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
審査員奨励賞（高校生の部）

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

⏱️ 推定読了時間: 約39分
相関分析・重回帰分析・特化係数（LQ）・地域比較 ｜ SSDSE-B（都道府県統計）2022年度データ
📝 3行で分かる要約

目次

  1. 研究の背景：地球温暖化とSDGs
  2. データと変数：代理変数による CO2 排出量の把握
  3. 環境負荷の地域分布
  4. 重回帰分析：CO2 排出の決定要因
  5. 産業構造と環境の関係（特化係数 LQ）
  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_H5_5_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/2020_H5_5_shorei.py
図は html/figures/ に自動保存されます。
背
研究の背景：地球温暖化とSDGs

地球温暖化は現代社会における最大の環境課題の一つである。気候変動の主因とされる温室効果ガス、特に CO2 の排出削減は、SDGs（持続可能な開発目標）の目標13「気候変動に具体的な対策を」において 国際社会全体で取り組む最優先事項に位置づけられている。

まず「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」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。

日本全体では 2050 年カーボンニュートラルを目標に、各都道府県・市区町村レベルの施策が求められている。 しかし都道府県によって産業構造・人口・気候が大きく異なり、一律の対策では効果を上げられない場合がある。 本研究では SSDSE-B の都道府県統計データを用い、CO2 排出量に関連する環境負荷指標の地域差の要因を 統計的に分析する。

研究の問い 都道府県間のごみ排出量（CO2排出の代理変数）はなぜ異なるのか？ エネルギー消費・移動手段・廃棄物対策・気候条件のどの要因が最も影響しているか？
SDGsとの関連
  • 目標 7： エネルギーをみんなに、そしてクリーンに
  • 目標 11： 住み続けられるまちづくりを
  • 目標 12： つくる責任・つかう責任（廃棄物削減）
  • 目標 13： 気候変動に具体的な対策を
分析の流れ
SSDSE-B
47都道府県
2022年度
→
代理変数
の選定
→
相関分析
（Pearson）
→
重回帰
分析（OLS）
→
特化係数
（LQ）
→
政策
提言

SSDSE-B 相関分析 重回帰分析 特化係数 LQ 地域比較

データと変数：代理変数によるCO2排出量の把握

データ出典

SSDSE-B-2026（社会・人口統計体系 都道府県データセット）2022年度断面の47都道府県データを使用。 データは統計センターが公表する実測値であり、行政区分コード R が 5 桁の行（都道府県レベル）を抽出している。

DS LEARNING POINT 1

代理変数（Proxy Variable）の考え方

都道府県別の CO2 排出量は SSDSE-B には直接掲載されていない。そのため、 CO2 排出と強く関連すると考えられる「代理変数（proxy variable）」を用いる。 代理変数とは、測定困難な概念を間接的に表す指標のことで、論文でも広く活用される手法である。

# CO2排出量の代理変数の選定例 # - ごみ排出量（廃棄物処理時の排出） # - 光熱・水道費（家庭のエネルギー消費量の代理） # - 交通・通信費（自動車保有・使用の代理） # 注意: 代理変数は「真の値」ではなく、解釈に注意が必要

変数の定義

役割変数名（SSDSE-B）単位CO2との関連
目的変数 1人1日当たりのごみ排出量 g/人・日 廃棄物処理・埋立処分時のCO2排出を代理
説明変数 光熱・水道費（二人以上世帯） 円/月 家庭エネルギー消費量の代理（寒冷地で高い）
交通・通信費（二人以上世帯） 円/月 自動車依存度・移動由来排出の代理
ごみのリサイクル率 % 廃棄物対策・環境政策の実施状況
年平均気温 ℃ 冷暖房需要・エネルギー消費に影響
降水日数（年間） 日/年 気候特性（移動手段・生活パターンに影響）

基本統計量（2022年度 47都道府県）

906
1人1日ごみ排出量
全国平均（g/人・日）
251円
光熱・水道費
全国平均（百円/月）
18.2%
ごみリサイクル率
全国平均
16.1℃
年平均気温
全国平均
変数平均標準偏差最小最大
1人1日ごみ排出量 (g/人・日)906.161.5770（京都府）1021（富山・福島）
光熱・水道費 (円/月)25,1203,37817,897（沖縄県）33,197（山形県）
交通・通信費 (円/月)41,5236,12528,186（東京都）54,728（群馬県）
ごみリサイクル率 (%)18.23.812.428.3
年平均気温 (℃)16.12.310.223.7
降水日数 (日/年)111.428.569171
1
環境負荷の地域分布

47都道府県の「1人1日当たりごみ排出量」（CO2排出の代理変数）を地域別に比較する。 排出量の地域差は産業構造・気候・生活スタイルなど多様な要因を反映している。

都道府県別ごみ排出量ランキング
図1：都道府県別 1人1日当たりごみ排出量（2022年度）。 地域色分け： ■ 北海道・東北 ■ 中部 ■ 中国・四国 ■ 九州・沖縄 ■ 近畿 ■ 関東

地域別平均（1人1日ごみ排出量）

地域区分平均 (g/人・日)都道府県数特徴
北海道・東北9607寒冷地・エネルギー消費多、農林業中心
中国・四国9189製造業・化学工業が多い地域を含む
九州・沖縄9128温暖だが農業・製造業が混在
中部9079製造業大県（愛知）と農業県が混在
関東8747都市型サービス業中心・人口密度高
近畿8627リサイクル先進地域（京都・滋賀）が下位
注目ポイント 北海道・東北が全国最大（平均 960g）で、近畿の平均（862g）より約 12% 高い。 最大の富山県・福島県（1021g）と最小の京都府（770g）では約 33% の差がある。 この差は気候条件（寒冷地の暖房需要）や産業構造（製造業比率）を反映していると考えられる。
光熱・水道費とごみ排出量の散布図
図2：光熱・水道費（エネルギー消費代理変数）と1人1日ごみ排出量の散布図（2022年度 47都道府県）。 地域色分けにより、北海道・東北（青）が右上に集中していることがわかる。r=0.32（p=0.028）
📌 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
  • 光熱・水道費が高い都道府県（北海道・東北）ほど、ごみ排出量も多い傾向
  • 東京都・神奈川県・京都府は光熱費が低く排出量も少ない（都市型低炭素生活）
  • 山形県は光熱費が最高（33,197円/月）で排出量も多い（寒冷地の暖房需要）

DS LEARNING POINT 2

特化係数（LQ: Location Quotient）による地域比較

特化係数（LQ）とは、特定地域の産業・消費の全国平均との相対的な集中度を示す指標。 LQ > 1 は全国平均より高い「特化している」状態を意味する。

# 光熱・水道費の特化係数（LQ）の計算 national_share = 光熱水道費.mean() / 消費支出.mean() LQ = (都道府県の光熱水道費 / 都道府県の消費支出) / national_share # LQ上位（全国平均より高い光熱費負担） # 青森県: LQ=1.49（全国の約1.5倍の光熱費割合） # 山形県: LQ=1.38 # 岩手県: LQ=1.28
都道府県 光熱費LQ 解釈
青森県1.49全国の1.5倍の光熱費割合
山形県1.38寒冷地・暖房エネルギー特化
岩手県1.28積雪・寒冷条件が影響
北海道1.25国内最寒冷・暖房期間長い
2
重回帰分析：CO2排出の決定要因

1人1日ごみ排出量（目的変数）を複数の説明変数で同時に説明する重回帰分析（OLS）を実施した。 変数間の多重共線性を考慮し、標準化した変数を用いて標準化偏回帰係数（β）を算出する。

相関分析（Pearson）の結果

説明変数相関係数 rp値有意性解釈
降水日数 0.361 0.013 * 有意 降水日数が多い＝自動車依存増・排出多
光熱・水道費 0.322 0.028 * 有意 エネルギー消費多い地域ほど排出多
交通・通信費 0.320 0.028 * 有意 自動車依存度高い地域ほど排出多
年平均気温 -0.270 0.066 n.s. 温暖地ほど排出少ない傾向（有意ではない）
リサイクル率 -0.159 0.286 n.s. リサイクル率高い＝排出少ない方向（非有意）
相関ヒートマップ
図3：環境・生活指標のPearson相関ヒートマップ（*p<0.05, **p<0.01）。 1人1日ごみ排出量は光熱・水道費・交通通信費・降水日数と有意な正の相関を示す。
📌 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。

重回帰分析（OLS）の結果

ごみ排出量（標準化） = β₀ + β₁×光熱費 + β₂×交通費 + β₃×リサイクル率 + β₄×気温 + β₅×降水日数 + ε

R² = 0.242，調整済みR² = 0.150，F値 = 2.620（p = 0.038）
変数標準化偏回帰係数 βp値有意性
交通・通信費+0.2760.059n.s.（境界）
降水日数+0.2720.138n.s.
年平均気温-0.1980.393n.s.
リサイクル率-0.1740.217n.s.
光熱・水道費-0.0790.776n.s.
標準化偏回帰係数プロット
図4：重回帰分析の標準化偏回帰係数（95%信頼区間付き）。 全体モデルは有意（p=0.038）だが、個別変数の偏回帰係数は有意でない。 交通・通信費と降水日数の係数が相対的に大きい。
📌 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。
解釈上の注意点：多重共線性の影響 単相関では光熱費・交通費・降水日数が有意（p<0.05）だったが、 重回帰では個別変数の係数が非有意になった。これは説明変数間の相関（多重共線性）が影響している。 N=47 の小さいサンプルサイズでは、説明変数を多く投入すると過学習が起きやすい。

DS LEARNING POINT 3

小サンプルの重回帰分析と多重共線性

N=47（都道府県数）の重回帰では、説明変数を増やすほど自由度が減り、各係数の推定精度が低下する。 モデル全体のF検定（p=0.038）は有意でも、個別係数が非有意になる現象を多重共線性（multicollinearity）という。

# VIF（分散膨張係数）で多重共線性を診断 from statsmodels.stats.outliers_influence import variance_inflation_factor X_vif = sm.add_constant(X) vif_data = pd.DataFrame({ 'variable': ['const'] + X_cols, 'VIF': [variance_inflation_factor(X_vif, i) for i in range(X_vif.shape[1])] }) print(vif_data) # VIF > 10 は多重共線性が深刻（目安） # N=47の小サンプルでは特に慎重な解釈が必要

対処法：変数選択（AIC/BIC基準）、主成分回帰、Ridge回帰などで 過剰適合を防ぎ、解釈可能なモデルを構築する。

3
産業構造と環境の関係（特化係数 LQ）

CO2 排出量は産業構造とも密接に関わる。特化係数（LQ）を用いて、各都道府県の光熱・水道費の 消費支出に占める割合が全国平均と比べてどの程度特化しているかを分析する。 LQ > 1 の都道府県は、エネルギー消費割合が全国平均より高く、対策が急務であることを示す。

光熱・水道費特化係数（LQ）上位10都道府県

順位都道府県LQ値1人1日ごみ排出量主な特徴
1青森県1.49991 g冬季暖房・積雪・農林業中心
2山形県1.38909 g日本有数の豪雪地帯
3岩手県1.28901 g広大な面積・農林水産業
4北海道1.25937 g国内最寒冷・暖房期間最長
5秋田県1.23991 g豪雪地帯・高齢化率高
6島根県1.19—山陰の寒冷・過疎地域
7福井県1.15—豪雪・石油暖房需要高
8福島県1.141021 g内陸部の盆地・気温差大
9新潟県1.13994 g日本海側豪雪・農業大県
10富山県1.121021 g化学・金属工業・豪雪
地域パターンの解釈 光熱費LQ上位は北海道・東北・北陸が占める。これは寒冷な気候が暖房エネルギー消費を押し上げているためで、 ごみ排出量（CO2排出の代理変数）とも連動している。一方、近畿（京都・滋賀）はLQが低く、 リサイクル先進地域としての政策効果も示唆される。

DS LEARNING POINT 4

環境クズネッツ曲線（EKC）仮説

環境クズネッツ曲線（Environmental Kuznets Curve）とは、経済発展の初期段階では 経済成長とともに環境負荷が増大するが、一定の所得水準を超えると環境負荷が減少に転じるという仮説。 逆U字型の関係を想定する。

# EKC仮説の検証（消費支出 vs ごみ排出量の関係） # 二次項を追加して非線形関係を検定 消費支出2乗 = 消費支出 ** 2 X_ekc = np.column_stack([消費支出, 消費支出2乗]) model_ekc = sm.OLS(ごみ排出量, sm.add_constant(X_ekc)).fit() # 二次項の係数が負で有意なら逆U字型（EKC）を支持 # 係数が正なら単調増加（EKC不支持） print(f"一次項: {model_ekc.params[1]:.4f}") print(f"二次項: {model_ekc.params[2]:.4f}")

都道府県レベルでは所得水準（消費支出）とごみ排出量の関係が複雑で、EKC が単純には成立しない場合が多い。 産業構造・気候・政策効果を考慮した多変数分析が重要。

政策提言

分析結果をもとに、CO2 排出削減に向けた都道府県ごとの差別化された政策を提言する。 地域の産業・気候・生活スタイルの違いを踏まえた「地域密着型」の対策が重要である。

地域別政策提言

地域課題重点施策期待効果
北海道・東北
（高排出・高エネルギー）		 寒冷地の暖房エネルギー消費
LQ > 1.2 が多い		 住宅断熱・ZEH普及
再生可能エネルギー（風力）導入		 暖房エネルギー削減
30〜40%の省エネ期待
中部・中国四国
（製造業関連）		 製造業・化学工業由来
産業排出が大きい		 産業用エネルギー効率化
カーボンオフセット認定制度		 産業部門のCO2削減
企業の自主削減促進
地方全般
（自動車依存）		 交通・通信費が高い
自動車依存型生活		 EV普及補助金
地域公共交通の再整備		 運輸部門の排出削減
交通渋滞の緩和
近畿・首都圏
（先進地域）		 排出量は少ないが
さらなる削減余地		 リサイクル率向上（目標30%）
循環経済モデルの全国展開		 廃棄物処理CO2削減
他地域へのモデル普及
リサイクル率向上の重要性 現在の全国平均リサイクル率は 18.2% にとどまる。最高の都道府県でも 28.3% であり、 EU 平均（50%超）と比較すると大きな差がある。廃棄物処理は直接的な CO2 排出源であり、 リサイクル率の向上は最もコスト効率の高い温暖化対策の一つとされる。
分析の限界と今後の課題
  • 代理変数の限界：ごみ排出量・光熱費は CO2 排出量の不完全な代理であり、 実際の CO2 データ（温暖化対策推進法に基づく排出量統計）との照合が必要
  • 産業データの不在：SSDSE-B には製造業従業者数が含まれず、 産業由来排出の直接評価が困難
  • 時系列の考慮：2022年度断面データのみのため、政策効果の経年変化を追えない
  • N=47の制約：サンプルサイズが少なく、多変数モデルの推定精度に限界
結
まとめ

本研究では SSDSE-B の都道府県データを用い、CO2 排出量の代理変数として 「1人1日当たりのごみ排出量」を設定し、その決定要因を統計的に分析した。

主要な知見

  • 地域差の確認：最大（富山・福島 1021g）と最小（京都 770g）の間に約33%の差があり、 北海道・東北が全国最高（平均960g）、近畿が最低（平均862g）
  • 相関分析：降水日数（r=0.36）・光熱費（r=0.32）・交通通信費（r=0.32）が ごみ排出量と有意な正の相関（p<0.05）
  • 重回帰分析：全体モデルは有意（R²=0.24, p=0.038）だが、 N=47の小サンプルにより個別係数は多重共線性の影響で非有意
  • 特化係数（LQ）：青森（1.49）・山形（1.38）など東北・北陸が エネルギー消費に特化しており、重点的な対策地域として抽出できる

データサイエンスの視点から

学習ポイント内容
代理変数直接測れない概念を間接指標で代替する手法。限界と注意点の理解が重要
特化係数（LQ）地域の産業・消費の「集中度」を全国比で数値化。政策立案に有用
多重共線性説明変数間の相関が個別係数推定を不安定にする問題。VIFで診断
EKC仮説所得と環境負荷の逆U字関係。実証研究では変数・地域選択が結論に影響
教育的意義 本研究は「手元にある公的統計データ（SSDSE）でも、工夫した代理変数と統計手法を組み合わせることで、 地球温暖化という重要な環境問題を数量的に分析できる」ことを示している。 高校生がSDGsを統計学と結びつけて探求した点が高く評価されている。
データ出典 統計センター「社会・人口統計体系（SSDSE）-B 2026年版」 都道府県別統計データ （2022年度断面 47都道府県） https://www.nstac.go.jp/use/literacy/ssdse/
Python コードをダウンロード

⚠️ 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。
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。
🔭 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。
🌲 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。
🎛️ 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。
📍 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。
★★☆☆☆ 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
都道府県別ごみ排出量・環境負荷と経済発展の関係
次の論文 →
地域間賃金・雇用格差の構造分析