目次
🎯 この記事を読むと何ができるようになるか
- 研究の核心：「製造業・産業構造と地域雇用・所得の関係分析」の問題意識と分析アプローチ
- 分析手法：重回帰分析で「複数の要因がどの程度結果に影響するか」を同時に推定する方法
- 分析手法：相関係数（Pearson・Spearman）で2変数の関係の強さと向きを定量化する方法
- 分析手法：特化係数（LQ）分析で地域の特徴産業・特徴指標を比較する方法
- 結果の読み方：係数・p値・図表から「何が言えて何が言えないか」を判断する力
- 応用：同じデータと手法を使って、別の問いを立てて分析する発想
📥 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-E-2026.csv ← SSDSE-E（都道府県の指標2）📥 直接DL
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_H5_3_shorei.py ← 実行するスクリプト
└── data/
└── raw/
SSDSE-E-2026.csv ← ここに置く
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_H5_3_shorei.py
図は html/figures/ に自動保存されます。
概
研究の背景：産業構造と地域経済
日本の地域間経済格差は長年の政策課題である。特に「なぜある地域は豊かで、別の地域は貧しいのか」という問いは、経済地理学・地域経済学の核心的テーマである。本研究は、都道府県の産業構造（特に製造業比率）が地域の雇用・所得水準にどう影響するかを統計的に検証する。
まず「製造業・産業構造と地域雇用・所得の関係分析」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。
研究の動機
「ものづくり」の強い県では雇用が安定し、所得も高いのではないか。製造業には裾野産業への波及効果があり、その地域への経済的定着効果は大きい。一方、第三次産業（小売・飲食・サービス）偏重の地域では所得水準が低い傾向があるという仮説を検証する。
分析の流れ
産業別従業者割合
LQ計算
LQ計算
→
相関分析
（Pearson）
（Pearson）
→
重回帰分析
（OLS）
（OLS）
→
地域比較
政策提言
政策提言
SSDSE-E-2026（2021年度） SSDSE-B-2026（2022年度） 特化係数（LQ） OLS重回帰 地域比較
データと変数：LQ（特化係数）の活用
使用データ
| データセット | 年度 | 使用変数 |
|---|---|---|
| SSDSE-E-2026（都道府県横断） | 2021年度 | 産業別従業者数（建設・製造・情報通信・卸売小売・医療福祉等）、1人当たり県民所得、総人口、65歳以上人口、総面積 |
| SSDSE-B-2026（都道府県時系列） | 2022年度 | 消費支出（二人以上世帯）、月間有効求人数、就職件数（一般）、転入者数、総人口 |
※ SSDSE: 社会・人口統計体系データセット（統計センター公表）。産業別従業者数は民営事業所ベース（経済センサス）。
主要変数の定義と統計量
製造業従業者割合（全国平均）
17.3%
標準偏差 5.4%
消費支出（全国平均、月額）
28.9万円
標準偏差 1.9万円
製造業LQ 最高
1.77
滋賀県（全国比 77%高）
製造業LQ 最低
0.36
沖縄県（全国比 64%低）
目的変数・説明変数の一覧
| 役割 | 変数名 | 定義 | 出典年度 |
|---|---|---|---|
| 目的変数 | 消費支出 | 二人以上世帯の月額消費支出（所得水準の代理） | SSDSE-B 2022 |
| 説明変数 | 製造業従業者割合 | 民営従業者全体に占める製造業の割合（%） | SSDSE-E 2021 |
| 情報通信業従業者割合 | 民営従業者全体に占める情報通信業の割合（%） | SSDSE-E 2021 | |
| 高齢化率 | 65歳以上人口 / 総人口（%） | SSDSE-E 2021 | |
| 人口密度 | 総人口 / 総面積（人/km²） | SSDSE-E 2021 | |
| 有効求人倍率（代理） | 月間有効求人数 / 就職件数（雇用市場の過熱度） | SSDSE-B 2022 |
DS LEARNING POINT 1
特化係数（Location Quotient: LQ）とは
LQは「ある地域のある産業の集中度を全国平均と比較した指標」。LQ = 1.0 なら全国平均と同じ、1.0 超なら特化（集積）、1.0 未満なら相対的に少ないことを意味する。
# 製造業のLQ計算例（47都道府県）
# LQ_製造業 = (都道府県の製造業従業者 / 都道府県の全従業者)
# / (全国の製造業従業者 / 全国の全従業者)
nat_mfg_ratio = nat_mfg / nat_total # 全国製造業割合
df_e_pref['LQ_製造業'] = (
df_e_pref['C220837'] / df_e_pref['C2208']
) / nat_mfg_ratio
# 解釈：
# LQ > 1.5 → 強い製造業特化（滋賀・三重・富山・静岡・群馬など）
# LQ < 0.5 → 製造業希薄（東京・沖縄・北海道）
製造業LQ 上位・下位都道府県
| 順位 | 都道府県 | 製造業LQ | 製造業割合 | 地域特性 |
|---|---|---|---|---|
| 1 | 滋賀県 | 1.77 | 26.9% | 琵琶湖沿岸の工業集積（電機・化学） |
| 2 | 三重県 | 1.71 | 26.1% | 石油化学・半導体（四日市） |
| 3 | 富山県 | 1.70 | 25.8% | アルミ・化学薬品・医薬品 |
| 4 | 静岡県 | 1.68 | 25.5% | 輸送機器・楽器・食品（総合的ものづくり） |
| 5 | 群馬県 | 1.66 | 25.1% | 輸送機器（SUBARU・スズキ） |
| 43 | 北海道 | 0.57 | 8.7% | 農林水産・観光・サービス業主体 |
| 44 | 高知県 | 0.66 | 10.0% | 林業・農業・水産業主体 |
| 45 | 福岡県 | 0.71 | 10.9% | 九州の経済中心・商業・サービス集積 |
| 46 | 東京都 | 0.39 | 5.9% | 情報通信・金融・商業の中心 |
| 47 | 沖縄県 | 0.36 | 5.5% | 観光・軍事基地・建設業主体 |
1
産業構造の地域分布
製造業従業者割合の上位10都道府県と下位10都道府県の産業構成を積み上げ棒グラフで比較する。産業構造の地域差が一目で確認できる。
図1：製造業割合 上位・下位各10都道府県の産業別従業者割合（2021年、民営事業所ベース）。左が製造業集積県（滋賀〜静岡）、右が非製造業型（北海道〜沖縄）。
図1 の読み取りポイント
- 製造業上位県（左側）：製造業（赤）が卓越し、医療福祉（橙）・建設業（黄）は相対的に小さい
- 製造業下位県（右側）：医療福祉・卸売小売・宿泊飲食の比率が高い「サービス経済型」
- 東京都・沖縄県は情報通信業・宿泊飲食業が突出し、他の非製造業県とも構造が異なる
DS LEARNING POINT 2
積み上げ棒グラフによる多変量比較
複数のカテゴリ（産業）の割合を同時に比較するには積み上げ棒グラフが有効。全体（100%）に対する各カテゴリの相対的大きさと、都道府県間の比較が1枚の図で可能になる。
import matplotlib.pyplot as plt
import numpy as np
# 積み上げ棒グラフの描画
bar_cols = [('製造業割合', '#e05c5c'), ('建設業割合', '#f0a500'), ...]
bottom = np.zeros(len(target_prefs))
for col, color in bar_cols:
vals = target_prefs[col].values
ax.bar(x, vals, bottom=bottom, color=color, label=col, ...)
bottom += vals
# ポイント：bottom を累積することで積み上げを実現
# 残余分を「その他」として最後に積み上げる
2
重回帰分析：地域所得の決定要因
消費支出（所得の代理変数）を目的変数とし、産業構造・人口構造・雇用環境を説明変数としたOLS重回帰を実施した。変数はすべて標準化（平均0・分散1）し、標準化偏回帰係数（β）で効果の大きさを比較する。
消費支出（標準化） = β₁×製造業割合 + β₂×情報通信業割合 + β₃×高齢化率
+ β₄×人口密度 + β₅×有効求人倍率(代理) + ε
+ β₄×人口密度 + β₅×有効求人倍率(代理) + ε
回帰係数の推定結果
| 説明変数 | 標準化係数（β） | p値 | 有意性 | 解釈 |
|---|---|---|---|---|
| 製造業従業者割合 | +0.407 | 0.009 | ** | 製造業が多いほど消費支出が高い |
| 有効求人倍率（代理） | +0.610 | 0.048 | * | 求人超過の地域は消費水準が高い |
| 情報通信業従業者割合 | −0.044 | 0.871 | n.s. | 有意な効果なし |
| 高齢化率 | −0.096 | 0.606 | n.s. | 有意な効果なし（単相関では有意） |
| 人口密度 | −0.169 | 0.565 | n.s. | 有意な効果なし |
| モデル全体 | R²=0.423, 修正済みR²=0.352, F(5,41)=6.00, p=0.0003 | |||
図4：標準化偏回帰係数と95%信頼区間（n=47都道府県）。**p<0.01, *p<0.05。横棒が0をまたがない変数が統計的に有意。
📌 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。
重回帰分析の主な発見
- 製造業割合（β=+0.407, p=0.009）：他の変数を制御しても、製造業比率の高い地域ほど消費水準が有意に高い
- 有効求人倍率（β=+0.610, p=0.048）：雇用市場の活性化が消費支出に強く影響。「仕事がある地域ほど豊か」
- 高齢化率・人口密度は単相関では有意でも、重回帰では有意でない → 多重共線性の影響に注意
DS LEARNING POINT 3
多重共線性（Multicollinearity）の問題
説明変数間の相関が高いと、個々の係数推定が不安定になる「多重共線性」が生じる。VIF（分散膨張係数）= 1/(1-R²ⱼ) で診断する。VIF>10は問題あり。
from statsmodels.stats.outliers_influence import variance_inflation_factor
# VIFの計算
vif_data = pd.DataFrame()
vif_data['変数'] = reg_vars
vif_data['VIF'] = [variance_inflation_factor(X, i) for i in range(X.shape[1])]
print(vif_data)
# 解釈：
# VIF < 5 → 問題なし
# VIF 5-10 → 注意が必要
# VIF > 10 → 多重共線性の疑い（変数を除去・結合を検討）
# 本分析の場合：
# 高齢化率と製造業割合に負の相関（r=−0.46）が見られるが
# VIFは全変数で5未満であり、許容範囲内と判断
3
製造業と所得水準の関係
製造業従業者割合と消費支出の関係を散布図で可視化し、地域ブロック別の傾向を比較する。また相関ヒートマップで変数間の関係構造を俯瞰する。
北海道・東北
関東
中部
近畿
中国・四国
九州・沖縄
図2：製造業従業者割合と消費支出の散布図（47都道府県、2021/2022年）。r=0.394, p=0.006。黒破線は回帰直線。
📌 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。
散布図から読み取れること
- 中部（橙）：愛知・静岡・岐阜などが高製造業割合・高消費支出のゾーンに集中
- 関東（赤）：東京・神奈川は製造業割合は低いが消費支出は高い（情報通信・金融の効果）
- 九州・沖縄（橙）：製造業割合・消費支出ともに相対的に低い傾向
- 相関係数 r=+0.394（p=0.006）：正の有意な相関。ただし東京等の外れ値に注意
図3：産業構造・経済指標のPearson相関ヒートマップ（47都道府県）。赤が正の相関、青が負の相関。
📌 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。
主要変数間の相関係数（47都道府県）
| 変数ペア | r値 | p値 | 解釈 |
|---|---|---|---|
| 製造業割合 vs 消費支出 | +0.394 | 0.006** | 製造業地域で消費水準が高い |
| 建設業割合 vs 消費支出 | −0.437 | 0.002** | 建設業依存は消費低迷と関連 |
| 有効求人倍率 vs 消費支出 | +0.448 | 0.002** | 雇用市場の活況が消費を押し上げ |
| 高齢化率 vs 消費支出 | −0.382 | 0.008** | 高齢化が進む地域で消費水準が低い |
| 転入率 vs 消費支出 | +0.318 | 0.029* | 転入超過地域が経済的に活力ある傾向 |
| 情報通信業割合 vs 消費支出 | +0.171 | 0.251 | 有意な相関なし（東京集中の効果） |
DS LEARNING POINT 4
地域集積効果（Agglomeration Effects）
製造業が地域に集積することで生まれる経済的便益を「集積効果」という。同業種企業の集積（特化経済）と多様な産業の集積（都市化経済）の2種類がある。LQが高い地域では特化経済の恩恵が消費水準向上に貢献していると解釈できる。
# 特化経済（Localization Economies）の測定
# LQ > 1.5 の地域を「製造業特化地域」として抽出
lq_high = df[df['LQ_製造業'] >= 1.5].copy()
print(f"製造業特化地域（LQ≥1.5）: {len(lq_high)}都道府県")
# → 滋賀・三重・富山・静岡・群馬・岐阜・栃木・愛知・長野（9県）
# 特化地域 vs 非特化地域の消費支出比較
csp_high = lq_high['消費支出'].mean()
csp_low = df[df['LQ_製造業'] < 1.5]['消費支出'].mean()
print(f"特化地域の平均消費支出: {csp_high:.0f}円/月")
print(f"非特化地域の平均消費支出: {csp_low:.0f}円/月")
# → 製造業特化地域の消費支出が約1万〜2万円/月高い傾向
政策的含意
分析結果から導かれる政策的示唆
- 製造業誘致・維持：製造業割合の向上は地域消費水準の改善に有意に寄与する。工場立地支援・産業集積政策が重要
- 雇用市場の活性化：有効求人倍率（雇用の活況）が消費に最も強く影響。多様な雇用機会の創出が鍵
- 人口流入促進：転入率と消費支出の正相関から、UIJターン支援など人口移動政策も効果的
分析の限界と留意点
- 消費支出は所得の代理変数であり、1人当たり県民所得とは必ずしも一致しない
- 産業構造データ（2021年）と消費支出（2022年）の年度差があるため、因果関係の解釈には慎重さが必要
- 都道府県単位の集計データのため「生態学的誤謬」（個人レベルで同じ関係が成り立つとは限らない）に注意
- 東京都・沖縄県などは産業構造が極めて特殊で、回帰モデルへの影響（外れ値）を確認すべき
製造業特化地域（LQ≥1.5）の一覧
| 都道府県 | 製造業LQ | 製造業割合 | 消費支出（月額） |
|---|---|---|---|
| 滋賀県 | 1.77 | 26.9% | 319,456円 |
| 三重県 | 1.71 | 26.1% | 277,102円 |
| 富山県 | 1.70 | 25.8% | 316,801円 |
| 静岡県 | 1.68 | 25.5% | 300,439円 |
| 群馬県 | 1.66 | 25.1% | 310,407円 |
| 岐阜県 | 1.63 | 24.8% | 313,314円 |
| 栃木県 | 1.60 | 24.3% | 297,278円 |
| 愛知県 | 1.57 | 23.8% | 319,344円 |
| 長野県 | 1.53 | 23.2% | 298,965円 |
| 全国平均（47都道府県） | 289,630円 | ||
製造業特化地域9県の消費支出平均は約30.6万円/月で、全国平均比約+5.6%高い。
まとめ
本研究は、SSDSE-E（産業別従業者数・県民所得）とSSDSE-B（消費支出・雇用）を用いて、47都道府県の産業構造と地域経済水準の関係を相関分析・重回帰分析によって検証した。
主要な発見事項
- 製造業の正の効果：製造業従業者割合は消費支出と有意な正の相関（r=+0.394, p=0.006）を示し、重回帰でも有意な説明変数（β=+0.407, p=0.009）
- 雇用市場の効果：有効求人倍率（雇用の需給）が消費支出に最も強く影響（β=+0.610, p=0.048）し、「仕事の多い地域ほど豊か」を数量的に確認
- 建設業依存の負の効果：建設業割合は消費支出と負の相関（r=−0.437）。公共事業依存型経済の限界を示唆
- 地域の特化（LQ）：製造業LQ≥1.5の9県は平均消費支出が全国より約5.6%高く、産業集積の経済的恩恵を確認
- モデルの説明力：修正済みR²=0.352 で、地域消費水準の35%を産業構造・雇用環境で説明
政策的含意：製造業の集積・維持と雇用創出が地域経済の底上げに有効であることが統計的に支持された。「ものづくり地域」の競争力強化は、単に産業政策にとどまらず、地域住民の消費水準向上と生活の質（QoL）改善につながると考えられる。
統計的手法の学習ポイント（まとめ）
- LQ（特化係数）：地域の産業特性を全国比で測る、地域経済分析の基本指標
- 積み上げ棒グラフ：複数カテゴリの割合を比較する多変量可視化手法
- 相関ヒートマップ：多変数間の相関構造を一覧するための可視化
- 標準化偏回帰係数：単位の異なる変数の「影響の大きさ」を比較できる重回帰分析の指標
- 多重共線性への注意：単相関で有意でも重回帰では有意でなくなる変数は共線性を疑う
データ出典: SSDSE-E-2026（産業別従業者数・県民所得 2021年度）、SSDSE-B-2026（消費支出・雇用 2022年度） — 統計センター公表実データ。
再現コード: code/2020_H5_3_shorei.py
⚠️ 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。
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。
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。
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。
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。
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。
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
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。
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
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
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）
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。
- 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。
- 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。
🌲 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。
📍 特化係数（LQ）分析
- 何？
- ある地域のある指標の「全国平均と比べた特化度」を数値化する手法。LQ > 1 なら全国平均より高い。
- どう使う？
- LQ = （地域シェア）÷（全国シェア）。CO₂排出量のLQなら製造業比率の地域/全国比で計算。
- 何がわかる？
- 「この地域はCO₂排出が全国平均の何倍か」「どの産業が特化しているか」を比較できる。
- 結果の読み方
- LQ = 1.0 が全国平均。LQ > 1.5 で高特化、LQ < 0.5 で著しく低い。
- ⚠️ 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。
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。
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。
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。
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」。
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。