論文一覧に戻る 統計データ分析コンペ 教育用再現集
2021年度（令和3年度）統計データ分析コンペティション ｜ 優秀賞（高校生の部）

地域別健康格差と社会経済要因の関係

⏱️ 推定読了時間: 約34分
SSDSE-B 2022年断面データ ｜ 47都道府県 ｜ 相関分析・重回帰分析・地域クラスタリング
📝 3行で分かる要約

目次

  1. 研究の背景：地域医療格差とは何か
  2. データと変数：SSDSE-B の活用
  3. 健康指標の地域分布
  4. 重回帰分析：健康支出格差の要因
  5. クラスタリング分析：健康特性による都道府県分類
  6. 政策的示唆
  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_H2_yushu.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_H2_yushu.py
図は html/figures/ に自動保存されます。
1
研究の背景：地域医療格差とは何か

日本では都道府県間で医療費支出や健康状態に大きな格差があることが知られている。例えば、2022年データでは保健医療費（二人以上世帯の月次支出）は最大の愛知県（19,107円）と最小の青森県（9,411円）で約2倍の開きがある。この格差はなぜ生じるのか——所得水準なのか、高齢化率なのか、医療アクセスなのか——を統計的に解明することが本研究の目的である。

まず「地域別健康格差と社会経済要因の関係」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。

研究の問い（Research Question） 都道府県間の保健医療費格差を規定する社会経済要因は何か？高齢化・所得・都市化・医療アクセスのどの要因が最も影響力を持つのか？
分析の流れ
SSDSE-B
2022年
47都道府県
→
変数設計
（健康・
社会経済）
→
相関分析
（Pearson r）
→
重回帰分析
（OLS標準化）
→
Ward法
クラスタリング

SSDSE-B Pearson相関分析 重回帰分析（OLS） Ward法クラスタリング

2. データと変数：SSDSE-B の活用

データ概要

本研究では、統計センターが公開する SSDSE（社会・人口統計体系）の都道府県データセット SSDSE-B-2026 を使用する。2022年の断面データ（47都道府県）を分析対象とした。

項目内容
データソースSSDSE-B-2026（社会・人口統計体系 都道府県データ）
分析年度2022年（令和4年）
サンプルサイズ47都道府県（全都道府県）
地域コードR01001〜R47001（R\d{5} パターン）

変数の定義

SSDSE-B から以下の変数を構築した。「現金給与総額」が収録されていないため、消費支出を所得の代理変数として使用する（国際的にも家計消費は所得の良い代理指標とされる）。

カテゴリ 変数名 定義 単位
健康指標 保健医療費 保健医療費（二人以上世帯）の月次支出 円/月
保健医療費率 保健医療費 ÷ 消費支出 × 100 %
医療施設数（10万対） （一般病院数 + 一般診療所数）/ 総人口 × 100,000 施設数/10万人
社会経済指標 高齢化率 65歳以上人口 ÷ 総人口 × 100 %
消費支出（所得代理） 消費支出（二人以上世帯）の月次支出 円/月
転入率（都市化指標） 転入者数 ÷ 総人口 × 1000 ‰

基本統計量（2022年・47都道府県）

14,390
保健医療費 平均
[円/月]
4.96%
消費支出に占める
保健医療費比率 平均
31.35%
高齢化率 平均
91.7
医療施設数
[施設/10万人] 平均
289,630
消費支出（所得代理）
[円/月] 平均
保健医療費の地域格差 最大：愛知県 19,107円/月（全国平均の+33%）
最小：青森県 9,411円/月（全国平均の−35%）
最大・最小の比：約2.03倍（格差の大きさを示す）

DS LEARNING POINT 1

代理変数（Proxy Variable）の使い方

理想的な変数（例：現金給与総額）がデータに存在しない場合、理論的に相関の高い「代理変数」を使う。本研究では消費支出を所得の代理変数として採用した。代理変数を使う際は「なぜその変数が代理として適切か」の根拠を明示することが重要。

消費支出 vs 保健医療費: r = 0.696 (***) ← 代理変数として有効

3. 健康指標の地域分布

Figure 1: 高齢化率と保健医療費の散布図

47都道府県の高齢化率（X軸）と保健医療費（Y軸）の関係を地域別に色分けして可視化した。

散布図：高齢化率 vs 保健医療費（地域色分け）
図1. 高齢化率と保健医療費の散布図（2022年・47都道府県）
Pearson r = −0.468, p = 0.0009（***）。高齢化率が高いほど保健医療費が低い傾向。
📌 この散布図の読み方
このグラフは
横軸（x）と縦軸（y）に2変数を取り、各都道府県（または自治体）を点で描いたグラフ。
読み方
点の並びに右上がりの傾向があれば正の相関、右下がりなら負の相関。点が直線に近いほど相関が強い。
なぜそう解釈できるか
回帰直線（赤線など）の傾きが回帰係数に対応する。直線から大きく外れた点が外れ値で、特異な地域を示す。
北海道・東北
関東
中部
近畿
中国・四国
九州・沖縄
注目すべき発見：「高齢化率が高い県は保健医療費が低い」 一般に「高齢者が多いほど医療費が高い」と思われがちだが、家計ベースの保健医療費（世帯支出）では逆の相関（r = −0.468）が見られた。これは東北・地方圏（高齢化率が高い）の所得水準が低く、保健医療費への支出絶対額が低くなることを示唆する。「医療の必要性（ニード）」と「支払い能力（アフォーダビリティ）」の乖離が格差の本質である。

地域別の傾向

地域 高齢化率の傾向 保健医療費の傾向 特徴
関東（東京など） 低い（22〜29%） 高め 都市型・高所得・高消費
中部（愛知など） 中程度 最高水準 製造業中心・高賃金
北海道・東北 高い（32〜39%） 低め 高齢化先進地・所得制約
九州・沖縄 中〜高程度 低め 所得水準が相対的に低い

DS LEARNING POINT 2

可視化で仮説を問い直す：散布図の力

先入観と逆の相関が見えたとき、それこそが新しい発見の種になる。「高齢化 → 医療費増加」という直感的な仮説を散布図が覆した。この逆相関は「保健医療費（家計支出）」が「医療の必要性」ではなく「支払い能力」を反映しているためと解釈できる。

r, p = stats.linregress(aging_rate, health_spending) # r = -0.468: 負の相関（高齢化率 ↑ → 保健医療費支出 ↓）

4. 重回帰分析：健康支出格差の要因分解

Figure 2: Pearson相関行列ヒートマップ

変数選択の前段階として、6変数の Pearson 相関行列を確認した。

相関ヒートマップ
図2. 健康・社会経済指標のPearson相関行列（2022年・47都道府県）
*p<0.05, **p<0.01, ***p<0.001
📌 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。

主な相関の解釈

変数ペア r 有意水準 解釈
保健医療費 × 消費支出 0.696 *** 所得（消費）が高いほど保健医療費も多い
保健医療費 × 高齢化率 −0.468 *** 高齢化率が高い地域ほど家計保健医療費が低い
保健医療費 × 転入率 0.463 ** 都市化（転入多）→ 保健医療費支出増
保健医療費 × 医療施設数 0.005 n.s. 単純相関では関連なし（多変量で制御要）
高齢化率 × 転入率 −0.693 *** 都市部は高齢化率が低い（多重共線性に注意）

重回帰モデルの設定

相関分析を踏まえ、保健医療費を目的変数（Y）、4変数を説明変数（X）とした重回帰モデルを構築した。説明変数はすべて標準化し、標準化偏回帰係数（β）を推定することで、異なる単位の変数を比較できるようにした。

Y（標準化保健医療費） = β₁ × 高齢化率 + β₂ × 消費支出 + β₃ × 転入率 + β₄ × 医療施設数 + ε

Figure 3: 標準化偏回帰係数プロット

標準化偏回帰係数プロット
図3. 重回帰分析の標準化偏回帰係数（β）と95%信頼区間
赤：p<0.05（有意）、灰：p≥0.05（非有意）。エラーバーは95%CI。
📌 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。

重回帰分析の結果

説明変数 β（標準化偏回帰係数） p値 有意性 解釈
消費支出（所得代理） 0.638 <0.001 *** 最大の正の効果。所得↑→保健医療費↑
医療施設数（10万対） 0.250 0.027 * 医療アクセス↑→受診・支出↑
高齢化率 −0.260 0.090 n.s. 他を制御すると非有意（消費支出で説明）
転入率（都市化） 0.084 0.559 n.s. 消費支出・高齢化率と相関し独立効果なし
モデル適合度 R² = 0.6059（決定係数）｜調整済みR² = 0.5684
F = 16.15, p < 0.001（モデル全体は高度に有意）
→ 4変数で保健医療費格差の約60%を説明できる
単純相関と偏回帰係数の違い：交絡の制御 高齢化率は保健医療費と r = −0.468（単純相関では有意）だったが、消費支出などを制御した重回帰では β = −0.260（p=0.090, 非有意）になった。これは「高齢化率が高い地域ほど消費支出が低い」という交絡変数（confounder）の存在を示す。本質的な格差要因は所得水準（消費支出）にある。

DS LEARNING POINT 3

重回帰分析で「交絡」を制御する

単変量解析（相関係数）だけでは因果関係を誤解する危険がある。重回帰分析では複数の変数を同時に投入することで、「他の変数を一定にしたときの純粋な効果」（偏回帰係数）を推定できる。本研究で高齢化率の効果が単純相関から偏回帰で変化したのは交絡因子（消費支出）の制御によるものである。

X_std = StandardScaler().fit_transform(X_raw) y_std = (y - y.mean()) / y.std() res = sm.OLS(y_std, sm.add_constant(X_std)).fit() # β: 各説明変数の標準化偏回帰係数 # p: 他変数を制御したときの純粋効果の有意性

5. クラスタリング分析：健康特性による都道府県分類

Ward法デンドログラム

4変数（保健医療費・保健医療費率・高齢化率・医療施設数10万対）を標準化し、Ward法による階層的クラスタリングを実施した。

Ward法デンドログラム
図4. Ward法デンドログラム（47都道府県の健康特性クラスタリング）
健康指標4変数（保健医療費・保健医療費率・高齢化率・医療施設数）を用いたWard法。
赤点線は4クラスターでの切断点を示す。
📌 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。

クラスタリング手法の概要

項目 設定
手法 Ward法（最小分散法）
距離指標 ユークリッド距離（標準化後）
クラスタリング変数 保健医療費・保健医療費率・高齢化率・医療施設数（10万対）の4変数
前処理 各変数を標準化（StandardScaler）
クラスター数 4（デンドログラムの切断点から判断）
Ward法の特長 Ward法はクラスター内の分散（SS: Sum of Squares）が最小になるように融合を進める。クラスターが「コンパクト」になりやすく、解釈しやすいクラスターが得られる。他の方法（単連結・完全連結）と比べ、「均等なサイズ」のクラスターができやすい特性がある。
読み取れる構造 デンドログラムから、都道府県は健康特性に応じていくつかのグループに分類される。距離の大きな融合（高い位置での結合）が見られる箇所が自然な区切りとなる。地域別の色分けと照合すると、地理的な隣接だけでなく経済・人口構造の類似性でクラスターが形成されていることがわかる。

DS LEARNING POINT 4

クラスタリング：データからグループを「発見」する

クラスタリングは教師なし学習の一種で、事前にラベルを与えずにデータの構造を発見する手法。Ward法では、各ステップで「融合したときにクラスター内分散の増加が最小になる2クラスターを結合する」。デンドログラムの縦軸（距離）の急増箇所が適切なクラスター数の目安になる。

from scipy.cluster.hierarchy import dendrogram, linkage Z = linkage(X_scaled, method='ward') # Ward法で連結行列を計算 dendrogram(Z, labels=pref_names, ...) # 樹形図を描画 # Z[-k, 2] が k+1→k クラスターへの切断距離

6. 政策的示唆

本研究の分析結果から、地域間の健康格差に対する政策的な示唆を導く。

示唆 1: 所得格差の是正が健康格差縮小の鍵 重回帰分析で最大の説明力（β = 0.638***）を持つのは消費支出（所得代理）であった。「地域間所得格差の是正」が保健医療費格差を縮小させるうえで最も重要な政策ターゲットとなる。地方の賃金水準引き上げ、産業誘致・雇用創出が間接的に健康支出格差を縮小する可能性がある。
示唆 2: 医療アクセスの拡充が有意な効果 医療施設数（10万対）の偏回帰係数は β = 0.250（p = 0.027, *）と有意であった。医師・診療所が少ない地域では「受診したくても受診できない」状況（アンメットニーズ）が存在する可能性がある。医療施設の整備・医師の地方配置促進が保健医療費格差の縮小に有効と考えられる。
示唆 3: 高齢化率は交絡変数——高齢者ケアの再考 高齢化率は単純相関では有意な負の相関を示したが、重回帰では非有意となった。本当の問題は「高齢化率そのもの」ではなく、「高齢化が進む地域ほど所得水準が低い」という複合的な不利である。高齢者医療費の支援策は、単に医療費補助にとどまらず「低所得高齢者の生活基盤整備」とセットで講じる必要がある。
健康格差の概念整理 家計ベースの保健医療費（本研究の指標）は「支払い意思・能力」を反映するが、「医療の必要性（ニード）」を必ずしも反映しない。本来の意味での「健康格差」（健康状態・受診率・未受診率など）の把握には、SSDSE-B 以外の医療費統計や健康診断データが必要である。本研究はあくまで「家計保健医療費」の規定要因を探索したものと位置づけるべきである。

7. まとめ

分析のまとめ

分析手法 主要な発見
相関分析 保健医療費は消費支出（r=0.696***）、転入率（r=0.463**）と正の相関、高齢化率（r=−0.468***）と負の相関
重回帰分析 消費支出（β=0.638***）と医療施設数（β=0.250*）が有意な規定要因。R²=0.606で格差の約60%を説明
クラスタリング Ward法で47都道府県を4クラスターに分類。地理的隣接性に加え、経済・医療構造の類似性が反映

本研究の限界と今後の課題

結論 地域別の保健医療費格差を規定する最大の要因は所得水準（消費支出）であり、医療施設のアクセス（医療施設数10万対）も有意な役割を果たす。一方で、高齢化率の単純な負の相関は所得水準との交絡であり、重回帰分析により解明された。健康格差対策には、所得格差の是正と医療アクセスの拡充が二本柱として求められる。

データ・ソース

データ 出典 利用箇所
SSDSE-B-2026 独立行政法人 統計センター「社会・人口統計体系」 全変数（2022年断面データ）
Pythonスクリプト (.py)

※ 本教材は実際の統計データ（SSDSE-B-2026）を使用しています。合成データは一切使用していません。

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。
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。
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。
🌿 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。
↔️ 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
都道府県別教育環境と学力格差の要因分析
次の論文 →
都道府県別農業生産と食料自給率の決定要因分析