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 ｜ 統計数理賞 [高校生の部]

都道府県別農業生産と食料自給率の
決定要因分析

⏱️ 推定読了時間: 約37分
重回帰分析 | 相関分析 | 時系列分析
📝 3行で分かる要約

目次

  1. 研究の背景：食料自給率と農業問題
  2. データと変数設計
  3. 農業地域の高齢化：時系列分析
  4. 重回帰分析：農業生産性の決定要因
  5. 地域別農業特性比較
  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-E-2026.csv　← SSDSE-E（都道府県の指標2）📥 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_H3_suri.py ← 実行するスクリプト └── data/ └── raw/ SSDSE-B-2026.csv ← ここに置く SSDSE-E-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_H3_suri.py
図は html/figures/ に自動保存されます。
概
研究の背景：食料自給率と農業問題

日本の食料自給率（カロリーベース）は2021年度に38%と先進国最低水準にある。食料安全保障の観点から、農業生産基盤の強化は国の重要政策課題であるが、農業従事者の高齢化・後継者不足・農地の減少という構造問題が深刻化している。

まず「都道府県別農業生産と食料自給率の決定要因分析」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。

農業をめぐる3つの危機
  • 高齢化：農業従事者の平均年齢は2020年に67.8歳。農村部の高齢化率が全国平均を大きく上回る。
  • 後継者不足：販売農家数は2000年の234万戸から2020年には103万戸へほぼ半減。
  • 農地減少：耕地面積は1961年の609万haをピークに2022年には432万haへ減少。

本研究は、SSDSE（社会・人口統計体系データセット）を用いて、47都道府県の農業生産集積の地域差とその決定要因を統計的に分析する。直接の農業就業者数データは時系列で入手できないため、農業センサスの農家密度・耕地率などを代理指標として活用する。

分析の流れ
SSDSE-B
2012〜2022
高齢化時系列
→
SSDSE-E
農家密度
耕地率
→
相関分析
（農家密度×
人口密度）
→
OLS
重回帰
決定要因

SSDSE-B・E 重回帰分析 相関分析 時系列分析

データと変数設計

使用データセット

データ出典年度使用変数
SSDSE-B-2026統計数理研究所 SSDSE2012〜2022年総人口・65歳以上人口・気温・消費支出等
SSDSE-E-2026統計数理研究所 SSDSE2019/2024年農家数（販売農家）・耕地面積・可住地面積・総面積

※ SSDSE-Bには直接の農業就業者数データが含まれないため、SSDSE-Eの農業センサスデータを代理指標として活用する（代理変数設計はDS LEARNING POINT参照）。

変数の定義と意味

変数名定義単位農業との関係
農家密度（目的変数） 販売農家数 ÷ 可住地面積 戸/km² 農業生産集積の主指標
耕地率 耕地面積 ÷ 総面積 × 100 % 農地の広がり（正の効果）
高齢化率 65歳以上人口 ÷ 総人口 × 100 % 農業従事者高齢化の代理
人口密度 総人口 ÷ 総面積 人/km² 都市化度（高いほど農業は縮小）
食料費比率 食料費 ÷ 消費支出 × 100 % 食生活の地域特性
年平均気温 SSDSE-B 年平均気温 ℃ 農業適地の気候条件

記述統計（2022年度断面、N=47都道府県）

変数平均標準偏差最小最大
農家密度（戸/km²）10.002.841.42（北海道）15.86（香川県）
耕地率（%）10.885.162.7725.96
高齢化率（%）31.353.2722.81（東京都）38.60（秋田県）
人口密度（人/km²）6521,21965.66,381（東京都）
食料費比率（%）26.471.3923.3030.51
年平均気温（℃）16.072.2910.2023.70

DS LEARNING POINT 1

代理変数（Proxy Variable）の設計

理想的な説明変数が入手できない場合、「理論的に関連する」別の変数で代替する。この変数を代理変数（proxy variable）という。

本研究では農業就業者の時系列データが入手できないため、農家密度（農業センサス、5年ごと）・高齢化率（人口統計から計算）を代理変数として活用した。代理変数使用時は「理論的根拠」と「測定誤差の方向」を明示することが重要。

# SSDSE-B（年次パネル）から高齢化率を計算 df_b['高齢化率'] = df_b['65歳以上人口'] / df_b['総人口'] * 100 # SSDSE-E（農業センサス）から農家密度を計算 # 可住地面積はha単位 → km²に換算（÷100） df_e['農家密度'] = df_e['農家数（販売農家）'] / (df_e['可住地面積'] / 100) df_e['耕地率'] = df_e['耕地面積'] / df_e['総面積（北方地域及び竹島を除く）'] * 100
1
農業地域の高齢化：時系列分析（2012〜2022年）

農業生産の担い手である農業従事者の高齢化を把握するため、SSDSE-Bの2012〜2022年の高齢化率（65歳以上人口比率）の推移を地域別に分析する。農業が盛んな地域（北海道・東北、中国・四国）での高齢化加速が農業後継者問題の深刻さを示す。

地域別高齢化率の推移（2012〜2022年）
図1：地域別 高齢化率の推移（2012〜2022年）。農業地域である北海道・東北・中国四国で高齢化が加速し、農業後継者問題の背景を示す。（データ：SSDSE-B-2026）
📌 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。
北海道・東北
関東
中部
近畿
中国・四国
九州・沖縄
地域高齢化率（2022年）農業との関係
北海道・東北33.9%大規模農業地帯。高齢化が最高水準。
関東27.9%都市部中心。高齢化率は低い。
中部31.0%農業と工業の混在地域。
近畿30.1%都市部〜農村部混在。
中国・四国33.5%中山間農業地帯。高齢化深刻。
九州・沖縄31.3%畑作・果樹農業地帯。

全国平均高齢化率（2022年）: 31.4%。最高: 秋田県（38.6%）、最低: 東京都（22.8%）。

農業後継者問題との連動 農業地域（北海道・東北、中国・四国）での高齢化率は全国平均を2〜3ポイント上回って推移している。農業従事者は全就業者平均より高齢なため、農業地域の高齢化率は農業後継者不足の深刻度を示す代理指標として機能する。
2
重回帰分析：農業生産性の決定要因

農家密度（都道府県の可住地面積あたり販売農家数）を目的変数とし、OLS（最小二乗法）による重回帰分析で決定要因を特定する。

農家密度ᵢ = β₀ + β₁・耕地率ᵢ + β₂・高齢化率ᵢ + β₃・ln(人口密度ᵢ)
                 + β₄・食料費比率ᵢ + β₅・気温ᵢ + εᵢ

i = 1, …, 47（都道府県）

散布図：農家密度 × 人口密度

農家密度と人口密度の散布図（47都道府県）
図2：農家密度と人口密度の散布図。都市化が進む（人口密度が高い）都道府県ほど農家密度は低下する（r = −0.430, p = 0.003）。（データ：SSDSE-B 2022 + SSDSE-E）
📌 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。
農家密度 × 人口密度 相関分析結果 ピアソン相関係数 r = −0.430（p = 0.0026）。都市化と農業集積の間に有意な負の相関が確認された。特に東京都・大阪府・神奈川県では農家密度が極めて低い一方、香川県・鳥取県・和歌山県では高い農家密度を示す。

OLS重回帰：標準化偏回帰係数

農家密度の決定要因：標準化偏回帰係数
図3：農家密度の決定要因（標準化偏回帰係数）。赤色バーは有意（p < 0.05）、灰色は非有意。95%信頼区間を表示。（N=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。
変数標準化係数βp値有意性解釈
年平均気温（℃） +0.378 0.025 * 温暖な地域ほど農家密度が高い（南日本・施設園芸）
高齢化率（%） +0.357 0.161 n.s. 農村地域に農家が多い傾向（符号は正だが非有意）
食料費比率（%） −0.152 0.327 n.s. 食料費比率との関係は不明確
耕地率（%） +0.051 0.721 n.s. 耕地率単独の効果は小さい
ln（人口密度） −0.031 0.905 n.s. 他の変数と相関しており独立効果は小

N=47、R²=0.239、adj.R²=0.146、F(5,41)=2.57、p=0.041。モデル全体は有意（p<0.05）だが個別変数の有意性はモデルの多重共線性に影響を受けている。気温のみが個別有意（p=0.025）。

分析結果の解釈
  • 年平均気温が唯一の有意な決定要因（β=+0.378）。温暖地域（九州・四国・東海）では露地野菜・果樹農業が盛んで農家密度が高い。
  • 高齢化率は正の係数（β=+0.357）だが非有意。農村部＝農家が多い地域が高齢化している構造を反映しているが、変数間の共線性もある。
  • N=47の小標本ではモデル全体の有意性は確認できるが（p=0.041）、個別変数の有意性の検出力は限られる。

DS LEARNING POINT 2

OLS重回帰分析の実装と標準化偏回帰係数

標準化偏回帰係数（β係数）は、各説明変数を標準化（平均0・分散1）した後の偏回帰係数。単位の異なる変数間で「どの変数が目的変数に最も強く影響しているか」を比較できる。

import statsmodels.api as sm from scipy import stats # 標準化（Z-score変換） X_std = (X - X.mean()) / X.std() # 各列を標準化 y_std = (y - y.mean()) / y.std() # 目的変数も標準化 # OLS推定（定数項を追加） X_const = sm.add_constant(X_std) model = sm.OLS(y_std, X_const).fit() # 標準化偏回帰係数 = 標準化後のモデルのパラメータ beta = model.params[1:] # 定数項を除く pvals = model.pvalues[1:] print(f"R² = {model.rsquared:.3f}") print(f"adj.R² = {model.rsquared_adj:.3f}") for var, b, p in zip(var_names, beta, pvals): sig = "**" if p < 0.01 else ("*" if p < 0.05 else "n.s.") print(f"{var}: β={b:+.3f}, p={p:.3f} {sig}")
3
地域別農業特性比較

47都道府県の農家密度を比較し、農業生産集積の地域パターンを把握する。農業センサスの農家数（2019年）と面積データ（SSDSE-E）を用いて算出した。

都道府県別農家密度ランキング
図4：都道府県別 農家密度ランキング（販売農家数/可住地面積, 戸/km²）。香川県・鳥取県・和歌山県等の小規模でも農業集積の高い地域が上位に。北海道は大規模農業のため農家密度は低い。（データ：SSDSE-E 2019農業センサス・2024面積）

農家密度 Top5 と Bottom5

順位都道府県農家密度（戸/km²）地域特徴
1位香川県15.86中国・四国小面積で農業密集。温暖気候・施設農業。
2位鳥取県15.39中国・四国二十世紀梨など果樹農業が盛ん。
3位和歌山県15.36近畿みかん等果樹農業の一大産地。
4位山梨県14.88中部ぶどう・桃など果樹王国。
5位徳島県13.83中国・四国野菜・果樹農業が活発。
……………
45位大阪府5.56近畿都市化率が高く農地は少ない。
46位東京都3.22関東日本最大の都市。農業用地は極めて限られる。
47位北海道1.42北海道・東北農家1戸あたり面積が大きい大規模農業地帯。農家密度は最低でも農業産出額は全国最大。
農家密度の解釈上の注意 農家密度（農家数/面積）が低い北海道は農業生産額では全国1位（約1兆2000億円）。大規模農業では「農家1戸あたりの農業産出額」が大きい。農家密度は農業の「集積度」を表すが、「農業産出量」の代理ではない点に注意が必要（小規模農家密集型 vs 大規模農業型という地域差を反映）。

DS LEARNING POINT 3

相関分析：ピアソン相関係数の計算と検定

2変数間の線形関係の強さと方向を定量化するピアソン相関係数 r は、−1（完全な負の相関）から+1（完全な正の相関）の範囲をとる。

from scipy import stats import numpy as np # 農家密度 × 人口密度の相関 x = df['人口密度'].values y = df['農家密度'].values r, p = stats.pearsonr(x, y) print(f"r = {r:.3f}, p = {p:.4f}") # r = -0.430, p = 0.0026 → 有意な負の相関 # 回帰直線 slope, intercept, r_sq, _, se = stats.linregress(x, y) print(f"回帰直線: y = {slope:.4f}x + {intercept:.3f}") print(f"R² = {r_sq**2:.3f}") # Cohen(1988)効果量の基準 # |r| < 0.10: 無視できる、0.10〜0.30: 小、0.30〜0.50: 中、0.50〜: 大 effect = "中（Medium）" # |r|=0.430

政策提言

分析結果から、農業生産強化と食料自給率向上に向けた以下の政策が示唆される。

分析から導かれる政策の方向性

課題統計的根拠政策対応
農業地域の高齢化加速 北海道・東北・中国四国で高齢化率33〜34%（全国平均31%超） 就農支援・農業大学校の充実、農業の魅力発信
都市部の農地消失 人口密度↑ → 農家密度↓（r=−0.430） 農地保全法制の強化、都市農業の推進
温暖地の農業優位性 気温がβ=+0.378で唯一有意（p=0.025） 温暖地域の施設園芸・高付加価値農業の支援
北海道の大規模農業 農家密度最低だが農業産出額全国1位 大規模・効率的農業モデルと小規模農家の両立支援
食料自給率向上に向けて 食料自給率の向上は単純に農家数を増やすことではなく、農業の生産性向上（農地1単位あたり産出量の増加）と担い手確保（就農者の確保・育成）の組み合わせが必要。統計分析は「気候的優位性のある地域での農業活性化」と「農業高齢化地域への支援集中」が有効な方向性であることを示唆している。

DS LEARNING POINT 4

回帰分析の限界と注意点

OLS重回帰分析は強力な分析手法だが、以下の点に注意が必要：

① 多重共線性（Multicollinearity）：説明変数間の相関が高いと、個別の偏回帰係数が不安定になる。本分析では高齢化率・ln人口密度・耕地率の間に共線性がある。

② 因果関係 ≠ 相関関係：「気温が高いほど農家密度が高い」は「気温が農家密度を決める」という因果ではなく、温暖地域の歴史的・文化的農業パターンを反映している可能性がある。

③ N=47の小標本：都道府県データは観察数が47件に限られる。変数が多いとモデルの自由度が低下し、adj.R²が下がる。変数選択の際は「理論的根拠」を重視する。

import statsmodels.api as sm import numpy as np # VIF（分散拡大係数）で多重共線性を診断 def calc_vif(X_df): from statsmodels.stats.outliers_influence import variance_inflation_factor vifs = {} X_arr = X_df.values for i, col in enumerate(X_df.columns): vifs[col] = variance_inflation_factor(X_arr, i) return vifs # VIF > 10 は多重共線性の問題ありとされる vif_dict = calc_vif(X_df) for var, vif in vif_dict.items(): flag = " ← 注意" if vif > 5 else "" print(f"{var}: VIF = {vif:.2f}{flag}")

まとめ

主要な発見

SSDSE-B（2012〜2022年度）とSSDSE-E（農業センサス）を用いた47都道府県の農業生産集積分析の結果：

  1. 農業地域の高齢化加速（時系列）：北海道・東北・中国四国の農業地帯で高齢化率が全国平均を上回って推移。農業後継者問題の深刻化が数字でも確認できる。
  2. 農家密度と人口密度の負の相関（r = −0.43）：都市化が進む都道府県ほど農業集積が低下。農地保全の重要性が統計的に示された。
  3. 気温が唯一の有意な決定要因（β = +0.378, p = 0.025）：温暖な気候が農業集積を促進。四国・九州・東海など温暖地域での農業優位性が確認された。
  4. 北海道のパラドックス：農家密度は最低（大規模農業）だが農業産出額は全国最高。農業の「密度」と「産出量」は必ずしも一致しない。
統計分析の示唆 食料自給率の向上には「農業地域の活性化（後継者育成・担い手確保）」と「農業の大規模化・効率化（北海道型）」の両面からのアプローチが必要。統計分析は政策の優先課題を客観的に示すツールとして機能する。
分析の限界と今後の課題 本研究の代理変数アプローチには限界がある。農業就業者の時系列パネルデータや農業産出額の都道府県別データを組み合わせることで、より直接的な食料自給率の決定要因分析が可能になる。また、N=47の小標本では多変数モデルの安定性に制限があり、変数選択の頑健性確認が今後の課題。
教育的価値（この分析から学べること）
  • VIF（分散拡大係数）：説明変数同士が強く相関している場合、係数推定が不安定になる『多重共線性』を検出する指標。一般に VIF>10 で警告と判断される。
  • 代理変数アプローチ：食料自給率の都道府県別データが得られないため、農家密度・農業地域高齢化など『近い概念』を代用する考え方を学べる。
  • 北海道のパラドックス：『農家密度が低い＝農業が弱い』とは限らない。大規模化・効率化により少数の農家でも産出量は最大化できる、という構造的視点を学べる。

データ・コードのダウンロード

分析スクリプト（2021_H3_suri.py）
データ出典備考
SSDSE-B-2026統計数理研究所 SSDSE（社会・人口統計体系）47都道府県、2012〜2022年度、年次パネル
SSDSE-E-2026統計数理研究所 SSDSE（都道府県比較）47都道府県、断面データ（農業センサス2019等）

本コードは実公的統計データ（SSDSE）のみを使用。合成データ・乱数生成（np.random.seed等）は一切使用しない。

教育用再現コード ｜ 2021年度（令和3年度）統計データ分析コンペティション 統計数理賞 [高校生の部]

⚠️ 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。
📅 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
地域別健康格差と社会経済要因の関係
次の論文 →
スポーツ施設・体育活動と医療費・健康指標の関係分析