論文一覧に戻る 統計データ分析コンペ 教育用再現集
★ 審査員奨励賞（大学生・一般の部） ★

地域間経済格差の構造分析
ジニ係数と格差決定要因

⏱️ 推定読了時間: 約35分
令和2年度（2020年度）統計データ分析コンペティション
手法：格差指標（ジニ係数・変動係数） | 重回帰分析（OLS） | 時系列分析
📝 3行で分かる要約

目次

  1. 研究の背景：格差問題と統計的分析の意義
  2. データと格差指標の説明
  3. 格差の時系列推移（2012〜2023年）
  4. ローレンツ曲線とジニ係数
  5. 格差の決定要因分析（OLS回帰）
  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_U5_2_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_U5_2_shorei.py
図は html/figures/ に自動保存されます。
概
研究の背景：格差問題と統計的分析の意義

日本では「格差社会」という言葉が注目を集めてから久しい。しかし「格差」とは何か、どのように測り、何が原因なのかを定量的に示す分析はまだ十分ではない。本研究は、都道府県別の消費支出データを用いて 地域間経済格差の実態を格差指標で可視化し、その決定要因を重回帰分析によって解明することを目的とする。

まず「地域間経済格差の構造分析ジニ係数と格差決定要因」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。

なぜ「消費支出」で格差を測るのか 所得格差は個人の申告ベースのデータが中心で都道府県別の系統的なデータを得にくい。一方、家計調査に基づく 消費支出（二人以上の世帯）は都道府県別・年度別に整備されており、地域の生活水準を反映する代理指標として適している。消費はフリードマンの恒常所得仮説の観点からも、長期的な所得水準を反映する。
分析の流れ
SSDSE-B
47都道府県
2012〜2023年
→
格差指標の
計算
（年度別）
→
時系列
トレンド
分析
→
OLS回帰
（2022年
断面）

ジニ係数 変動係数 重回帰分析 時系列分析 ローレンツ曲線

データと格差指標の説明

使用データ：SSDSE-B（都道府県データ）

本分析では SSDSE-B-2026（社会・人口統計体系データセット、都道府県編）を使用した。地域コードが R で始まる47都道府県の行を抽出し、2012〜2023年の12年間のパネルデータとして利用する。

項目内容
データソースSSDSE-B-2026（総務省統計局）
分析単位47都道府県
分析期間2012〜2023年（12年間）
主要変数消費支出（二人以上の世帯、月額）
補助変数高齢化率・有効求人倍率・大学生割合・延べ宿泊者数・合計特殊出生率

格差指標の定義

格差を多面的に捉えるため、以下の3指標を算出した。

指標定義特徴2022年値
ジニ係数 0（完全平等）〜1（完全不平等） 分布全体の格差を反映。国際比較でも広く使われる 0.0371
変動係数（CV） 標準偏差 ÷ 平均（無次元） 水準に依存しない相対的ばらつき 0.0662
90/10比 第90分位 ÷ 第10分位 上位と下位の格差を直感的に示す 1.175
2022年の分布の概要
  • 全国平均消費支出：289,630円/月
  • 最大：埼玉県（324,793円）
  • 最小：愛媛県（245,054円）
  • 最大と最小の差：約79,739円（最小比 +33%）
1
格差の時系列推移（2012〜2023年）

年度ごとに47都道府県の消費支出からジニ係数と変動係数を算出し、格差の推移を追った。

ジニ係数・変動係数の時系列推移
図1：都道府県間 消費支出格差の時系列推移（2012〜2023年）。青線（左軸）がジニ係数、赤破線（右軸）が変動係数。
📌 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。

時系列の主な特徴

期間ジニ係数変動係数解釈
2012年0.04220.0746基準年
2014〜2019年0.047〜0.0490.084〜0.090格差が拡大傾向
2020〜2022年0.037〜0.0460.066〜0.083COVID-19影響で縮小
2023年0.04440.0807回復・再拡大
COVID-19の影響（2020〜2022年） 2020〜2022年にかけて格差指標が低下している。これはCOVID-19による外出自粛・行動制限が都市部の高消費世帯に特に大きな影響を与えたためと考えられる。観光・外食・交通といった都市型消費が縮小し、消費の地域間差が一時的に圧縮された可能性がある。

DS LEARNING POINT 1

格差指標の時系列比較：ジニ係数 vs 変動係数

ジニ係数と変動係数は同じ「格差」を異なる方法で測る。両者の推移は概ね一致するが、感度が異なる。変動係数は平均と標準偏差の比であり、外れ値の影響を受けやすい。ジニ係数はすべての対の差を集計するため、中位の変化にも敏感。複数の指標を比較することで格差の多面的な実態が見える。

def gini(arr): arr = np.sort(arr[~np.isnan(arr)]) n = len(arr) idx = np.arange(1, n+1) return (2*np.sum(idx*arr) - (n+1)*np.sum(arr)) / (n*np.sum(arr)) # 変動係数（CV）= SD / Mean cv = arr.std() / arr.mean() # 90/10比 q9010 = np.percentile(arr, 90) / np.percentile(arr, 10)
2
ローレンツ曲線とジニ係数

ローレンツ曲線は格差の構造をグラフで視覚的に示す強力なツールである。横軸に累積人口割合、縦軸に累積消費支出割合をとり、完全平等線（45度線）からの乖離が格差の大きさを示す。

ローレンツ曲線（2022年）
図2：2022年 都道府県別消費支出のローレンツ曲線。完全平等線（破線）との間の青い領域の面積がジニ係数に対応する。
📌 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。
0.0371
ジニ係数（2022年）
1.175倍
90/10比（上位10% vs 下位10%）
33%
最大県 / 最小県の差（対最小比）
ジニ係数の解釈 2022年の都道府県間消費支出のジニ係数は 0.037 と、国全体の所得ジニ係数（0.30前後）に比べると非常に小さい。これは都道府県レベルの集計値であるため、都道府県内の世帯間格差が平均化されているためである。しかし時系列で見ると 2014〜2019年にかけて 0.048 程度まで上昇しており、地域間格差の拡大傾向が観察される。

DS LEARNING POINT 2

ローレンツ曲線とジニ係数の数学的関係

ジニ係数はローレンツ曲線と完全平等線に挟まれた面積の2倍として定義される。Pythonでの実装では、ソートした配列の加重和を用いて直接計算できる（台形公式より計算効率が良い）。

def gini(arr): arr = np.sort(arr) # 小さい順にソート n = len(arr) idx = np.arange(1, n+1) # 順位（1〜n） # ジニ係数の公式（Lorenz法） G = (2*np.sum(idx*arr) - (n+1)*np.sum(arr)) / (n*np.sum(arr)) return G # ローレンツ曲線のプロット vals = np.sort(data) cum_pop = np.linspace(0, 1, len(vals)+1) cum_income = np.concatenate([[0], np.cumsum(vals)/np.sum(vals)]) plt.plot(cum_pop, cum_income, '-', label='ローレンツ曲線') plt.plot([0,1],[0,1], 'k--', label='完全平等線') plt.fill_between(cum_pop, cum_pop, cum_income, alpha=0.2) # ジニ面積

都道府県別 消費支出の地域パターン

47都道府県の消費支出を地域ブロック別に色分けしてランキング表示した。地域間の体系的な差異（地域格差の構造）を確認する。

都道府県別消費支出ランキング
図3：都道府県別消費支出ランキング（2022年）。地域ブロック別に色分け。破線は全国平均（289,630円）。
地域別パターンの主な特徴
  • 関東（赤）：埼玉・神奈川など高消費支出圏が多い。東京は中位〜高位で、高コストゆえに可処分所得に圧迫される面もある
  • 中部（橙）：愛知・静岡など製造業が盛んな地域は安定した消費水準
  • 九州・沖縄（黄橙）：全体的に低位に集中し、地域格差の構造が確認できる
  • 中国・四国（紫）：愛媛が最低位。農漁業中心の県で消費水準が低い傾向

DS LEARNING POINT 3

格差指標の使い分け：ジニ係数・CV・90/10比の比較

3つの格差指標はそれぞれ異なる情報を持つ。

指標 強み 弱み
ジニ係数 全体の格差を集約 計算が複雑
変動係数 水準に依存しない 外れ値に敏感
90/10比 直感的でわかりやすい 中間の情報を捨てる

本研究では3指標が同一の時系列トレンドを示したことで、格差の変動が特定の測り方に依存しない「ロバストな事実」であることが確認できた。

3
格差の決定要因分析（OLS回帰）

2022年断面の47都道府県データを用いてOLS重回帰分析を行った。目的変数は消費支出水準、説明変数は地域の社会・経済構造を反映する指標とした。すべての変数を標準化（平均0、分散1）した上で係数を推定することで、変数間の効果の大きさを直接比較できる。

説明変数の選定

変数名内容予想符号理論的根拠
高齢化率（%） 65歳以上人口 / 総人口 − 高齢者は固定収入（年金）が中心で消費水準が低下しやすい
有効求人倍率 有効求人数 / 有効求職者数 + 労働市場の需給が逼迫するほど賃金上昇・消費増加
大学生割合（‰） 大学学生数 / 総人口 × 1000 + 高学歴・高スキル人材の集積は消費の高度化につながる
宿泊者数（千人/千人） 延べ宿泊者数 / 総人口 × 1000 ？ 観光地は季節変動・非正規雇用が多く、消費水準と負の関係の可能性
合計特殊出生率 — − 子育て世帯は貯蓄優先で消費が抑制される場合がある
格差決定要因OLS標準化偏回帰係数
図4：消費支出格差の決定要因（OLS、標準化偏回帰係数）。赤バーは有意（p<0.05）な変数。エラーバーは95%信頼区間。
📌 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。

推定結果

変数標準化係数 βp値有意性解釈
高齢化率（%） −0.360 0.028 * 有意 高齢化が進む地域ほど消費水準が低い
宿泊者数（千人/千人） −0.328 0.023 * 有意 観光特化県で消費水準が低い傾向
有効求人倍率 +0.197 0.181 n.s. 正の方向だが非有意
合計特殊出生率 −0.183 0.245 n.s. 負の方向だが非有意
大学生割合（‰） +0.177 0.292 n.s. 正の方向だが非有意
モデルの適合度（R²=0.337、調整済みR²=0.256） 5変数で消費水準の分散の34%を説明できた。特に高齢化率と宿泊者数依存度が統計的に有意な決定要因として特定された。モデルの F値は4.164（p=0.004）であり、モデル全体は統計的に有意である。

DS LEARNING POINT 4

標準化偏回帰係数による変数間比較

OLS回帰では各説明変数の単位が異なるため、係数の大きさを直接比較できない。すべての変数を標準化（z-score変換）することで、「1標準偏差の変化が目的変数を何標準偏差変化させるか」という無次元の係数（標準化偏回帰係数）が得られ、変数間の効果の相対的な大きさを比較できる。

import statsmodels.api as sm from scipy import stats # 標準化 y_std = (y - y.mean()) / y.std() X_std = (X - X.mean(axis=0)) / X.std(axis=0) # OLS推定 X_sm = sm.add_constant(X_std) model = sm.OLS(y_std, X_sm).fit() # 標準化偏回帰係数（定数項を除く） beta = model.params[1:] pvals = model.pvalues[1:] conf = model.conf_int()[1:] # 95%信頼区間 print(f"R² = {model.rsquared:.3f}") print(f"Adj R² = {model.rsquared_adj:.3f}")

政策提言

分析結果から得られる知見を政策的含意に転換する。地域間格差の縮小には、高齢化・産業構造という構造的要因に対処することが重要である。

高齢化対策（最重要要因）

  • 高齢者の就労・社会参加推進
  • 高齢者向け医療・福祉サービスの効率化による可処分所得確保
  • 移住支援・若年層の地方定着促進

産業構造の多様化

  • 観光依存型経済からの脱却・製造業・IT産業の誘致
  • 安定雇用の創出による消費基盤の強化
  • リモートワーク推進による都市型人材の地方移住

教育・人材育成

  • 地方大学の機能強化による高学歴人材の地域定着
  • リカレント教育の充実で生産性向上
  • 産学連携による地域特化型スキルの育成

格差モニタリング

  • ジニ係数・変動係数などの格差指標の定期的な政府発表
  • SSDSE等のオープンデータを活用した政策評価
  • COVID-19後の格差再拡大への継続的な監視
分析の限界と今後の課題 本研究では消費支出を格差指標として用いたが、①世帯規模・構成の差を完全には調整できていない、②都道府県内の格差（県内市区町村間）は捉えられていない、③観察できない要因（地理・歴史的経緯等）が交絡している可能性がある。今後はSSDSE-A（市区町村データ）を活用した自治体レベルの分析や、パネルデータを活用した固定効果モデルによる因果推論が有効である。
結
まとめ

本研究では SSDSE-B の47都道府県・12年間パネルデータを用いて、地域間経済格差の実態と決定要因を定量的に分析した。

主要な発見
  1. 格差の時系列トレンド：2014〜2019年にかけて格差（ジニ係数）は拡大傾向にあり、2020〜2022年のCOVID-19禍で縮小した後、2023年に再拡大の兆しが見られる
  2. ローレンツ曲線の可視化：2022年のジニ係数は0.037と低水準だが、最大県と最小県の消費支出差は約8万円（33%）に達する
  3. 格差の決定要因：高齢化率（β=−0.36, p=0.028）と宿泊者数依存度（β=−0.33, p=0.023）が統計的に有意な負の規定要因として特定された（R²=0.337）
  4. 政策的含意：高齢化対策と産業構造の多様化が地域間格差縮小の鍵であり、格差指標の定期的モニタリングが重要

複数の格差指標を組み合わせ、時系列と断面の両面から分析することで、格差の実態をより立体的に把握できた。統計的手法を活用した地域格差研究は、証拠に基づく政策立案（EBPM）の基盤となる重要な取り組みである。

使用したデータ・手法
  • データ：SSDSE-B-2026（総務省統計局、都道府県別統計）
  • 格差指標：ジニ係数・変動係数・90/10分位数比（上位10%と下位10%の比率、極端な格差を表す指標）
  • 可視化：ローレンツ曲線・時系列グラフ・地域ブロック別棒グラフ
  • 回帰分析：OLS重回帰（標準化偏回帰係数、47都道府県断面）
  • 実装：Python（statsmodels、scipy、matplotlib）
教育的価値（この分析から学べること）
  • 複数の格差指標：ジニ係数・変動係数・90/10分位数比は、それぞれ違う角度から格差を測る。1つの数字に頼らず、複数指標で確認する姿勢を学べる。
  • ローレンツ曲線：横軸に「人口の累積割合」、縦軸に「変数（消費など）の累積割合」をとった曲線。45度線からの「弓のふくらみ」が格差を視覚化する古典的な道具。
  • 時系列＋断面の合わせ技：「いつ格差が動いたか」（時系列）と「どの要因が格差を生むか」（断面回帰）を両方使うことで、政策議論に必要な情報が揃う。

⚠️ 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。
🌿 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。
📊 ジニ係数・ローレンツ曲線
何？
所得や医療資源などの「不平等度（格差）」を0〜1の数値で表す指標。0が完全平等、1が完全不平等。
どう使う？
データを昇順に並べ、累積シェアの曲線（ローレンツ曲線）と完全平等線との面積から計算する。
何がわかる？
「都道府県間の医師数の格差は大きいか」「格差は拡大・縮小しているか」を客観的に測れる。
結果の読み方
ジニ係数 0.3 以上は格差が大きい水準。時系列変化で格差のトレンドを読む。
⚠️ 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
ボランティア・社会参加活動と地域コミュニティ指標の分析
次の論文 →
住宅費・居住コストの地域格差と決定要因分析