論文一覧に戻る 統計データ分析コンペ 教育用再現集
総務大臣賞（最優秀賞）（高校生の部） 2021年度（令和3年度）

都道府県別教育環境と学力格差の要因分析

⏱️ 推定読了時間: 約36分
統計データ分析コンペティション 2021 | SSDSE-B（都道府県別統計）使用
47
都道府県
56.6%
全国平均大学進学率
r = 0.49
教育費×進学率相関
R² = 0.47
重回帰モデル決定係数
📝 3行で分かる要約

目次

  1. 研究の背景
  2. データと変数
  3. 都道府県別教育指標の分布
  4. 重回帰分析結果
  5. 地域別比較分析
  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/ │ └── 2021_H1_daijin.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/2021_H1_daijin.py
図は html/figures/ に自動保存されます。
1
研究の背景

日本では都道府県ごとの大学進学率に大きな差異が存在し、教育環境と経済的格差が相互に連動していることが指摘されてきた。特に地方と都市部では、教育費の支出額・学校施設の密度・家計の経済力などが大きく異なり、これが教育機会の不平等につながっている可能性がある。

問題意識：教育格差の現状 2022年時点で、大学進学率の最高は京都府（73.0%）・東京都（72.7%）であり、最低の沖縄県（46.2%）との差は約27ポイントにのぼる。この格差はどのような要因によって生じるのか、統計データを用いて要因分析する。
分析の流れ
SSDSE-B
47都道府県
2022年断面
→
変数選択
・教育費
・学校数/人口
・消費支出
→
相関分析
Pearson r
ヒートマップ
→
重回帰分析
（OLS）
標準化係数
→
地域別
比較分析

SSDSE-B 重回帰分析 標準化係数 地域比較 相関分析

データと変数（SSDSE-B-2026）

本分析では総務省統計局が提供する SSDSE-B（都道府県データ） を使用した。2022年度（令和4年度）の47都道府県横断データを用い、以下の変数を構築した。

目的変数

変数名定義SSDSE-B 列名単位
大学進学率 高等学校卒業者のうち大学・短大への進学者割合 高等学校卒業者のうち進学者数 ÷ 高等学校卒業者数 %

説明変数

カテゴリ変数名定義SSDSE-B 元変数単位
教育環境 教育費 二人以上世帯の消費支出中の教育費（月額） 教育費（二人以上の世帯） 円/月
学校数/万人 幼小中高合計学校数を総人口1万人で割った値 幼稚園数・小学校数・中学校数・高等学校数 校/万人
経済環境 消費支出 二人以上世帯の月間消費支出（経済力の代理） 消費支出（二人以上の世帯） 円/月
少子化・人口 合計特殊出生率 その都道府県の出生率 合計特殊出生率 人
15歳未満比率 総人口に占める15歳未満の割合 15歳未満人口 ÷ 総人口 %
データ処理のポイント SSDSE-Bは複数年度のパネルデータであるため、2022年度の横断面データのみ抽出（地域コードが R\d{5} の行 47件）。学校数は人口の大きさで除して「人口当たり密度」に変換することで都道府県間の比較可能性を確保した。

DS LEARNING POINT 1

変数の構築（エンジニアリング）

生のデータをそのまま使うのではなく、分析目的に合わせて変数を変換・合成することを特徴量エンジニアリングという。例えば「学校数」は人口の大きい都道府県ほど多くなるため、「人口1万人あたり学校数」に変換することで都道府県間を公平に比較できる。

df['学校数_万人あたり'] = ( (df['幼稚園数'] + df['小学校数'] + df['中学校数'] + df['高等学校数']) / df['総人口'] * 10000 )

都道府県別教育指標の分布

まず変数の分布と2変数の関係を散布図で確認することが有効だと考えられる。 その理由は回帰分析に進む前に外れ値や非線形性、地域の傾向を視覚的に把握しておく必要があるからである。 ここでは教育費と大学進学率に着目し、散布図と地域別ランキングという手法を用いる。

図1：教育費と大学進学率の散布図

教育費と大学進学率の散布図
図1：都道府県別の教育費（円/月）と大学進学率（%）の関係。地域ごとに色分け、回帰直線付き。2022年度データ。
散布図から読み取れること
  • 教育費と大学進学率の間には正の相関（r = 0.49, p = 0.0004）が認められる
  • 関東・近畿地方（赤・緑）は教育費・進学率ともに高水準の傾向
  • 九州・沖縄（橙）は比較的低い進学率に集まる傾向
  • 東京都・神奈川県・京都府・大阪府が高進学率の上位に位置する

図4：都道府県別大学進学率ランキング（上位・下位10）

都道府県別大学進学率ランキング
図4：大学進学率上位10・下位10都道府県の比較（2022年度）。棒の色は地域を示す。
上位10都道府県（進学率が高い）
  1. 京都府 73.0%（近畿）
  2. 東京都 72.7%（関東）
  3. 神奈川県 68.0%（関東）
  4. 大阪府 67.5%（近畿）
  5. 兵庫県 67.0%（近畿）
  6. 広島県 64.6%（中国・四国）
  7. 埼玉県 64.5%（関東）
  8. 奈良県 63.9%（近畿）
  9. 愛知県 62.8%（中部）
  10. 福井県 62.6%（中部）
下位10都道府県（進学率が低い）
  1. 沖縄県 46.2%（九州・沖縄）
  2. 鹿児島県 46.3%（九州・沖縄）
  3. 山口県 46.9%（中国・四国）
  4. 秋田県 47.5%（北海道・東北）
  5. 岩手県 47.5%（北海道・東北）
  6. 佐賀県 47.9%（九州・沖縄）
  7. 長崎県 48.4%（九州・沖縄）
  8. 宮崎県 48.5%（九州・沖縄）
  9. 山形県 48.8%（北海道・東北）
  10. 熊本県 49.0%（九州・沖縄）

全国平均 56.6% に対し、最高の京都府（73.0%）と最低の沖縄県（46.2%）の差は 26.8ポイント にのぼる。

前節の散布図とランキングで示された地域差を踏まえると、 教育費だけでなく学校密度や経済状況など複数要因が同時に影響していると考えられる。 これを検証する必要があるが、その手法として標準化偏回帰係数を用いた重回帰分析に着目した。 どの変数が独立に進学率を説明しているかが明確になることが期待される。

2
重回帰分析結果

図2：相関行列ヒートマップ

相関行列ヒートマップ
図2：教育・経済関連変数のピアソン相関行列。赤が正相関、青が負相関。
📌 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。
相関分析の主な結果
  • 大学進学率×教育費：r = 0.49（正）— 教育費が多いほど進学率が高い傾向
  • 大学進学率×消費支出：r = 0.45（正）— 経済的豊かさと進学率の関連
  • 大学進学率×学校数/万人：r = −0.62（負）— 学校密度が高い（人口が少ない地方）ほど進学率は低い傾向
  • 大学進学率×出生率：r = −0.49（負）— 出生率が高い地域は進学率が低い傾向

重回帰モデルの設定

大学進学率（標準化） = β₀ + β₁×教育費(z) + β₂×学校数/万人(z) + β₃×消費支出(z) + β₄×出生率(z) + β₅×15歳未満比率(z) + ε

変数を標準化（Zスコア変換）したうえで最小二乗法（OLS）で推定し、標準化偏回帰係数（β）を算出した。β の大きさが各変数の「相対的な説明力」を示す。

図3：標準化偏回帰係数

標準化偏回帰係数プロット
図3：各説明変数の標準化偏回帰係数と95%信頼区間。赤が正効果、青が負効果。*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。

回帰分析の結果表

説明変数 標準化係数 β 95%信頼区間 p値 有意
学校数/万人 −0.420 [−0.759, −0.081] 0.016 *
教育費（円/月） +0.222 [−0.109, +0.554] 0.183 —
合計特殊出生率 −0.135 [−0.583, +0.314] 0.547 —
15歳未満人口比率 −0.070 [−0.459, +0.320] 0.719 —
消費支出（円/月） +0.056 [−0.263, +0.374] 0.726 —

注）*: p<0.05。目的変数・説明変数はすべてZスコア標準化済み。OLSによる推定。n=47。

モデル全体：F検定 p = 5.48×10⁻⁵（有意）、R² = 0.472、調整済みR² = 0.408

解釈のポイント
  • 学校数/万人（β = −0.42, p = 0.016）が唯一の有意な説明変数。学校密度が高い地域（＝人口が少ない地方）ほど進学率が低い傾向を示し、人口集積と教育機会の関連を反映している
  • 教育費はβ = +0.22だが有意水準には達しておらず（p = 0.18）、他の変数と共線関係がある可能性がある
  • 消費支出・出生率・子供比率は多変数制御後に独立な効果が小さくなった

DS LEARNING POINT 2

標準化偏回帰係数で変数を比較する

単位が異なる変数（円/月・%・校/万人など）を直接比較するには、すべての変数を平均0・標準偏差1に揃える標準化（Zスコア変換）を行う。標準化後の回帰係数β を比べることで「どの変数が目的変数に最も影響しているか」がわかる。

from scipy.stats import zscore Y_z = zscore(Y) # 目的変数の標準化 X_z = X.apply(zscore) # 説明変数の標準化 # → OLSで推定した係数が標準化偏回帰係数 β
3
地域別比較分析

47都道府県を6地域ブロックに分類して教育指標を比較した。

地域 都道府県数 大学進学率平均 教育費平均（円/月） 消費支出平均（円/月）
近畿 7 63.5% 13,040 311,000
関東 7 62.5% 15,080 323,000
中部 9 58.7% 11,260 306,000
中国・四国 9 55.6% 9,680 280,000
北海道・東北 7 50.6% 8,100 268,000
九州・沖縄 8 49.6% 7,950 255,000
地域格差の特徴
  • 近畿・関東（約62〜64%）と九州・沖縄・東北（約50%）の差は約13ポイントにのぼる
  • 近畿は多数の大学が集積する「大学城下町」効果が大学進学率を押し上げている可能性がある
  • 九州・沖縄は家計収入が低く教育費が抑制されていることが影響していると考えられる
  • 教育費と大学進学率は地域ブロック単位でも概ね正の対応関係が確認できる

DS LEARNING POINT 3

グループ別集計で分布を把握する

都道府県を地域ブロックに分けて集計（groupby）すると、全国一律では見えなかった構造的な格差が浮かびあがる。都道府県単位の散布図と地域ブロック単位の棒グラフを併用することで、マクロ・ミクロ両方の視点を持つことができる。

region_mean = df_ana.groupby('地域')['大学進学率'].mean() print(region_mean.sort_values(ascending=False)) # 近畿 63.5%, 関東 62.5%, ... 九州・沖縄 49.6%
4
政策提言

本分析の結果を踏まえ、教育格差を縮小するための政策的な方向性を提案する。

1. 家計の教育費負担軽減

根拠 教育費（家計支出）と大学進学率の正相関（r = 0.49）は、経済的ゆとりが進学行動に影響することを示す。奨学金制度の拡充・高校無償化の徹底・塾・予備校費用への公的補助が有効と考えられる。

2. 地方の大学・高等教育機関アクセスの改善

根拠 学校数/万人と大学進学率の負の関係（β = −0.42）は、人口密度の低い地方では大学へのアクセスが制約されていることを間接的に示す。地方国立大学の機能強化、オンライン教育の充実によって、物理的距離の障壁を低減できる。

3. 地域間格差を意識した教育資源の配分

根拠 地域ブロック間の進学率格差（最大13ポイント）は、教育資源の地域的偏在と密接に関連する。九州・東北など進学率の低い地域への重点的な支援（教育バウチャー、地域大学推薦枠など）が有効である。

DS LEARNING POINT 4

統計分析から政策提言へ

統計分析の結論を社会政策に活かすには、「相関関係」と「因果関係」の区別が重要である。本研究で発見した「教育費が高い地域は進学率が高い」という相関は、「教育費を増やせば進学率が上がる」という因果を直接意味しない。逆の因果（進学率が高い地域に住む家庭が教育費を増やす）や第三の変数（所得水準）が媒介している可能性もある。政策検討では、これらの代替仮説を丁寧に検討することが求められる。

# 相関 ≠ 因果 # 因果推論のために必要なアプローチ： # - 操作変数法（IV） # - 差分の差分法（DID） # - 回帰不連続デザイン（RDD） # いずれも「比較可能なグループ」を設計することが鍵
5
まとめ

本研究では SSDSE-B（都道府県別統計・2022年）を用いて、都道府県別の大学進学率を目的変数とし、教育費・学校数/人口・消費支出・合計特殊出生率・15歳未満人口比率を説明変数とする重回帰分析を実施した。

主要な分析結果
  1. 大学進学率には地域間で大きな格差が存在する：最高（京都府 73.0%）と最低（沖縄県 46.2%）の差は約27ポイント
  2. 教育費との正の相関（r = 0.49）が認められ、家計の教育投資が進学行動に関連する
  3. 重回帰モデルでは学校数/万人（β = −0.42）が唯一の有意な説明変数となり、人口密度と教育機会の構造的関係を示す
  4. 地域別では近畿・関東の進学率が高く、九州・沖縄・東北が低いという明確なパターンが確認された
  5. モデルの決定係数 R² = 0.472（調整済み R² = 0.408）であり、約47%の分散が説明された
本研究の限界と今後の課題
  • 都道府県は47件と少なく、統計的検出力が限られる
  • 学力格差（学力テスト等）の直接データが SSDSE-B に含まれず、進学率を代理指標として使用した
  • 生活保護受給率等の貧困指標がなく、経済的困窮の影響を十分に捉えられていない可能性がある
  • 時系列の変化（パネル分析）を行うことで、より因果に近い推定が可能となる
使用データ・ツール
  • データ：SSDSE-B-2026（総務省統計局・社会・人口統計体系）、2022年度、47都道府県
  • 分析：Python 3 / pandas / statsmodels（OLS）/ scipy.stats / matplotlib
  • 可視化：散布図・相関ヒートマップ・係数プロット・棒グラフ（各47都道府県データに基づく）
このページのHTML Pythonスクリプト
教育的価値（この分析から学べること）

⚠️ 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。
🔄 差分の差分法（DiD）
何？
政策効果の「因果的推定」手法。処置群と対照群、政策前後の2種類の差を組み合わせる。
どう使う？
（処置群の変化）−（対照群の変化）で、政策なしでも起きていた変化を差し引く。
何がわかる？
「地方創生政策がなければどうなっていたか」を推測し、政策の純粋な効果を数値化できる。
結果の読み方
DiD推定値がプラスで有意なら政策は目的変数を増加させた。「平行トレンド仮定」（政策前は両群が同トレンド）の確認が重要。
⚠️ 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。
🎯 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。
↔️ 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
ソーシャルキャピタルと地域コミュニティ活動の関係分析
次の論文 →
地域別健康格差と社会経済要因の関係