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） 2020年度（令和2年度）

住宅費・居住コストの地域格差と決定要因分析

⏱️ 推定読了時間: 約35分
統計データ分析コンペティション 2020 使用データ: SSDSE-B（都道府県別統計）
📝 3行で分かる要約

目次

  1. 研究の背景：住宅費格差と都市問題
  2. データと変数
  3. 住居費の地域分布
  4. 重回帰分析：住居費の決定要因
  5. 住居費の時系列推移（2012〜2023年）
  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_3_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_3_shorei.py
図は html/figures/ に自動保存されます。
背
研究の背景：住宅費格差と都市問題

住宅費（居住コスト）は家計支出の中でも最も地域差が大きい項目の一つである。都市圏への人口集中が進む日本において、住居費の格差は単なる地域経済の反映にとどまらず、移住・定住行動、少子高齢化、地方創生政策と深く関わる問題である。

まず「住宅費・居住コストの地域格差と決定要因分析」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。

問題意識 2020年度時点で東京都の住居費は全国最高水準にある一方、一部の地方では大都市の半額以下の水準に止まる。この格差は何によって生み出されるのか。本研究は都道府県レベルのデータを用いて、住居費の地域差を統計的に解明する。

住宅費の地域格差を生む要因として、以下の仮説が考えられる。

仮説指標（代理変数）予想符号
都市集積仮説：地価が高い都市ほど住居費も高い住宅地標準価格（log）正（+）
需要圧力仮説：人口流入が多いほど住居費が上昇転入率（人口千人あたり）正（+）
所得水準仮説：豊かな地域では住居費も高い消費支出総額（所得水準の代理）正（+）
高齢化仮説：高齢化が進む地域では需要が縮小高齢化率（65歳以上人口比率）負（-）
将来需要仮説：出生率が高い地域では将来の需要も高い合計特殊出生率正（+）

SSDSE-B 重回帰分析（OLS） 地域比較 相関分析 時系列分析

データと変数

使用データ

SSDSE-B（社会・人口統計体系 都道府県データセット）2026年版を使用した。47都道府県の横断分析には2022年度データを用い、時系列分析には2012〜2023年度データを使用した。

データ出典観測数期間
SSDSE-B-2026統計センター（SSDSE）47都道府県 × 12年 = 564観測2012〜2023年度
横断分析用2022年度断面47都道府県2022年度

変数の定義

種別変数名SSDSE列名単位
目的変数住居費住居費（二人以上の世帯）円/月
説明変数住宅地価格（log）標準価格（平均価格）（住宅地）円/m²（log変換）
転入率転入者数（日本人移動者）÷ 総人口 × 1000人/千人
消費支出消費支出（二人以上の世帯）円/月
高齢化率65歳以上人口 ÷ 総人口 × 100%
合計特殊出生率合計特殊出生率—
注意：住宅地価格の対数変換について 住宅地価格（標準価格）は都道府県間で数十倍の幅がある（最低：秋田県 13,200円/m² 〜 最高：東京都 389,100円/m²）。対数変換により線形回帰モデルへの適合を改善した。
1
住居費の地域分布

2022年度における47都道府県の住居費（二人以上の世帯・月額）を見ると、全国平均は約19,244円であり、都道府県間に大きな格差が確認される。

19,244円
全国平均（2022年度）
30,323円
最高：熊本県
6,220円
最低：福井県
最大・最小格差：約4.9倍 最高の熊本県（30,323円）と最低の福井県（6,220円）の比率は約4.9倍。東京都（29,988円）は全体で2位となっており、地方の一部県でも高水準を示す事例があることがわかる。
都道府県別住居費ランキング
図1：都道府県別 住居費ランキング（2022年度）。色は地域区分を示す。破線は全国平均（19,244円）。

地域別の住居費水準

地域区分平均住居費（円/月）特徴
関東約22,000〜30,000東京都を筆頭に高水準。転入超過が持続。
近畿約18,000〜26,000大阪・京都は高め。奈良は持ち家比率高く高水準。
九州・沖縄約18,000〜30,000熊本・沖縄は旺盛な移住需要で高め。
中部約13,000〜22,000愛知は高め。福井・静岡は低い。
北海道・東北約10,000〜25,000秋田・青森は低く、北海道・宮城は中程度。
中国・四国約14,000〜22,000広島は中程度。和歌山・高知は低め。

DS LEARNING POINT 1

家計調査データの読み方：「住居費」の定義に注意

SSDSE-B の「住居費（二人以上の世帯）」は総務省家計調査に基づく月額平均支出である。「住居費」には家賃・地代のほか、設備修繕・維持費が含まれる。持ち家比率が高い地域では家賃支払いが少ないため、住居費が低く出る場合がある（福井県が最低の主因）。地価や居住コストの絶対値とは異なることに注意が必要。

import pandas as pd # SSDSE-B読み込み df = pd.read_csv('SSDSE-B-2026.csv', encoding='cp932', header=1) df = df[df['地域コード'].str.match(r'^R\d{5}', na=False)].copy() # 住居費 = 家計調査ベースの月額平均 # ※持ち家比率が高い地域では低く出る点に留意 df22 = df[df['年度'] == 2022] print(df22[['都道府県', '住居費（二人以上の世帯）']].describe())
2
重回帰分析：住居費の決定要因

2022年度の47都道府県データを用いて、住居費を目的変数とする OLS（最小二乗法）重回帰分析を実施した。

住居費ᵢ = β₀ + β₁ ln(住宅地価格ᵢ) + β₂ 転入率ᵢ + β₃ 消費支出ᵢ
           + β₄ 高齢化率ᵢ + β₅ 合計特殊出生率ᵢ + εᵢ

i = 1, 2, …, 47（都道府県）

OLS推定結果

変数 標準化偏回帰係数 (β) p値 有意性 解釈
住宅地価格（log） -0.057 0.838 n.s. 単独では有意でない（多重共線性の影響）
転入率 +0.416 0.041 * 転入者が多い都道府県ほど住居費が有意に高い
消費支出 +0.121 0.423 n.s. 所得水準の影響は単独では有意でない
高齢化率 -0.142 0.572 n.s. 高齢化が進む地域では住居費がやや低い傾向
合計特殊出生率 +0.017 0.916 n.s. 出生率との関係は観察されない
モデル適合度 R² = 0.279（自由度調整済み R² = 0.191）
F統計量 = 3.18，p値 = 0.016（モデル全体は5%水準で有意）
N = 47都道府県
標準化偏回帰係数
図4：OLS推定による標準化偏回帰係数。青は有意な正の効果（p<0.05）、灰色は非有意。転入率が唯一の有意な説明変数として検出された。
📌 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。
主な発見：転入率が住居費格差の最重要要因 標準化偏回帰係数の大きさ（β=0.416）と有意水準（p=0.041）から、転入率が住居費の最も強い正の決定要因であることが確認された。人口流入圧力が高い都道府県では、住居需要の増大により住居費が押し上げられると解釈できる。一方、住宅地価格（都市集積の代理）は単変量では正の相関（r=0.411, p=0.004）を示すが、重回帰では他変数との相関により有意性が薄れた。

単変量相関分析（参考）

変数相関係数 rp値有意性
転入率+0.5080.0003***
住宅地価格+0.4110.0041**
高齢化率-0.4240.0030**
消費支出+0.2760.060n.s.
合計特殊出生率-0.1470.325n.s.
住宅地価格と住居費の散布図
図2：住宅地価格（都市集積の代理，対数スケール）と住居費の関係（2022年度）。地域別に色分け。東京都（関東・赤）は住宅地価格・住居費ともに突出している。

DS LEARNING POINT 2

単変量相関と重回帰の「逆転」現象：多重共線性

住宅地価格は単変量では住居費と正の有意相関（r=0.411, p=0.004）を示すが、重回帰では係数が負で非有意（β=-0.057, p=0.84）になる。これは多重共線性（multicollinearity）の典型例である。住宅地価格・転入率・消費支出は互いに相関しており、重回帰でそれぞれの純粋な効果を分離するのが難しくなる。

import statsmodels.api as sm from scipy import stats # 単変量相関 r, p = stats.pearsonr(df22['標準価格（平均価格）（住宅地）'], df22['住居費（二人以上の世帯）']) print(f"住宅地価格 vs 住居費: r={r:.3f}, p={p:.4f}") # r=0.411, p=0.004 (有意) # 重回帰（標準化係数） from sklearn.preprocessing import StandardScaler scaler = StandardScaler() X_std = scaler.fit_transform(X_raw) # 標準化 model_std = sm.OLS(y_std, sm.add_constant(X_std)).fit() # beta[住宅地価格_log] = -0.057 ← 符号逆転・非有意 # → 転入率との相関で「説明力」を奪われた結果

DS LEARNING POINT 3

対数変換（log transform）の使い方

住宅地価格は最小（秋田県 13,200円/m²）〜 最大（東京都 389,100円/m²）で約30倍の幅がある。このような右歪み（right-skewed）な変数を対数変換することで、線形モデルへの適合が改善される。対数変換後は「価格が1%上昇すると住居費は XX 円変化する」という弾力性解釈が可能になる。

import numpy as np # 対数変換 df22['住宅地価格_log'] = np.log(df22['標準価格（平均価格）（住宅地）']) # 元データの歪度 vs 変換後 print(f"歪度（変換前）: {df22['標準価格（平均価格）（住宅地）'].skew():.3f}") print(f"歪度（log変換後）: {df22['住宅地価格_log'].skew():.3f}") # → log変換後は正規分布に近づき、回帰の仮定（誤差の正規性）が改善される
3
住居費の時系列推移（2012〜2023年）

SSDSE-B の時系列データ（2012〜2023年度）を用いて、地域別の住居費推移を可視化した。

地域別住居費推移
図3：地域別 住居費の推移（2012〜2023年度）。各地域内の都道府県の平均値を使用。
📌 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。
時系列でみる住居費の変化
  • 関東は全期間を通じて住居費が高い水準を維持している
  • 九州・沖縄は2016年頃から上昇傾向が顕著で、人口移動の影響が現れている
  • 北海道・東北・中国四国は低位安定傾向にある
  • 2020年（コロナ禍）前後で一部地域に変動がみられる

DS LEARNING POINT 4

パネルデータ vs 横断データ：分析の使い分け

本研究では2022年度の横断（cross-sectional）データで重回帰分析を実施し、時系列データで推移を可視化した。両者を組み合わせることで「ある時点での格差の要因」と「格差の経年変化」の両面から問題を捉えることができる。

より高度な分析としては、パネルデータ分析（固定効果モデル等）により都道府県固有の効果を制御しながら決定要因を推定することが考えられる。

import statsmodels.api as sm # 横断分析（2022年度のみ） df22 = df_b[df_b['年度'] == 2022] model_ols = sm.OLS(Y, sm.add_constant(X)).fit() # パネル分析（全年度）への拡張イメージ # → linearmodels ライブラリの PanelOLS を使用 # from linearmodels.panel import PanelOLS # df_panel = df_b.set_index(['都道府県', '年度']) # model_fe = PanelOLS(Y_panel, X_panel, entity_effects=True).fit() # # 都道府県固有効果を除去した純粋な影響を推定可能

政策提言

本分析の結果から、住居費の地域格差を是正・管理するための政策的示唆を示す。

提言1：転入超過地域における住居費上昇対策 転入率が住居費の最大の規定要因であることから、人口流入が多い都道府県（東京都・沖縄県・神奈川県等）では、住宅供給の増加策（公的賃貸住宅の拡充、容積率の緩和など）が住居費の抑制に有効である。
提言2：地方の居住コスト優位性の情報発信 高齢化率が高く転入率が低い地方圏（秋田・島根・高知等）では住居費が低い。この居住コストの優位性を「地方移住」推進政策の訴求ポイントとして積極的に情報発信することで、移住需要の喚起につながりうる。
提言3：持ち家比率を考慮した住居費データの解釈 住居費の低い地域（福井県・和歌山県等）は持ち家比率が高い傾向にある。政策立案に際しては「家計調査ベースの住居費」だけでなく、住宅ローン負担や固定費を含む「実質的な居住コスト」の指標を補完的に用いることが推奨される。

まとめ

本研究では、SSDSE-B データを用いて47都道府県の住居費（居住コスト）の地域格差とその決定要因を統計的に分析した。

分析主な発見
地域分布 最高（熊本県：30,323円）と最低（福井県：6,220円）の格差は約4.9倍。関東・九州・沖縄が高水準。
相関分析 転入率（r=0.508）・高齢化率（r=-0.424）・住宅地価格（r=0.411）が住居費と有意な相関。
重回帰分析 転入率のみが有意な説明変数（β=0.416, p=0.041）。モデル全体の説明力はR²=0.279。
時系列 関東は全期間高水準維持。九州・沖縄は近年上昇傾向。地域間格差は縮小していない。
本分析の限界と発展方向
  • N=47（都道府県）と小さいサンプルサイズのため、多変数モデルの検定力（statistical power）＝本当に効果があるときにそれを検出できる確率に限界がある
  • 「住居費（家計調査）」は持ち家比率の影響を受ける。市区町村レベル（SSDSE-A）の分析で精度向上が期待できる
  • パネルデータ固定効果モデルにより都道府県固有の不観測効果を制御した分析が今後の発展方向
  • 家賃水準（不動産情報）や可処分所得など追加変数の導入で説明力の向上が見込まれる
教育的価値（この分析から学べること）
  • 需要と供給の視点：転入率と住居費の正相関は「人が集まる場所は住宅需要が高まり、価格も上がる」という基本的な経済原理を実データで確認できる例。
  • 家計調査の限界：家計調査の「住居費」は家賃・修繕費を含み、持ち家比率に大きく左右される。「データが何を測っているか」を疑う癖が大事だと学べる。
  • 「説明力 28%」をどう読むか：R²=0.28は決して高くないが、それ自体が「住居費は他のたくさんの要因（地価・交通・気候・産業）で決まる」というメッセージになる。

使用データ: SSDSE-B-2026（統計センター）| 分析: Python 3 / statsmodels / scipy
本ページは教育目的で作成されました。統計データ分析コンペティション 2020年度 審査員奨励賞（大学生・一般の部）受賞作品の再現・解説です。

⚠️ 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。
🌿 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。
↔️ 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
地域間経済格差の構造分析：ジニ係数と格差決定要因
次の論文 →
食費支出と食生活・健康指標の地域格差分析