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 ｜ 統計数理賞 [大学生・一般の部]

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

⏱️ 推定読了時間: 約42分
使用データ: SSDSE-B-2026（47都道府県・2022年度）
主成分分析（PCA） Ward法クラスタリング 重回帰分析（OLS） LQ類似指標
📝 3行で分かる要約

目次

  1. 研究の背景と目的
  2. データと産業構造変数（LQ類似指標）
  3. 主成分分析（PCA）
  4. 主成分負荷量ヒートマップ
  5. Ward法クラスタリング
  6. クラスター別産業特性の分析
  7. まとめと政策提言
  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_U3_suri.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_U3_suri.py
図は html/figures/ に自動保存されます。
背
研究の背景と目的

日本の47都道府県は、農業・林業中心の農村型地域から、製造業集積地、観光業・サービス業主体の地域、高度な知識・医療集積地まで、多様な産業構造を持つ。この産業構造の差異は長期的な経済成長とどのような関係があるのか。

まず「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」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。

本研究では、産業特化度（LQ類似指標）によって各都道府県の産業構造を数値化し、主成分分析（PCA）で多次元データを圧縮した後、Ward法クラスタリングで都道府県を4つの産業類型に分類する。さらに、主成分スコアと経済成長の代理指標（消費支出水準）の関係を重回帰分析で定量化する。

研究の問い 日本の都道府県は「産業構造」の観点からどのように類型化できるか。また、どの産業特化パターンが経済的豊かさと関連するか。
分析の流れ
SSDSE-B
47都道府県
2022年度
→
LQ類似指標
6変数構築
→
標準化
（Z-score）
→
PCA
次元圧縮
→
Ward法
k=4類型化
→
重回帰
分析

SSDSE-B（都道府県） LQ産業特化指標 Ward法クラスタリング 重回帰分析

データと産業構造変数（LQ類似指標）

使用データ

SSDSE（社会・人口統計体系データセット）-B の2022年度データを使用する。SSDSE-Bは都道府県レベルのデータを収録し、人口・教育・医療・住宅・消費などの分野にまたがる100以上の変数を含む。本分析では47都道府県 × 6産業構造指標の行列を構築する。

LQ類似指標の構築

産業立地係数（Location Quotient, LQ）は「ある地域の産業特化度を全国平均との比で表す指標」であり、LQ > 1.0 なら全国平均より特化度が高い。本研究では以下の6指標を SSDSE-B の実測値から計算し、全国平均（47都道府県の平均）= 1.0に正規化する。

LQ類似指標 = 地域の指標値 ÷ 47都道府県の平均値

LQ > 1.0：全国平均より特化度が高い
LQ < 1.0：全国平均より特化度が低い
指標名計算式産業の類型変動係数（CV）
農村型高齢化指数 65歳以上人口 ÷ 総人口 第一次産業（農林漁業）地域の代理 0.104
建設・製造活発度 着工建築物数 ÷ 総人口 第二次産業（製造業・建設業） 0.189
サービス消費水準 消費支出（二人以上世帯） 第三次産業（サービス・小売） 0.066
医療特化度 （一般病院数＋診療所数）÷ 総人口 保健・医療・福祉産業 0.143
教育・知識集積度 教育費（二人以上世帯） 知識産業・高等教育集積 0.407
観光特化度 旅館営業施設数 ÷ 総人口 観光・宿泊産業 0.667
変動係数（CV）の意味 CV = 標準偏差 ÷ 平均。都道府県間での散らばりの大きさを示す。観光特化度（CV=0.667）は最も都道府県差が大きく、農村型高齢化指数（CV=0.104）は相対的に均等。このバラつきの大きさがPCAでの分離能力に影響する。

DS LEARNING POINT 1

LQ（産業立地係数）とは何か

LQは地域経済学の基本指標。ある地域の産業 i の特化度を全国・全体との比で表す。SSDSE-B のような単一の指標列がない場合、代理変数（proxy）でLQ類似指標を構築できる。

import pandas as pd # LQ類似指標の計算（SSDSE-B使用） df['旅館密度_raw'] = df['旅館営業施設数（ホテルを含む）'] / df['総人口'] # 全国平均=1.0に正規化 national_mean = df['旅館密度_raw'].mean() df['観光LQ'] = df['旅館密度_raw'] / national_mean # 解釈 # LQ > 1.0 → 全国平均より観光業が特化 # LQ = 1.0 → 全国平均と同等 # LQ < 1.0 → 全国平均より観光業が少ない print(df[['都道府県', '観光LQ']].sort_values('観光LQ', ascending=False).head(10))
1
主成分分析（PCA）

6変数のLQ類似指標行列（47×6）を StandardScaler で標準化した後、主成分分析を適用する。PCAは多次元データを情報量（分散）を最大保持する方向に射影し、相関の高い変数群を少数の「主成分」に圧縮する手法である。

38.6%
PC1 寄与率
（都市型 vs 農村型）
24.7%
PC2 寄与率
（製造・建設 vs 医療）
16.8%
PC3 寄与率
（観光・農村 特化軸）
80.1%
PC1〜PC3
累積寄与率
PCAバイプロット
図1: PCAバイプロット（PC1 × PC2）。点は47都道府県（地方別色分け）、矢印は産業構造変数の負荷ベクトル。右方向ほど「教育・知識集積・サービス消費」が高い都市型、左方向ほど「農村型高齢化」が高い農村型。
📌 この主成分散布図の読み方
このグラフは
主成分分析で抽出した第1・第2主成分を軸に、各サンプルを点で描いたグラフ。
読み方
点の位置が近いサンプルほど元の変数プロフィールが似ている。軸の端に位置するサンプルが強い特徴を持つ。
なぜそう解釈できるか
矢印（バイプロット）が付いている場合、矢印の向きが「その変数が影響する方向」。矢印が長いほど主成分への寄与が大きい。

第1主成分（PC1）の解釈：都市型 vs 農村型

PC1は教育・知識集積度（+0.576）・サービス消費水準（+0.524）に正の高負荷を持ち、農村型高齢化指数（−0.478）に負の負荷を持つ。PC1スコアが高い都道府県（東京都・神奈川県・大阪府など）は都市型・高消費型で、PC1スコアが低い都道府県（秋田県・山形県・島根県など）は農村型・高齢化型である。

第2主成分（PC2）の解釈：製造業活発 vs 医療特化

PC2は建設・製造活発度（+0.693）に強い正の負荷を持ち、医療特化度（−0.563）に負の負荷を持つ。製造業が盛んな愛知県・静岡県・滋賀県などがPC2で高スコアを示す一方、医療・福祉産業が特化した地域は低スコア傾向を示す。

バイプロットの読み方
  • 都道府県の点が近い: 産業構造が類似している
  • 矢印の方向: その変数が主に寄与する方向（正負）
  • 矢印が長い: その変数がPC1・PC2の説明に大きく寄与
  • 矢印が平行: 2つの変数が相関している

DS LEARNING POINT 2

PCAの数学：固有値分解と寄与率

PCAは標準化済みデータ行列 X（n×p）の共分散行列 C = XᵀX /(n−1) を固有値分解することで主成分を求める。固有値 λₖ が大きいほど、その主成分が元データの分散を多く説明する。

from sklearn.preprocessing import StandardScaler from sklearn.decomposition import PCA # 標準化（平均0・分散1） scaler = StandardScaler() X_scaled = scaler.fit_transform(X_raw) # shape: (47, 6) # PCA実行 pca = PCA(n_components=3) X_pca = pca.fit_transform(X_scaled) # shape: (47, 3) # 寄与率と累積寄与率 ratio = pca.explained_variance_ratio_ print(f"PC1寄与率: {ratio[0]*100:.1f}%") print(f"PC2寄与率: {ratio[1]*100:.1f}%") print(f"累積寄与率（PC1〜PC3）: {sum(ratio[:3])*100:.1f}%") # 主成分負荷量（固有ベクトル） loadings = pca.components_ # shape: (3, 6) # loadings[0] = PC1の各変数への重み（負荷量）

主成分負荷量ヒートマップ

主成分負荷量（loadings）は各変数が各主成分に対してどの程度寄与しているかを示す係数である。赤色（正）が強いほどその主成分が高い方向へ引っ張り、青色（負）が強いほど低い方向へ引っ張る。

主成分負荷量ヒートマップ
図2: 主成分負荷量ヒートマップ（PC1〜PC3）。各セルの数値は負荷量（−1〜+1）。赤が正・青が負の強い関連を示す。
📌 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。
変数PC1（38.6%）PC2（24.7%）PC3（16.8%）解釈
農村型高齢化指数 −0.478+0.055−0.550 農村型 vs 都市型の主軸
建設・製造活発度 −0.055+0.693−0.421 製造業集積地（PC2の主軸）
サービス消費水準 +0.524+0.146−0.368 都市型消費経済
医療特化度 −0.282−0.563−0.254 医療・福祉特化（製造業と逆方向）
教育・知識集積度 +0.576−0.093−0.005 都市・大都市圏（PC1最大寄与）
観光特化度 −0.287+0.412+0.566 観光地型（PC3の主軸）
負荷量の解釈ルール
  • |負荷量| ≥ 0.5 → その主成分への強い寄与
  • |負荷量| 0.3〜0.5 → 中程度の寄与
  • |負荷量| < 0.3 → 弱い寄与（その主成分との関連は限定的）
2
Ward法クラスタリング

主成分スコアではなく、標準化済みの元の6変数を用いてWard法による階層的クラスタリングを実行する。Ward法は合併時のクラスター内分散の増分を最小化するように結合するため、コンパクトで均等なクラスターを形成しやすい。

Ward法の合併基準（最小化）:

ΔD(A,B) = (nₐnᵦ)/(nₐ+nᵦ) × ||μₐ − μᵦ||²

合併後のクラスター内変動の増加量が最小になるペアを選ぶ
Ward法デンドログラム
図3: Ward法デンドログラム（47都道府県）。赤破線がk=4のカット水準。4つの色がそれぞれのクラスターに対応する。横軸に都道府県、縦軸に合併距離（Ward距離）を示す。
📌 このデンドログラム（樹形図）の読み方
このグラフは
階層的クラスタリングの過程を樹木状に示した図。どのサンプルが先に統合されたかがわかる。
読み方
縦軸（高さ）は統合時の距離（非類似度）を示す。低い位置で結合したサンプルほど似ている。水平線を引いた高さでクラスター数が決まる。
なぜそう解釈できるか
水平線の高さを「大きなジャンプ」の直前に設定することでクラスター数を決める。切り取った後の各グループを変数平均で特徴づけする。

クラスター数の決定（k=4）

デンドログラムの「枝の長さの大きな段差（gap）」がある水準でカットすることで、自然なクラスター数が決まる。k=4では、各クラスターが地理的・産業的に解釈可能な意味を持つ。

Ward法デンドログラムの読み方
  • 縦軸が大きい段差: そこでカットすると自然な分割になる
  • 左右の葉（都道府県）: 近くにある都道府県ほど産業構造が類似
  • k=4のカット線: 赤破線より上の接合は4グループに分離

DS LEARNING POINT 3

Ward法クラスタリングの実装

scipy の linkage 関数は method='ward' を指定することでWard法を実行できる。fcluster で任意のクラスター数 k に切り出す。デンドログラムの可視化は dendrogram 関数が担う。

from scipy.cluster.hierarchy import linkage, dendrogram, fcluster import numpy as np # Ward法でリンケージ行列を計算 Z = linkage(X_scaled, method='ward') # k=4クラスターに分割 k = 4 labels = fcluster(Z, k, criterion='maxclust') # カット高さの自動計算 heights = Z[:, 2] # Z の3列目が合併距離 sorted_h = np.sort(heights) # k番目と(k-1)番目の合併距離の中間 cut_height = (sorted_h[-k] + sorted_h[-k+1]) / 2.0 # デンドログラム描画 import matplotlib.pyplot as plt fig, ax = plt.subplots(figsize=(14, 6)) dn = dendrogram(Z, labels=pref_names, ax=ax, leaf_rotation=90, leaf_font_size=8, color_threshold=cut_height) ax.axhline(y=cut_height, color='red', ls='--', lw=1.8) ax.set_title(f'Ward法デンドログラム（k={k}）')
3
クラスター別産業特性の分析

Ward法 k=4 クラスタリングの結果、以下の4つの産業類型が得られた。各クラスターの「顔」となる変数（LQが最も高い指標）を産業類型名として解釈する。

クラスター 1（9府県）: 医療特化型

主な府県: 京都府・大阪府・兵庫県・広島県・福岡県・長崎県 など

特徴: 医療・福祉施設の集積が全国平均を上回る。都市部に位置しながら大学病院・医療産業が強みで、高齢化に伴う医療需要が産業特化を促進。

クラスター 2（20府県）: 観光・農村型

主な府県: 北海道・青森・岩手・秋田・山形・新潟・沖縄 など

特徴: 旅館・観光施設密度が高く、農村型地域が多い。第一次産業が相対的に強く、製造業・知識産業の集積は低め。自然資源を活かした観光業が地域経済の柱。

クラスター 3（4府県）: 教育・知識集積型

主な府県: 埼玉県・東京都・神奈川県・滋賀県

特徴: 教育費・知識産業集積度が際立って高い大都市圏。大学・高等教育機関の集積と高所得層の教育投資が特徴。サービス消費水準も最高水準。

クラスター 4（14府県）: 製造・建設活発型

主な府県: 宮城・茨城・栃木・群馬・千葉・愛知・静岡・岡山 など

特徴: 着工建築物密度・製造業関連指標が高い。工業団地・製造業クラスターを抱える県が多く、安定した雇用と建設投資が経済基盤。

クラスター別レーダーチャート
図4: クラスター別産業特性レーダーチャート。グレー破線は全国平均（LQ=1.0）。各クラスターが異なる産業軸で特化していることが視覚的に確認できる。

クラスター別記述統計（LQ値・全国平均=1.0）

指標 クラスター1
医療特化型		 クラスター2
観光・農村型		 クラスター3
教育・知識型		 クラスター4
製造・建設型
農村型高齢化指数1.051.090.800.96
建設・製造活発度0.950.860.991.24
サービス消費水準1.020.961.091.01
医療特化度1.110.950.980.99
教育・知識集積度1.200.662.080.94
観光特化度0.741.380.260.81
産業構造と経済的豊かさ 重回帰分析（PC1・PC2 → 消費支出水準）の結果、R² = 0.667（調整済みR² = 0.652）が得られた。F検定 p値 = 3.1×10⁻¹¹（高度に有意）。PC1スコア（都市型・知識集積軸）が消費支出水準と特に強い正の関係を示す（係数 = 9,947、p < 0.001）。つまり「教育・知識集積度が高い都市型地域ほど消費支出水準が高い」という産業構造と経済成長の関連が統計的に支持される。

DS LEARNING POINT 4

レーダーチャートの実装（matplotlib）

レーダーチャートはカテゴリ別の多変量プロファイルを直感的に比較するのに適している。matplotlibでは極座標系（polar projection）を使って実装する。

import matplotlib.pyplot as plt import numpy as np # 変数名と角度 feat_names = ['農村型高齢化', '建設・製造', 'サービス消費', '医療特化', '教育・知識', '観光特化'] N = len(feat_names) angles = np.linspace(0, 2*np.pi, N, endpoint=False).tolist() angles += angles[:1] # 閉じるために最初の角度を末尾に追加 fig, ax = plt.subplots(subplot_kw=dict(projection='polar'), figsize=(6, 6)) for cluster_id, vals in cluster_means.items(): v = vals.tolist() + [vals[0]] # 閉じる ax.plot(angles, v, lw=2) ax.fill(angles, v, alpha=0.2) # 全国平均線（LQ=1.0） ax.plot(angles, [1.0]*(N+1), color='gray', ls='--', lw=1) ax.set_xticks(angles[:-1]) ax.set_xticklabels(feat_names, fontsize=9) ax.set_ylim(0, 2.5) ax.set_title('クラスター別産業特性（全国平均=1.0）')

まとめと政策提言

主要な発見

47都道府県の産業構造を6つのLQ類似指標で捉え、PCA・Ward法クラスタリングによる分析の結果、以下の知見が得られた。

  1. PCA：都市型 vs 農村型が最大の分散軸
    第1主成分（寄与率38.6%）は「教育・知識集積度・サービス消費水準（正）」vs「農村型高齢化（負）」の軸であり、都市型・農村型の対比が日本の地域産業構造を最もよく説明する。
  2. 4クラスターの解釈可能な類型化
    Ward法 k=4 により、（1）医療特化型（9府県）、（2）観光・農村型（20府県）、（3）教育・知識集積型（4府県）、（4）製造・建設活発型（14府県）の4類型が識別された。これらは地理的分布とも整合的である。
  3. 教育・知識集積と経済的豊かさの正の関係
    重回帰分析（R²=0.667）により、PC1スコア（都市型・知識集積軸）が消費支出水準と強く正の関係を持つことが確認された。知識産業集積は「経済成長の推進力」として機能する。
  4. 製造業集積地の中間的位置
    クラスター4の製造・建設型府県群は、PC1（都市vs農村）では中間に位置しつつも、PC2（製造業軸）では明確に高い。安定した雇用基盤を持ちながら、知識集積度では大都市圏に及ばない。

政策提言

地域類型に基づく産業政策の差別化
  • 観光・農村型（クラスター2）： 観光業の高付加価値化（体験型観光・インバウンド）と、農産品のブランド化による第一次産業収益向上が有効。
  • 製造・建設型（クラスター4）： 既存の製造業集積を活かしたデジタル化・DX推進（スマート工場）で付加価値を向上させ、知識産業への転換を促す。
  • 医療特化型（クラスター1）： 医療・介護の効率化とデジタルヘルス産業育成で、高齢化社会の課題を成長機会に転換する。
  • 教育・知識集積型（クラスター3）： 大学・研究機関との産業連携（産学連携）を強化し、スタートアップエコシステムを育成。知識のスピルオーバーを地域全体へ波及させる施策が有効。
分析の限界と今後の課題
  • SSDSE-Bには直接的な産業従業者数データが含まれないため、本研究ではLQ類似指標（代理変数）を使用した。就業構造基本調査・経済センサスを組み合わせることでより精緻な分析が可能。
  • 本研究は横断面分析（2022年単年度）であり、経済成長の因果関係の特定には、パネルデータ分析・操作変数法など縦断的アプローチが必要。
  • k=4のクラスター数はデンドログラムの目視判断に基づくが、シルエット係数・Calinski-Harabasz指標（クラスターの分離度を数値化する内部評価基準）などで客観的に決定することが望ましい。
教育的価値（この分析から学べること）
  • 主成分分析（PCA）＋クラスタリングのコンボ：たくさんの変数を少数の軸に圧縮（PCA）してから、似た地域をまとめる（Ward法）流れは、地域分析の王道テクニック。
  • LQ（特化係数）：「ある地域に特定の産業がどれくらい集中しているか」を全国比で表す指標。地域経済学で必須の道具で、政策議論に直結する。
  • 類型化の価値：「東京と高知を同じ基準で比較する」のではなく、「似たもの同士」をグループ化して、各タイプに合った政策を考える、というアプローチを学べる。

データ・コードのダウンロード

分析スクリプト（2020_U3_suri.py）
データ出典
SSDSE-B（都道府県別データ） 統計数理研究所 SSDSE（社会・人口統計体系）
https://www.ism.ac.jp/ssdse/
産業立地係数（LQ）の概念 Isard, W. (1960). Methods of Regional Analysis. MIT Press.
地域経済学における基本指標
Ward法クラスタリング Ward, J. H. (1963). Hierarchical grouping to optimize an objective function. Journal of the American Statistical Association, 58, 236–244.

本教育用コードはSSDSE-B-2026.csvの実データのみを使用（合成データなし）。47都道府県・2022年度断面データ。

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 統計数理賞 [大学生・一般の部]
使用データ: SSDSE-B-2026（統計数理研究所）

⚠️ 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。
🏛️ 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。
🌿 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。
🎯 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。
📍 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
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
次の論文 →
都道府県別政治参加の決定要因分析