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（大学生・一般の部）

合計特殊出生率の決定要因：
パネルデータによる長期分析

⏱️ 推定読了時間: 約39分
使用データ: SSDSE-B（都道府県別統計） | 47都道府県 × 12年間（2012〜2023年）
📝 3行で分かる要約

目次

  1. 研究の背景：日本の少子化トレンド
  2. データと変数の定義
  3. TFR時系列：地域別推移
  4. パネル固定効果分析
  5. Hausman検定：FE vs RE モデル選択
  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_U2_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_U2_yushu.py
図は html/figures/ に自動保存されます。
1
研究の背景：日本の少子化トレンド

日本の合計特殊出生率（TFR: Total Fertility Rate）は1970年代から長期的な低下傾向を続けており、人口置換水準（2.07）を大きく下回っている。SSDSE-B データに基づく47都道府県の2012〜2023年の分析では、全国平均TFRが 2012年: 1.460 → 2023年: 1.293 へと12年間でさらに低下したことが確認された。

まず「合計特殊出生率の決定要因：パネルデータによる長期分析」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。

1.293
全国平均TFR（2023年）
1.70
最高：沖縄県（2022年）
1.04
最低：東京都（2022年）
少子化の深刻さ 人口置換水準（2.07）に対して全国平均は1.29に留まり、差は0.78ポイント。人口減少・社会保障制度の持続可能性・地方経済の縮小など、多岐にわたる問題を引き起こしている。TFRの都道府県差（沖縄1.70 vs 東京1.04）は地域間格差の大きさを示しており、地域固有の要因を考慮したパネル分析が不可欠である。
本研究の分析アプローチ
SSDSE-B
47都道府県
12年パネル
→
変数構築
婚姻率・保育所
高齢化・所得
→
Hausman検定
FE/RE
モデル選択
→
パネル固定
効果分析
政策含意

パネル固定効果 Hausman検定 相関分析 SSDSE-B

データと変数の定義

使用データ

項目内容
データソースSSDSE-B（都道府県別社会・人口統計体系）2026年版
対象47都道府県（地域コード R#####）
期間2012〜2023年（12年間）
総観測数47都道府県 × 12年 = 564 観測

変数の定義

変数名定義式役割想定効果
TFR 合計特殊出生率（原値） 目的変数 —
婚姻率 婚姻件数 ÷ 総人口 × 1000 [‰] 説明変数 正（婚外子が少ない日本では婚姻がTFRを規定）
保育所密度 保育所等数 ÷ 総人口 × 1000 [千人当たり] 説明変数 正（子育て支援が出生率を押し上げ）
高齢化率 65歳以上人口 ÷ 総人口 × 100 [%] 説明変数 —（コントロール変数）
消費支出_log log(消費支出・二人以上世帯) [所得代理] 説明変数 負（所得↑ → 機会費用↑ → 出生率↓）
日本における婚外子の少なさと婚姻率の重要性 日本では婚外子の割合は約2〜3%と先進国最低水準にある（欧米は30〜60%）。このため、婚姻件数（婚姻率）がTFRの主要な決定要因となる。婚姻率がTFRの代理変数として機能するのは日本特有の文化的背景による。

変数の記述統計（2012〜2023年, N=564）

変数平均標準偏差最小最大
TFR1.4500.1530.9901.960
婚姻率（‰）4.2830.6672.5196.748
保育所密度（千人当たり）0.2430.0730.1020.451
高齢化率（%）29.243.4817.7239.06
消費支出_log12.5650.08412.25812.780

DS LEARNING POINT 1

パネルデータとは何か

パネルデータ（縦断データ）は同一の観測単位（ここでは都道府県）を複数時点にわたって追跡したデータ。クロスセクション（ある時点の47都道府県）と時系列（ある都道府県の12年推移）の両方の情報を含む。

パネルデータの利点は「観測不能な個体固有の不均一性」（例：文化・気候・産業構造）をコントロールできること。OLSではこれらが交絡して推定が偏るが、固定効果モデルで除去できる。

import pandas as pd # パネルデータの構造 df_panel = df_b.set_index(['都道府県', '年度']) # → MultiIndex: (都道府県, 年度) が一意のインデックス # 例: ('東京都', 2012), ('東京都', 2013), ... ('沖縄県', 2023) print(df_panel.index.levshape) # (47, 12) → 47都道府県 × 12年 print(f"バランスパネル: {len(df_panel) == 47*12}")
2
TFR時系列：地域別推移（2012〜2023年）

47都道府県を6地域に分類し、各地域の平均TFR推移を可視化した。2020年（コロナ禍）以降に全地域で急激な低下が見られる。

地域別TFR推移（2012〜2023年）
図1：地域別 合計特殊出生率の推移（2012〜2023年）。赤点線は人口置換水準（2.07）。黒破線は全国平均。
📌 この時系列グラフの読み方
このグラフは
横軸を時間（年度）、縦軸を指標の値として変化を折れ線で描いたグラフ。
読み方
線が右上がりなら増加トレンド、右下がりなら減少トレンド。急な折れ目が変化点（政策導入・コロナなど）を示す可能性がある。
なぜそう解釈できるか
複数の線（都道府県や指標）を重ねると、どの地域・変数が早く動いたか（リード・ラグ関係）が視覚的にわかる。
地域間の特徴
  • 九州・沖縄（橙）: 一貫して最高水準。沖縄県の強い地域文化・家族絆が背景
  • 関東（赤）: 東京効果で一貫して低位。都市集中・高コストが少子化を促進
  • 全地域: 2020年以降に急低下（コロナ禍による結婚・出産の先送り）
  • 人口置換水準（2.07）: 全地域が大きく下回っており、自然人口減少が継続

相関分析：主要変数との関連

変数ペア相関係数解釈
婚姻率 × TFR（2022年）-0.108単純相関は弱い（都市規模効果が混在）
高齢化率 × TFR（全期間）-0.028単純相関はほぼゼロ（固体効果で説明）
保育所密度 × TFR（全期間）+0.505強い正の相関（保育充実 → 出生率↑）
なぜ単純相関と固定効果の結果が異なるのか？ 婚姻率の単純相関はほぼゼロ（r = −0.108）だが、固定効果モデルでは正の強い効果（β = +0.196***）が推定される。これは「観測されない都道府県固有の要因」（都市規模・産業構造・文化）が婚姻率とTFRの両方に影響しているため。固定効果モデルはこれらを除去することで真の効果を識別する。
3
パネル固定効果分析

モデル定式化

TFRit = αi + β₁ 婚姻率it + β₂ 保育所密度it + β₃ 高齢化率it + β₄ 消費支出_logit + εit

i = 1,...,47（都道府県） ／ t = 2012,...,2023（年度）
αi : 都道府県固有効果（時間不変の不均一性を吸収）

線形パネルモデルは linearmodels の PanelOLS を使用。標準誤差は都道府県クラスター標準誤差（clustered by entity）を採用。

婚姻率 vs TFR 散布図（2022年・47都道府県）
図2：婚姻率と合計特殊出生率の関係（2022年・47都道府県）。地域別に色分け。

固定効果モデルの推定結果

変数係数標準誤差t値p値有意性解釈
婚姻率 +0.1958 0.0130 15.03 <0.001 *** 婚姻率1‰上昇 → TFR+0.196
保育所密度 +0.4103 0.0856 4.79 <0.001 *** 保育所密度1単位上昇 → TFR+0.410
高齢化率 +0.0194 0.0034 5.76 <0.001 *** 高齢化が進む地域でTFR上昇（逆説的）
消費支出_log −0.0865 0.0408 −2.12 0.034 ** 所得上昇 → 機会費用増 → TFR低下

*** p<0.01, ** p<0.05 ／ クラスター標準誤差（都道府県クラスター）／ within R² = 0.697

固定効果モデル 係数と95%信頼区間
図3：パネル固定効果モデルの推定係数と95%信頼区間。赤は p<0.01、橙は p<0.05。
📌 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。
主要な発見
  • 婚姻率（β=+0.196***）: 婚姻件数の増加が直接TFRを押し上げる。日本の婚外子の少なさを反映した、日本特有の構造的関係
  • 保育所密度（β=+0.411***）: 保育所の整備がTFRを有意に引き上げる。子育て支援政策の有効性を実証
  • 消費支出_log（β=−0.087**）: 所得上昇により子育ての機会費用が増大し、出生率が低下（Becker型モデルと整合）
  • 高齢化率（β=+0.019***）: 固定効果除去後は正に転じる（農村部の高齢化と高出生率の共存）
within R² = 0.697 の意味 固定効果モデルの within R²（都道府県内の時間変動で説明される割合）は約0.70。各都道府県の時系列変動のうち、4つの説明変数が70%を説明していることを示す。固定効果モデルは都道府県間の水準差（between variation）は推定に使わず、各都道府県内の時間変動のみを使って係数を識別する。

DS LEARNING POINT 2

固定効果モデルの推定原理

固定効果推定（within 推定）は、各変数から個体（都道府県）の時間平均を引く「平均除去変換」によって実装される。これにより時間不変の固有効果 αᵢ が差し引かれ、時間変動（within variation）のみで係数を識別する。

from linearmodels.panel import PanelOLS # マルチインデックス設定（必須） df_panel = df_b.set_index(['都道府県', '年度']) # 固定効果モデル（EntityEffects = 都道府県固定効果） fe_res = PanelOLS.from_formula( 'TFR ~ 婚姻率 + 保育所密度 + 高齢化率 + 消費支出_log + EntityEffects', data=df_panel ).fit(cov_type='clustered', cluster_entity=True) # cov_type='clustered': 都道府県内の自己相関・分散不均一を考慮 print(f"within R²: {fe_res.rsquared_within:.4f}") print(fe_res.summary)
4
Hausman検定：FE vs RE モデル選択

パネル分析では「固定効果（FE）モデル」と「変量効果（RE）モデル」のどちらが適切かを統計的に判断する必要がある。Hausman検定はこの選択のための標準的な手法。

検定の論理

固定効果（FE）モデル変量効果（RE）モデル
個体効果 αᵢ の扱い推定すべきパラメータとして扱うランダムな誤差項として扱う
仮定αᵢ と説明変数が相関してもよいαᵢ と説明変数が無相関
推定量の一致性常に一致推定量αᵢ と説明変数が独立なら一致
推定の効率性RE より非効率仮定が成立すれば効率的
時間不変変数推定不可推定可能
H₀: 変量効果モデルが一致推定量（αᵢ と説明変数は独立）
H₁: 固定効果モデルが必要（αᵢ と説明変数が相関）

Hausman 統計量 = (β̂_FE − β̂_RE)' [Var(β̂_FE) − Var(β̂_RE)]⁻¹ (β̂_FE − β̂_RE) ～ χ²(k)
Hausman検定：FE vs RE 係数比較
図4：FE モデルと RE モデルの推定係数比較（左）と Hausman 検定結果（右）。
📌 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。

本研究の Hausman 検定結果

検定統計量 χ²自由度p値判定
4.675 4 0.322 H₀ 棄却できず → RE モデルを採択

注: 分散行列の数値安定性の問題からピンチ逆行列（Moore-Penrose擬似逆行列）を使用

解釈：RE モデルを採択した含意 p値 = 0.322 (> 0.05) により帰無仮説を棄却できず、変量効果モデルが統計的に支持される。ただし、パネル固定効果モデル（FE）は「内生性に対してより頑健な推定量」であり、政策分析においては保守的にFEモデルの係数を参照することが多い。本研究ではFEモデルの推定係数を主要結果として報告する。

DS LEARNING POINT 3

Hausman検定の実装と数値的注意点

Hausman 検定の分散差行列 [Var(FE) − Var(RE)] は理論上は正半定値だが、有限標本では数値誤差により固有値が負になることがある。このときは擬似逆行列（pinv）を使う。

from linearmodels.panel import PanelOLS, RandomEffects import numpy as np from scipy import stats # FE・RE それぞれ推定 fe_res = PanelOLS.from_formula( 'TFR ~ 婚姻率 + 保育所密度 + 高齢化率 + 消費支出_log + EntityEffects', data=df_panel).fit(cov_type='clustered', cluster_entity=True) re_res = RandomEffects.from_formula( 'TFR ~ 婚姻率 + 保育所密度 + 高齢化率 + 消費支出_log', data=df_panel).fit() # 共通変数で係数差を計算 common = fe_res.params.index.intersection(re_res.params.index) b_diff = fe_res.params[common] - re_res.params[common] var_diff = fe_res.cov.loc[common, common] - re_res.cov.loc[common, common] # 数値安定性チェック eigenvalues = np.linalg.eigvalsh(var_diff.values) if np.any(eigenvalues < -1e-10): # 擬似逆行列を使用 hausman_stat = float(b_diff @ np.linalg.pinv(var_diff.values) @ b_diff) else: hausman_stat = float(b_diff @ np.linalg.inv(var_diff.values) @ b_diff) p_value = 1 - stats.chi2.cdf(hausman_stat, df=len(common)) print(f"χ²={hausman_stat:.4f}, p={p_value:.4f}") print("→ FE採択" if p_value < 0.05 else "→ RE採択")

政策提言

パネル固定効果分析の結果から、以下の政策的含意が導かれる。

保育所の量的拡充（最大効果）

保育所密度の係数は +0.411（最大）。保育所整備はTFRを直接押し上げる最も効果的な介入。待機児童問題の解消と地方部への保育所設置が優先課題。

婚姻促進支援の強化

婚姻率の係数は +0.196***。結婚を希望する若者への経済的支援（新婚補助・住居支援）や出会いの機会創出が出生率向上に直結する。

若年層の所得・育児費用の低減

消費支出（所得代理）の係数は −0.087**。所得が高い地域ほどTFRが低い傾向（機会費用仮説）。育児の直接費用・機会費用の低減が必要。

地域間格差への対応

TFRには大きな地域間格差がある（沖縄1.70 vs 東京1.04）。固定効果の分析により各地域固有の構造要因を考慮した、きめ細かい地域別施策が重要。

少子化対策の費用対効果の含意 係数の大きさを比較すると、保育所密度（+0.411）の効果は婚姻率（+0.196）の約2倍。政策投資の観点から、保育所整備への重点的な財政支援が最も効率的な少子化対策といえる。ただし、婚姻促進は保育所整備の前提条件（婚外子が少ない日本では婚姻がTFRの「入口」）であり、両者の組み合わせが重要である。

まとめ

本研究では SSDSE-B のパネルデータ（47都道府県 × 2012〜2023年、N=564）を用い、合計特殊出生率の決定要因をパネル固定効果分析によって特定した。

主要な発見

#発見係数含意
1 婚姻率が TFR を有意に押し上げる +0.196*** 日本の婚外子の少なさを反映した構造的関係
2 保育所密度が TFR を最も強く押し上げる +0.411*** 子育て支援インフラの拡充が最大の政策効果
3 消費支出（所得代理）が TFR を低下させる −0.087** 機会費用仮説と整合。育児費用低減が必要
4 固定効果モデルの当てはまりは良好 R²_within = 0.697 時系列変動の70%をモデルが説明
5 Hausman 検定では RE モデルを採択 p = 0.322 FE 係数は内生性に対してより頑健な参照値
限界と今後の課題
  • 都道府県データのため自治体レベルの政策差異を捉えきれない（SSDSE-A との組み合わせが有効）
  • 婚姻率・消費支出の内生性（TFR が婚姻率に逆影響）：操作変数法（IV）の適用余地あり
  • COVID-19（2020〜）の特殊要因：時間固定効果（two-way FE）での対応が望ましい
  • 婚外子・移民政策など日本特有の条件が国際比較を困難にしている点

DS LEARNING POINT 4

パネル分析の統計的限界と内生性対策

固定効果モデルは「時間不変の交絡要因」を除去するが、「時間変動する交絡要因」（例：地方選挙のタイミング・経済ショック）には対応できない。さらに婚姻率・保育所密度は TFR の影響を受ける可能性（逆因果）があり、これを無視すると係数が偏る（内生性バイアス）。

内生性への対処法として、操作変数法（IV）の使用が考えられる。例えば「婚姻年齢の法律改正ダミー」や「隣接都道府県の保育所数」などを操作変数として使うことができる。

from linearmodels.panel import PanelOLS # Two-way fixed effects（時間固定効果も追加） fe_2way = PanelOLS.from_formula( 'TFR ~ 婚姻率 + 保育所密度 + 高齢化率 + 消費支出_log' ' + EntityEffects + TimeEffects', data=df_panel ).fit(cov_type='clustered', cluster_entity=True) # TimeEffects を追加することで： # - 年次ショック（コロナ禍・政策変更）を除去 # - より厳格な識別戦略となる print(f"within R² (2-way): {fe_2way.rsquared_within:.4f}")
Pythonコードをダウンロード

データ: SSDSE-B-2026（総務省統計局）/ 分析: linearmodels PanelOLS + statsmodels / 図: matplotlib
※本ページは教育目的のハンズオン教材です。

⚠️ 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。
⚖️ Hausman検定
何？
パネルデータ分析で「固定効果（FE）」と「変量効果（RE）」のどちらを使うべきかを統計的に判断する検定。
どう使う？
両モデルの係数が大きく異なれば RE に不整合あり → FE を採用。
何がわかる？
パネル分析のモデル選択を客観的な基準で決定できる。
結果の読み方
p < 0.05 → 固定効果モデルを採用。p ≥ 0.05 → 変量効果モデルも選択肢。
⚠️ 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。
🌿 Ward法クラスタリング
何？
データをグループ（クラスター）に自動分類する手法。グループ内のばらつきが最小になるよう統合していく。
どう使う？
統合後の「ばらつき増加」が最小になるペアを繰り返し合体させ、デンドログラム（樹形図）で可視化する。
何がわかる？
都道府県を「都市型」「農村型」などのグループに自動分類し、グループ間の特徴比較ができる。
結果の読み方
デンドログラムの切り位置でクラスター数を決める。各クラスターの変数平均を見てグループを命名・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。
📅 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
コロナ禍の地域経済：第一波による雇用・消費への影響分析
次の論文 →
地域産業構造と経済成長：主成分分析とクラスタリングによる類型化