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 ｜ 大学生・一般の部
審査員奨励賞

食費支出と食生活・健康指標の地域格差分析

⏱️ 推定読了時間: 約36分
手法：相関分析・重回帰分析・地域比較 ｜ データ：SSDSE-B（都道府県統計）2022年
📝 3行で分かる要約

目次

  1. 研究の背景
  2. データと変数
  3. 食費の地域分布
  4. 重回帰分析：食費格差の要因分解
  5. 食費と健康指標の関係
  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_4_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_4_shorei.py
図は html/figures/ に自動保存されます。
概
研究の背景

食費支出の地域格差は、経済格差・生活習慣・健康状態と密接に関わる社会的課題である。エンゲルの法則（低所得ほど食費の割合が高い）が示すように、食費支出のパターンは家計の豊かさを映す鏡でもある。しかし都道府県レベルで見ると、所得要因だけでは説明できない地域特性が存在する。

まず「食費支出と食生活・健康指標の地域格差分析」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。

本研究は、2022年の47都道府県データ（SSDSE-B）を用いて、食費支出の地域格差がどのような要因で説明されるかを相関分析・重回帰分析により定量的に検証した。また、食費と保健医療費・合計特殊出生率との関係を分析することで、食生活格差が健康・少子化問題とどのように絡み合っているかを探った。

問題意識：食費格差は何を意味するか 都道府県間の食料費の最大最小差は約20,000円/月にのぼる（2022年）。この格差は単なる「物価の違い」に留まらず、食の質・多様性・健康への影響と連動している可能性がある。
分析の流れ
SSDSE-B
47都道府県
2022年断面
→
記述統計
地域別
食費分布
→
Pearson
相関分析
→
OLS
重回帰分析
（標準化）

エンゲル係数 相関分析 OLS重回帰 地域比較

データと変数

使用データ

統計数理研究所が提供するSSDSE（社会・人口統計体系データセット）のBシリーズ（都道府県別統計）を使用。2022年の47都道府県断面データを分析対象とした。

データ収録単位利用年度出典
SSDSE-B-2026.csv都道府県（47）2022年統計数理研究所

分析変数の一覧

カテゴリ変数名役割単位
食費指標食料費（二人以上の世帯）目的変数・食費水準円/月
食料費割合（= 食料費÷消費支出）目的変数・エンゲル係数%
説明変数消費支出（二人以上の世帯）所得水準の代理円/月
高齢化率（65歳以上÷総人口）人口構成の影響%
保育所密度（保育所数÷人口×10万）子育て環境・年齢構成施設/10万人
合計特殊出生率家族規模・食費構造—
健康指標保健医療費（二人以上の世帯）医療支出との関係円/月
合計特殊出生率長期的健康・少子化指標—

DS LEARNING POINT 1

エンゲル係数と「食料費割合」の意味

エンゲルの法則（1857年）とは「所得が低いほど、消費支出に占める食費の割合（エンゲル係数）が高くなる」という経験則。都道府県比較では、高消費支出の都市部で食料費割合が低くなる傾向があり、逆説的に「食費は多いが割合は低い」という現象が見られる。

import pandas as pd 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)] df22 = df[df['年度'] == 2022].copy() # エンゲル係数の計算 df22['食料費割合'] = ( df22['食料費（二人以上の世帯）'] / df22['消費支出（二人以上の世帯）'] * 100 ) print(f"全国平均食料費割合: {df22['食料費割合'].mean():.2f}%") # → 全国平均: 26.47%
76,598円
全国平均食料費/月
（2022年、二人以上世帯）
26.47%
全国平均食料費割合
（エンゲル係数）
20,084円
食料費の最大最小差
（東京都〜愛媛県）
1
食費の地域分布

2022年の47都道府県別食料費を地域区分（5区分）で色分けしてランキング表示する。

都道府県別食料費ランキング
図1：都道府県別食料費ランキング（2022年、二人以上世帯）。点線は全国平均（76,598円）。色は地域区分を表す。
地域別の傾向
  • 関東（赤）：東京都・神奈川県など高水準グループ。最高は東京都（87,973円/月）
  • 中部・近畿（黄・緑）：中間水準。大都市圏と地方の混在
  • 九州・沖縄（橙）・中国・四国（紫）：相対的に低水準。最低は愛媛県（67,889円/月）
  • 北海道・東北（青）：中間〜やや低め。寒冷地特有の暖房費増加が消費支出を圧迫している可能性

地域別平均食料費の比較

地域区分平均食料費（円/月）最大最小
関東82,23887,973（東京都）71,578（茨城県）
中部79,26183,48374,848
近畿79,19884,69268,715
北海道・東北76,23979,95273,037
中国・四国72,18678,20567,889
九州・沖縄71,66775,95768,318

DS LEARNING POINT 2

地域比較の方法：絶対値 vs 相対値

食料費の絶対値（円/月）と食料費割合（エンゲル係数）では、都道府県のランキングが大きく異なる。大阪府は食料費の絶対値では中位だが、食料費割合（30.5%）では全国最高。これは消費支出全体が低い中で食費の占める割合が大きいことを意味する。分析目的に応じて、どの指標を使うか慎重に選択する必要がある。

import matplotlib.pyplot as plt # 絶対値ランキング vs 食料費割合ランキングの比較 df22['食料費割合'] = df22['食料費（二人以上の世帯）'] / df22['消費支出（二人以上の世帯）'] * 100 df22['食料費ランク'] = df22['食料費（二人以上の世帯）'].rank(ascending=False) df22['割合ランク'] = df22['食料費割合'].rank(ascending=False) # ランク差が大きい県 = 絶対値と割合で全く異なる位置 df22['ランク差'] = (df22['食料費ランク'] - df22['割合ランク']).abs() print(df22.nlargest(5, 'ランク差')[['都道府県','食料費ランク','割合ランク','ランク差']]) # 大阪府: 食料費ランク 中位, 割合ランク 1位（最高）
2
重回帰分析：食費格差の要因分解

食料費割合（エンゲル係数）を目的変数とし、消費支出・高齢化率・保育所密度・合計特殊出生率の4変数を説明変数とするOLS重回帰を実施した。変数の効果を比較するため、説明変数はすべて標準化（平均0・標準偏差1）して投入した。

食料費割合ᵢ = β₀ + β₁×消費支出ᵢ（標準化）+ β₂×高齢化率ᵢ（標準化）
              + β₃×保育所密度ᵢ（標準化）+ β₄×合計特殊出生率ᵢ（標準化）+ εᵢ

R² = 0.502，adj.R² = 0.455，F(4,42) = 10.60，p < 0.001
標準化偏回帰係数プロット
図4：食料費割合の重回帰分析における標準化偏回帰係数（β）。エラーバーは95%信頼区間。赤棒が統計的有意（p<0.05）、灰色がn.s.。
📌 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。

回帰係数の推定結果

説明変数標準化係数（β）t値p値解釈
消費支出−0.746−4.19<0.001** 消費支出が高いほど食料費割合は低い（エンゲル効果）
合計特殊出生率−0.908−4.66<0.001** 出生率が高い地域ほど食料費割合が低い（子育て世代の食費抑制？）
高齢化率−0.487−2.940.005** 高齢化が進むほど食料費割合は低い（高齢者は食費節約傾向）
保育所密度+0.262+1.240.224 n.s. 非有意（単独では食料費割合に明確な影響なし）
モデルの解釈 モデル全体のR²=0.502（調整済み0.455）は、47都道府県のエンゲル係数の格差の約50%が4変数で説明できることを示す。最も強い予測力を持つのは合計特殊出生率（β=−0.91）と消費支出（β=−0.75）。地域の豊かさと家族構成が食費比率を規定する主要因であることが確認された。
消費支出と食料費の散布図
図2：消費支出（円/月）と食料費（円/月）の関係（2022年、47都道府県）。回帰直線（r=0.722, p<0.001）とともに地域別に色分け表示。
注目の個別県
  • 茨城県：消費支出が比較的高いにもかかわらず食料費が低い（71,578円）。農業産出額が多く、自家消費や安価な地元産品の利用が背景か
  • 東京都：消費支出・食料費ともに全国最高水準。外食文化・多様な食品選好が食費を押し上げる
  • 大阪府：消費支出は中位だが食料費割合（30.5%）が全国最高。エンゲル効果の典型

DS LEARNING POINT 3

OLS重回帰の係数解釈：標準化と交絡変数

説明変数のスケール（単位）が異なる場合、非標準化係数では変数間の「効果の大きさ」を比較できない。説明変数を標準化（z-score変換）すれば、βは「他の変数を固定したとき、その変数が1標準偏差変化すると目的変数が何単位変化するか」を意味する。また、「高齢化率が高い→食料費割合が低い」という符号は直感に反するが、消費支出を同時に投入することで交絡が調整されている可能性を考慮する必要がある。

import statsmodels.api as sm # 標準化して偏回帰係数を比較可能にする X = df22[['消費支出（二人以上の世帯）', '高齢化率', '保育所密度', '合計特殊出生率']] y = df22['食料費割合'] X_std = (X - X.mean()) / X.std() # z-score標準化 X_std = sm.add_constant(X_std) model = sm.OLS(y, X_std).fit() # 標準化偏回帰係数 = model.params（定数項除く） print(model.params[1:]) # 各変数のβ係数 print(f"R² = {model.rsquared:.3f}") print(f"adj.R² = {model.rsquared_adj:.3f}")
3
食費と健康指標の関係

食費支出のパターンは、保健医療費や合計特殊出生率などの健康・人口指標とどのように関係しているか。Pearson相関行列によって変数間の関係を俯瞰的に把握する。

相関ヒートマップ
図3：食費・健康関連変数の相関行列（Pearson相関係数、2022年47都道府県）。
📌 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。

主要な相関関係

変数ペア相関係数 r有意性解釈
消費支出 ↔ 食料費+0.722p<0.001** 所得が高い都道府県ほど食料費が多い（強い正の関係）
食料費 ↔ 保健医療費+0.512p<0.001** 食料費の多い地域は保健医療費も多い傾向
食料費 ↔ 合計特殊出生率−0.620p<0.001** 食料費が高い（都市型）地域ほど出生率が低い
食料費割合 ↔ 合計特殊出生率−0.433p=0.002** エンゲル係数が高い地域ほど出生率が低い（消費余裕のなさ？）
消費支出 ↔ 保健医療費+0.696p<0.001** 消費支出と医療費の強い共変動
相関の解釈に関する注意 「食料費が高い都道府県ほど保健医療費も多い（r=0.512）」という関係は、因果を意味しない。高消費支出の都市部では、そもそも医療サービスへのアクセスが良く、医療費支出が多い（交絡：消費支出）という解釈が自然。相関分析は変数間の関連の強さと方向を示すにすぎず、因果推論には追加の設計が必要。

DS LEARNING POINT 4

交絡変数と偏相関：相関と因果の落とし穴

「食料費↔保健医療費 r=+0.512」は一見、「食費が多いほど医療費がかかる」と読めるが、消費支出（所得の代理）という共通の交絡変数が両者を同時に押し上げている可能性が高い。偏相関（partial correlation）で消費支出の影響を除去すれば、純粋な食費と医療費の関係を測定できる。交絡変数の存在を常に意識することがデータ分析の基本姿勢。

from scipy import stats import numpy as np # 偏相関：消費支出を除去した後の食料費と保健医療費の相関 # ステップ1：食料費 ~ 消費支出 の残差 slope1, intercept1, _, _, _ = stats.linregress( df22['消費支出（二人以上の世帯）'], df22['食料費（二人以上の世帯）']) resid_food = df22['食料費（二人以上の世帯）'] - (intercept1 + slope1 * df22['消費支出（二人以上の世帯）']) # ステップ2：保健医療費 ~ 消費支出 の残差 slope2, intercept2, _, _, _ = stats.linregress( df22['消費支出（二人以上の世帯）'], df22['保健医療費（二人以上の世帯）']) resid_health = df22['保健医療費（二人以上の世帯）'] - (intercept2 + slope2 * df22['消費支出（二人以上の世帯）']) # ステップ3：残差同士の相関 = 偏相関 r_partial, p_partial = stats.pearsonr(resid_food, resid_health) print(f"単純相関: r=0.512, 偏相関（消費支出除去）: r={r_partial:.3f}, p={p_partial:.4f}")

政策提言

分析結果からの示唆

重回帰分析と相関分析の結果を総合すると、食費格差の縮小に向けていくつかの政策的示唆が得られる。

提言1：所得向上が最も直接的な食費格差縮小策 消費支出（所得）は食料費の最強の予測因子（r=0.722）であり、重回帰でも有意なエンゲル効果（β=−0.75, p<0.001）が確認された。地方の実質賃金向上・雇用創出が食費格差縮小の根本的な解決策となる。
提言2：食育による食費の「質」改善 食料費の絶対額が少ない九州・沖縄や中国・四国地方でも、食育推進により食の質（栄養バランス・食品多様性）を改善することは可能。量（金額）の格差と質（内容）の格差を切り分けた政策設計が必要。
提言3：高齢化地域の食費支援策 高齢化率が高い地域（β=−0.49, p=0.005）ではエンゲル係数が低い傾向があるが、これは食費を節約しすぎている（低栄養リスク）可能性もある。食事宅配・地域食堂など、高齢者の食環境整備が重要。
課題根拠政策方向性
地域間食費格差（約2万円/月） 消費支出との強相関（r=0.72） 地方の所得・雇用向上
都市部の高エンゲル係数（大阪：30.5%） 消費支出が低い中での食費比率高 低所得世帯への食費補助・フードバンク
食料費↔出生率の負の相関 r=−0.62（食料費高→出生率低） 子育て世代への食費支援・保育施設拡充
高齢化地域の食費節約傾向 高齢化率β=−0.49（有意） 高齢者向け食環境整備（宅食・共食）

まとめ

主要な発見

SSDSE-B（2022年、47都道府県）を用いた食費格差分析の結果、以下の知見が得られた：

  1. 食料費の地域格差は約20,000円/月（最大：東京都87,973円、最小：愛媛県67,889円）であり、関東が最高、九州・沖縄が最低という傾向が明確。
  2. 消費支出（所得の代理）と食料費の相関（r=0.722）が最強。しかし食料費割合（エンゲル係数）では必ずしも同じランキングにならず（大阪府が全国最高の30.5%）、指標の選択が重要。
  3. 重回帰分析（R²=0.502）では、合計特殊出生率（β=−0.91）と消費支出（β=−0.75）が有意な規定因。豊かな地域・出生率が高い地域ほどエンゲル係数が低い。
  4. 食料費と保健医療費に正の相関（r=0.512）が確認されるが、消費支出という交絡変数の存在に注意が必要。偏相関分析による精査が望まれる。
  5. 政策的には、地域の所得向上・子育て支援・高齢者食環境整備の複合的なアプローチが食費格差縮小に有効。
本研究の限界と今後の展望
  • 都道府県レベルの集計データを使用しているため、個人レベルの食費格差（生態学的誤謬＝集団の関係をそのまま個人に当てはめる誤り）には注意が必要
  • 2022年単年の断面分析のため、因果関係の推定には限界がある
  • 食費の「量」のみを扱い、「質（栄養バランス）」は未分析
  • 今後はSSDSE複数年のパネルデータを用いた固定効果モデルによる分析が望まれる
教育的価値（この分析から学べること）
  • エンゲル係数：消費支出に占める食費の割合。19世紀のドイツの統計学者エンゲルが発見した「貧しいほど食費の割合が大きい」という法則は、現代日本の都道府県データでも確認できる古典的な指標。
  • 絶対額 vs 比率：「食料費（額）」と「エンゲル係数（比率）」では地域順位が変わる。「何を測るか」で結論が変わるという、指標選択の大切さを学べる。
  • 偏相関と交絡：食費と保健医療費の正相関も、所得（消費支出）という共通要因を取り除くと見方が変わる。「3変数以上を同時に考える」癖が身につく。

データ・コードのダウンロード

分析スクリプト（2020_U5_4_shorei.py）
データ出典
SSDSE-B 都道府県別統計（2022年）統計数理研究所 SSDSE（社会・人口統計体系）
消費支出・食料費・保健医療費家計調査（総務省統計局）
合計特殊出生率・高齢化率・保育所数人口動態統計（厚生労働省）

分析はSSDSE-B-2026.csvの実データを使用（合成データ不使用）。2022年断面データ、47都道府県（地域コードR\d{5}）。

⚠️ 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。
↔️ 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
住宅費・居住コストの地域格差と決定要因分析
次の論文 →
子どもの体力・運動能力と地域環境・家庭環境の関係分析