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 ｜ 統計活用奨励賞 [高校生の部]

スポーツ施設・体育活動と
医療費・健康指標の関係分析

⏱️ 推定読了時間: 約35分
教育用再現コード ｜ データ: SSDSE-B-2026（2022年断面・47都道府県）
📝 3行で分かる要約

目次

  1. 研究の背景
  2. データと変数
  3. 健康・スポーツ指標の地域分布
  4. 重回帰分析
  5. 地域比較
  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_H4_katsuyo.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_H4_katsuyo.py
図は html/figures/ に自動保存されます。
背
研究の背景

日本では急速な高齢化を背景に、医療費の増大が社会的課題となっている。2022年度の国民医療費は約46兆円に上り、その抑制は財政上の喫緊の課題である。一方で、スポーツ・運動習慣が生活習慣病予防や健康寿命の延伸に効果があることは多くの研究が示している。

まず「スポーツ施設・体育活動と医療費・健康指標の関係分析」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、都道府県別のスポーツ・健康活動関連支出（教養娯楽費を代理変数として使用）が保健医療費に与える影響を、重回帰分析と相関分析を用いて統計的に検証する。

研究の問い スポーツ・文化活動への支出が多い都道府県ほど、世帯あたり保健医療費は少なくなるのか？ それとも生活習慣への意識が高い地域は医療費も高くなるのか？
分析の流れ
SSDSE-B
47都道府県
2022年断面
→
相関分析
（Pearson r）
→
重回帰分析
（OLS）
→
地域比較
（6地域）

SSDSE-B Pearson相関分析 OLS重回帰 地域比較

データと変数

使用データ

SSDSE（社会・人口統計体系）-B 2026年版（統計数理研究所提供）の2022年度断面データ。47都道府県すべてを対象とする。消費支出の内訳は「二人以上の世帯」の月額支出額（円）。

変数一覧

変数名SSDSE-B列名単位役割
保健医療費 保健医療費（二人以上の世帯） 円/月 目的変数（医療費指標）
教養娯楽費 教養娯楽費（二人以上の世帯） 円/月 説明変数（スポーツ・文化活動の代理変数）
高齢化率 65歳以上人口 / 総人口 × 100 % 説明変数（制御変数）
病院密度 一般病院数 / 総人口 × 100,000 施設/10万人 説明変数（医療インフラの代理変数）
代理変数（プロキシ）の考え方 SSDSE-Bには「スポーツ施設数」や「運動習慣率」の直接データは含まれない。そこで、 文化・娯楽・スポーツへの支出の合計である「教養娯楽費」を、スポーツ・健康活動への 参与度の代理変数（proxy variable）として使用する。この変数はスポーツジム費用・ レジャー施設利用費・習い事代なども含む点に注意が必要。

基本統計量（2022年・47都道府県）

14,390円
保健医療費 平均（円/月）
25,974円
教養娯楽費 平均（円/月）
31.4%
高齢化率 平均
変数最大値（都道府県）最小値（都道府県）平均標準偏差
保健医療費（円/月） 19,107（愛知県） 9,411（青森県） 14,390 2,007
教養娯楽費（円/月） 35,050（東京都） 17,601（青森県） 25,974 3,811
高齢化率（%） 38.2（秋田県） 22.2（沖縄県） 31.4 3.6
1
健康・スポーツ指標の地域分布

教養娯楽費（スポーツ等代理変数）と保健医療費の都道府県別分布を地域色で示す。 両変数に強い正の相関（r = 0.575, p < 0.001）が見られ、教養娯楽費が高い都道府県ほど 保健医療費も高い傾向がある。

教養娯楽費 vs 保健医療費 散布図
図1：教養娯楽費（スポーツ等代理変数）と保健医療費の散布図。2022年 47都道府県。
回帰線 r=0.575（p < 0.001）。地域色分け：青=北海道・東北、赤=関東、黄=中部、緑=近畿、紫=中国・四国、橙=九州・沖縄。
📌 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
散布図から読み取れること
  • 関東・中部・近畿は教養娯楽費・保健医療費ともに高い傾向
  • 北海道・東北は両変数ともに低い傾向
  • 沖縄県は高齢化率が低く、教養娯楽費も比較的低い（右下外れ値的位置）
  • 愛知県が保健医療費最大（19,107円）――名古屋圏の消費文化が反映か

DS LEARNING POINT 1

代理変数（プロキシ変数）の落とし穴

「教養娯楽費が高い → スポーツ習慣が豊か → 医療費が低い」と仮定したが、 結果は逆（正の相関）だった。これは「所得が高い地域は教養娯楽費も保健医療費も両方高い」 という交絡変数（confounders）の存在を示唆する。代理変数を使う際は、 想定しない変数が背後に潜んでいないか（omitted variable bias）を常に疑うことが重要。

from scipy import stats # Pearson相関係数と検定 r, p = stats.pearsonr(df['教養娯楽費'], df['保健医療費']) print(f"r = {r:.3f}, p = {p:.4f}") # → r = 0.575, p = 0.0000 # 偏相関（高齢化率を制御した場合）にも注目 # → 高齢化率を統制すると係数はどう変わるか？ → 重回帰分析で確認
2
重回帰分析

保健医療費（目的変数）に対して、教養娯楽費・高齢化率・病院密度の3変数を説明変数とする OLS（最小二乗法）重回帰分析を実施した。各変数を標準化（平均0、標準偏差1）したうえで推定し、 スケールの異なる変数の影響力を比較する。

保健医療費 = β₀ + β₁(教養娯楽費) + β₂(高齢化率) + β₃(病院密度) + ε

※各説明変数は推定前に標準化（z = (x − μ)/σ）
相関ヒートマップ
図2：健康・スポーツ関連変数のPearson相関行列（2022年・47都道府県）。
* p<0.05、** p<0.01。
📌 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。

相関行列の読み方

変数の組み合わせr値p値解釈
教養娯楽費 ↔ 保健医療費 +0.58 <0.001 正の相関：文化活動支出が多い地域ほど医療費も高い
高齢化率 ↔ 保健医療費 −0.25 0.09 弱い負の相関（限界的有意）
高齢化率 ↔ 教養娯楽費 −0.56 <0.001 高齢化が進んだ地域は娯楽支出が低い
病院密度 ↔ 保健医療費 +0.22 0.14 正の相関（有意でない）
標準化偏回帰係数プロット
図3：保健医療費に対する標準化偏回帰係数。
赤=有意（p<0.05）、灰=非有意（p≥0.05）。R²=0.420、調整済みR²=0.379。
📌 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

変数標準化係数 βt値p値有意性
教養娯楽費（スポーツ等代理） +997 3.75 0.001 **
高齢化率 −720 −2.49 0.017 *
病院密度（10万人あたり） +465 1.66 0.105 n.s.
モデル適合度： R² = 0.420、調整済みR² = 0.379、F(3,43) = 10.37、p < 0.001
重回帰分析の解釈
  • 教養娯楽費（β = +997, p = 0.001）：高齢化率・病院密度を統制しても、教養娯楽費が多い都道府県ほど保健医療費が高い（逆の方向）。「スポーツ→医療費抑制」の仮説は支持されなかった。
  • 高齢化率（β = −720, p = 0.017）：高齢化率が高い地域では保健医療費がむしろ低い。高齢化地域は消費全体が低く、保健医療費も相対的に抑えられる可能性。
  • 病院密度（β = +465, p = 0.105）：有意ではなく、医療インフラ自体の単純な効果は確認できない。

DS LEARNING POINT 2

重回帰とOLS：標準化係数の意味

標準化した説明変数を使うと、係数βは「その変数が1標準偏差増加したときの目的変数の変化量（元の単位）」を表す。これにより単位の異なる変数（円・%・施設数）の影響力を直接比較できる。

import statsmodels.api as sm import numpy as np # 標準化 X_scaled = (X_raw - X_raw.mean(axis=0)) / X_raw.std(axis=0) # OLS推定 X_sm = sm.add_constant(X_scaled) model = sm.OLS(y, X_sm).fit() print(model.summary()) # 標準化係数 β は model.params[1:] で取得 # 係数の解釈: 教養娯楽費が1SD増加すると保健医療費が+997円/月 増加

DS LEARNING POINT 3

仮説と逆の結果が出たときの科学的思考

「スポーツ活動が多い地域ほど医療費が低いはず」と予想したが、データは逆の傾向を示した。 このような場合に考えられる説明：

① 交絡変数（所得・GDP）：豊かな都市部は教養娯楽費も保健医療費も高い。 ② 代理変数の不完全性：教養娯楽費にはスポーツ以外の支出（旅行、映画、習い事）が混在。 ③ 集計レベルの問題：都道府県別集計では個人レベルの因果関係が見えにくい（生態学的錯誤）。 ④ 逆因果：医療への関心が高い地域は医療・健康への支出も多くなる。

# 交絡変数の問題を可視化するために # 所得代理変数（消費支出合計）で調整した偏相関を確認する from scipy import stats # 単純相関 r_simple, p_simple = stats.pearsonr(df['教養娯楽費'], df['保健医療費']) # 偏相関（消費支出合計を制御） # → 所得水準を統制すると相関がどう変わるか確認 # 手法: 消費支出合計への残差を使った2段階回帰 消費支出合計 = df['消費支出（二人以上の世帯）'] res_x = stats.linregress(消費支出合計, df['教養娯楽費']) res_y = stats.linregress(消費支出合計, df['保健医療費']) resid_x = df['教養娯楽費'] - (res_x.slope * 消費支出合計 + res_x.intercept) resid_y = df['保健医療費'] - (res_y.slope * 消費支出合計 + res_y.intercept) r_partial, p_partial = stats.pearsonr(resid_x, resid_y)
3
地域比較

47都道府県を6地域（北海道・東北、関東、中部、近畿、中国・四国、九州・沖縄）に分類し、 地域別の保健医療費の特徴を比較する。

都道府県別保健医療費ランキング
図4：都道府県別保健医療費ランキング（上位・下位各10県）。2022年・地域色分け。

地域別保健医療費の平均（2022年）

地域保健医療費 平均（円/月）全国比
関東15,719+9.2%
近畿15,016+4.4%
中部15,006+4.3%
九州・沖縄14,516+0.9%
中国・四国13,700−4.8%
北海道・東北12,384−14.0%
全国平均14,390—
地域差の解釈
  • 関東・中部・近畿は保健医療費が全国平均を上回る。これらの地域は所得・消費水準が高く、医療費も高い傾向。
  • 北海道・東北は全国平均より約14%低い。高齢化が進んでいるが消費水準全体が低いことが影響。
  • 愛知県（19,107円）と青森県（9,411円）の差は約2倍——地域格差が大きい。
外れ値に注目
  • 愛知県（19,107円）：名古屋圏の旺盛な消費・製造業の高所得が背景。健康意識の高い地域とも言われる。
  • 青森県（9,411円）：全国最低。北東北は消費支出全体が低く、保健医療への支出余力も限られる。
  • 和歌山県（10,846円）：近畿圏でありながら低い——高齢化率が高く過疎化が進む。

DS LEARNING POINT 4

集計レベルと生態学的錯誤（Ecological Fallacy）

都道府県レベルの分析では、「教養娯楽費が高い都道府県ほど保健医療費が高い」という結果が得られた。しかし、これが個人レベルでも同じことを意味するとは限らない。これを生態学的錯誤（Ecological Fallacy）と呼ぶ。

たとえば、スポーツを多くする個人は医療費を節約できていても、その人が住む都道府県全体では他の要因（所得・人口構成）が優勢で、集計値では逆の相関が現れることがある。

# 集計レベルの分析の限界を認識する # 個人レベルのデータ（例：国民生活基礎調査）があれば # マルチレベル分析（階層線形モデル）で両レベルを同時に推定できる import statsmodels.formula.api as smf # 仮にデータがあった場合のマルチレベルモデルのイメージ # model = smf.mixedlm( # "医療費 ~ スポーツ時間 + 年齢 + 収入", # data=individual_df, # groups=individual_df["都道府県"] # 都道府県をグループ変数に # ).fit() # → 個人レベル・都道府県レベルの効果を分離できる

政策提言

本研究の統計分析から得られた知見をもとに、スポーツ・健康施策と医療費抑制に関する政策提言を整理する。

発見1：単純な「スポーツ→医療費減」は統計的に確認できず 都道府県別集計データでは、教養娯楽費と保健医療費は正の相関（r=0.575）を示した。 これは「スポーツ普及＝医療費削減」という単純な因果関係を仮定するだけでは不十分であることを示す。 所得・消費水準という交絡変数の影響が大きい。
発見2：高齢化率と医療費の逆説的関係 重回帰分析では高齢化率が高い地域ほど保健医療費が（消費ベースで）低い傾向が見られた（β=−720, p=0.017）。 これは「高齢化＝医療費増大」という通説とは異なる。消費支出のシェアとして見た場合、 高齢化地域では可処分所得自体が低く、医療費の絶対額も抑制されている可能性がある。
政策への含意
  1. スポーツ施設のアクセス向上：北東北・中国山陰など保健医療費・教養娯楽費ともに低い地域では、スポーツ施設へのアクセスが限られる可能性がある。公共スポーツ施設の整備や利用補助が有効。
  2. 個人レベルの運動習慣調査：都道府県集計データの限界を超えるには、個人の運動習慣・医療費データを結合した分析が必要。国民生活基礎調査との連携を提案。
  3. 所得格差への対処：地域間の医療費格差の多くは所得格差に起因している可能性がある。スポーツ普及施策と同時に、所得格差の是正が医療費の地域間均等化に貢献する。

まとめ

主要な発見

SSDSE-B 2022年断面データ（47都道府県）を用いた相関分析・重回帰分析の結果：

  1. 教養娯楽費と保健医療費は正の相関（r=0.575）：「スポーツ活動が多い地域ほど医療費が低い」という仮説は都道府県集計データでは支持されなかった。
  2. 重回帰分析（R²=0.420）：教養娯楽費・高齢化率が有意な説明変数として選択された。病院密度は有意でなかった。
  3. 地域差が顕著：最大（愛知 19,107円）と最小（青森 9,411円）の保健医療費は約2倍の差。地域間格差は所得水準と強く連動。
  4. 代理変数・集計レベルの限界：教養娯楽費はスポーツ活動の不完全な代理変数であり、都道府県集計では生態学的錯誤のリスクがある。
この研究から学べること 統計分析は仮説通りの結果が出ないことが多い。その場合、「データが間違っている」のではなく 「仮説の前提（変数の測定・集計レベル・交絡変数）を見直す」ことが科学的思考の核心である。 スポーツと健康・医療費の関係を正確に解明するには、個人レベルのパネルデータによる 因果推論（傾向スコアマッチング・固定効果モデル等）が必要である。
手法主な知見限界
Pearson相関分析 教養娯楽費-保健医療費 r=0.575 (p<0.001) 交絡変数の影響を考慮できない
OLS重回帰分析 R²=0.420。教養娯楽費・高齢化率が有意 n=47の小標本。生態学的錯誤のリスク
地域比較 関東・中部・近畿が高く、北東北が低い 地域内の都道府県間格差も大きい
教育的価値（この分析から学べること）
  • スポーツ実施率と医療費の関係：運動が健康に良いという常識を、都道府県データで定量的に確認する『社会的事実の数値化』を体験できる。
  • 回帰係数 β の解釈：標準化偏回帰係数 β は、単位の異なる変数の影響度を『同じものさし』で比較するための値。|β| が大きいほど効果が強い。
  • 政策含意の出し方：統計的に有意でも『どれだけスポーツ実施率を上げれば医療費がどれだけ減るか』を係数の大きさから試算することで、初めて政策に活かせる。

データ・コードのダウンロード

分析スクリプト（2021_H4_katsuyo.py）
データ出典
SSDSE-B 都道府県データ（2022年度）統計数理研究所 SSDSE（社会・人口統計体系）2026年版
消費支出内訳（二人以上の世帯）総務省 家計調査（SSDSE-B 収録）
人口・高齢化率総務省 住民基本台帳人口移動報告（SSDSE-B 収録）
一般病院数厚生労働省 医療施設調査（SSDSE-B 収録）

本教育用コードはSSSDSE-B-2026.csvの実データを使用（合成データ不使用）。分析対象：2022年度・47都道府県。

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 統計活用奨励賞 [高校生の部]
データ: SSDSE-B-2026（統計数理研究所）

⚠️ 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
都道府県別農業生産と食料自給率の決定要因分析
次の論文 →
人口減少対策の効果検証：移住促進・子育て支援政策の地域分析