFRランキング
図2：2022年 都道府県別 合計特殊出生率ランキング（地域別色分け）。九州・沖縄（橙）が上位を占め、関東（赤）が下位に集中する。

地域別TFR平均（2022年）

地域色平均TFR範囲特徴
九州・沖縄   1.539 1.33〜1.70 全国最高。伝統的家族観・地縁コミュニティの強さ
中国・四国   1.450 1.36〜1.60 比較的高水準。地方の保育インフラが充実
中部   1.387 1.27〜1.50 工業地帯の雇用安定が後押し
近畿   1.311 1.18〜1.43 大阪・兵庫の都市部が押し下げ
北海道・東北   1.204 1.09〜1.32 経済停滞・若者流出が影響
関東   1.199 1.04〜1.32 最低。都市集中・住宅費・保育所不足
地域差の示唆 九州・沖縄と関東のTFR差は約0.34ポイント（九州1.539 vs 関東1.199）。単純な所得水準では説明できず、保育インフラ、地域コミュニティ、婚姻慣習の複合的影響が疑われる。
2
重回帰分析

保育支援の有効性を多変量で検証するため、6変数を投入したOLS重回帰分析（N=47）を実施した。

TFRi = β₀ + β₁(保育所密度) + β₂(保育定員率) + β₃(婚姻率)
+ β₄(消費支出_log) + β₅(高齢化率) + β₆(保育士密度) + εi
標準化偏回帰係数プロット
図4：重回帰分析 標準化偏回帰係数（β）。エラーバーは95%信頼区間。赤が正の影響、青が負の影響を示す。
📌 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。

回帰分析の結果

変数偏回帰係数標準化βp値有意性
保育所密度 1.420 0.691 0.004 **（有意）
保育定員率 −0.001 −0.098 0.614 ns
婚姻率 0.109 0.344 0.214 ns
消費支出（log） −0.026 −0.012 0.936 ns
高齢化率 0.016 0.345 0.235 ns
保育士密度 −0.001 −0.027 0.878 ns

R²=0.423、調整済R²=0.337、F(6,40)=4.891、p=0.0008、N=47

分析の要点 6変数全体でTFR分散の42.3%を説明（R²=0.423）。保育所密度のみが統計的に有意（p=0.004）で、標準化β=0.691と最大の影響力を示した。婚姻率の標準化βも0.344と大きいが、多重共線性のため有意性が低下している可能性がある。

DS LEARNING POINT 1

重回帰分析における変数間の競合

相関係数では「保育所密度（r=0.628）」「保育定員率（r=0.415）」「保育士密度（r=0.382）」がいずれもTFRと有意な正の相関を示す。しかし、重回帰に同時投入すると多重共線性（VIF上昇）により、保育定員率・保育士密度の偏回帰係数が不安定になる。

from scipy import stats import statsmodels.api as sm # 多重共線性の確認（VIF） from statsmodels.stats.outliers_influence import variance_inflation_factor X_mat = df[X_vars].values for i, var in enumerate(X_vars): vif = variance_inflation_factor(X_mat, i) print(f"{var}: VIF = {vif:.2f}") # VIF > 10 は多重共線性が深刻なサイン # 対処法: 変数の選択・PCA・Ridge回帰など

DS LEARNING POINT 2

標準化偏回帰係数の意味

単位の異なる変数の「相対的な重要性」を比較するには、標準化偏回帰係数（β）を使う。βは「説明変数を1標準偏差増やしたとき、目的変数が何標準偏差変化するか」を示す無次元の指標。

import statsmodels.api as sm # 標準化して回帰 X_std = (X_df - X_df.mean()) / X_df.std() y_std = (y - y.mean()) / y.std() X_std_const = sm.add_constant(X_std) ols_std = sm.OLS(y_std, X_std_const).fit() for var, beta in zip(X_vars, ols_std.params[1:]): print(f"{var}: β = {beta:.3f}") # 保育所密度: β = 0.691 → 最大の正の影響
3
保育と婚姻率の影響

保育所密度は単変量でも強い正の相関（Pearson r=0.628、p<0.001）を示した。47都道府県の散布図と相関ヒートマップにより、変数間の関係を視覚化する。

保育所密度 vs TFR 散布図
図1：保育所密度（保育所等数／総人口×1000）と合計特殊出生率の関係（2022年・N=47）。地域色分けと回帰直線（Pearson r=0.628, p<0.001）を表示。
相関ヒートマップ
図3：TFRと関連変数の相関ヒートマップ（Pearson r）。* p<0.05, ** p<0.01, *** p<0.001
📌 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。

各変数とTFRの相関係数（単変量）

変数Pearson rp値効果量解釈
保育所密度 0.628 <0.001 大（Large） 保育所が多い都道府県ほどTFRが高い
保育定員率 0.415 0.004 中（Medium） 保育需要を充足している地域でTFR高め
保育士密度 0.382 0.008 中（Medium） 保育の量的充実と連動
消費支出（log） −0.334 0.022 中（Medium） 高所得地域（大都市）でTFR低下
高齢化率 0.227 0.125 小（Small） 有意ではなく（地方は高齢化でも出生率が高い逆説）
婚姻率 −0.108 0.470 微小 単純相関では有意でない（大都市で婚姻率が高い影響）

TFR高位・低位都道府県の保育所密度比較

グループ都道府県平均TFR平均保育所密度
TFR上位8 沖縄・宮崎・鳥取・島根・長崎・熊本・佐賀・鹿児島 1.567 0.384
TFR下位8 東京・宮城・北海道・埼玉・神奈川・千葉・大阪・兵庫 1.153 0.228
差 — +0.414 +0.156（+68%）
保育所密度の地域差と TFR の対応 TFR上位8都道府県の平均保育所密度（0.384）は、下位8都道府県（0.228）の約1.68倍。この差は偶然ではなく（相関係数 r=0.628、p<0.001）、保育インフラの整備がTFR向上と統計的に関連することを強く示唆する。

DS LEARNING POINT 3

Pearson 相関係数の効果量（Cohen の基準）

相関係数の統計的有意性は「偶然ではない」ことを示すだけで、「実質的な重要性」とは別。Cohen（1988）の基準では |r|=0.1（小）、0.3（中）、0.5（大）として効果量を分類する。

from scipy import stats r, p = stats.pearsonr(df['保育所密度'], df['合計特殊出生率']) # → r=0.628, p<0.001 # Cohen(1988)の効果量基準 if abs(r) >= 0.5: effect = "大（Large）： 実質的に重要な関係" elif abs(r) >= 0.3: effect = "中（Medium）: 中程度の関係" elif abs(r) >= 0.1: effect = "小（Small）: 弱い関係" else: effect = "微小（Negligible）" print(f"r = {r:.3f}, 効果量 = {effect}") # 保育所密度: r=0.628 → 大（Large）効果量

DS LEARNING POINT 4

相関と因果：保育所が増えれば出生率は上がるか？

相関分析は「X と Y が一緒に変動する」ことを示すが、因果関係（X → Y）を直接証明しない。保育所密度と TFR の正の相関には以下の代替説明がある：（1）出生率が高い地域で保育需要が高まり保育所が増える（逆因果）、（2）地方の人口密度が低い地域で保育所密度・TFR ともに高くなる（交絡因子）。

# 交絡の確認：人口密度を制御した偏相関 # 単純な例（偏相関係数） import pingouin as pg # pingouin ライブラリを使う場合 partial_r = pg.partial_corr( data=df, x='保育所密度', y='合計特殊出生率', covar=['総人口'] # 人口規模を制御 ) print(partial_r[['r', 'p-val']]) # 偏相関でも正であれば、人口規模によらず保育支援効果が示唆される

政策提言

本分析の統計的知見から、以下の政策的示唆が導かれる。

主要な発見1：保育所の「数」が最重要変数 保育所密度（保育所等数／総人口×1000）は、重回帰分析において唯一の有意変数（p=0.004）であり、標準化偏回帰係数 β=0.691 は最大の効果量を示す。保育所の「数」を増やす政策が、都道府県レベルのTFR向上に直結する可能性がある。
主要な発見2：都市部こそ保育インフラが不足 関東地方は消費支出（所得水準）が高いにもかかわらず、TFRが全国最低（平均1.199）。東京都では保育所の待機児童問題が長期的課題となっており、都市部での保育インフラ整備が急務であることが統計的に示される。
主要な発見3：九州・沖縄モデルの検証 九州・沖縄地方のTFR上位の背景には、保育所密度の高さ（平均0.384）に加え、地域コミュニティによるインフォーマルな育児支援ネットワークの存在が推測される。都市部への政策移転の可能性を検討すべきである。

政策シミュレーション

シナリオ保育所密度の変化予測TFR変化量備考
東京都が全国平均並みの密度に 0.176 → 0.276（+0.100） +0.14（推定） OLS偏回帰係数1.420×0.100
関東全体が九州並みの密度に 0.228 → 0.384（+0.156） +0.22（推定） 単純外挿（他条件一定仮定）

シミュレーションはモデルの線形外挿であり、実際の政策効果は多くの交絡要因に依存する。

まとめ

SSDSE-B の47都道府県・2022年度データを用いた重回帰分析の結果：

  1. 保育所密度が最重要変数（r=0.628, β=0.691, p=0.004）：保育所を人口あたりで多く保有する都道府県ほどTFRが高く、重回帰でも唯一の有意変数として残存。
  2. 地域差は大きく構造的：九州・沖縄（平均1.539）と関東（平均1.199）の差は0.34ポイント。所得水準ではなく保育インフラの差が一因。
  3. モデル全体の説明力（R²=0.423）：6変数でTFR変動の42%を説明。残り58%には文化・価値観・地縁ネットワーク等の非統計的要因が含まれる。
  4. 因果的解釈には慎重さが必要：相関分析は因果を証明しない。逆因果・交絡の可能性を考慮した追加分析（操作変数法・パネルデータ分析等）が今後の課題。
結論 統計的分析は、保育所の整備（数・密度）が都道府県レベルの出生率と強く関連することを示す。少子化対策として保育インフラの拡充は有効な政策手段の一つであり、特に関東・近畿の大都市圏における保育所の量的拡大が優先課題として示唆される。
教育的価値（この分析から学べること）
  • 合計特殊出生率（TFR）：1人の女性が一生のうちに産む子どもの平均人数。「2.07未満で人口が減る」など、国の将来を語るうえで欠かせない指標。
  • 密度指標の有効性：「保育所の数」そのものより「人口10万人あたりの保育所数」のような密度指標の方が、地域比較に向く。指標設計の重要性が学べる。
  • 「相関の強さ ≠ 因果の証明」：β=0.69 という強い関係が出ても、「保育所が出生率を上げた」のか「出生率が高い県が保育所を作った」のかは、横断データだけでは区別できない。

データ・コードのダウンロード

分析スクリプト（2020_H2_yushu.py）
データ出典
SSDSE-B-2026 都道府県別統計データ統計数理研究所 SSDSE（社会・人口統計体系）
保育所等関連統計（保育所等数・定員・保育士数）厚生労働省 保育所等関連状況取りまとめ（SSDSE-B収録）
合計特殊出生率（都道府県別）厚生労働省 人口動態統計（SSDSE-B収録）

本教育用コードは SSDSE-B-2026 の実データを使用（2022年度・47都道府県）。合成データは一切使用していません。

教育用再現コード ｜ 2020年度（令和2年度） 統計データ分析コンペティション 優秀賞 [高校生の部] ｜ SSDSE-B-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。
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。
🎯 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
コロナ禍が人口移動に与えた影響
次の論文 →
地域の所得格差・教育環境と学力・進学率の関係