論文一覧に戻る 統計データ分析コンペ 教育用再現集
★ 審査員奨励賞（高校生の部） ★

都道府県別環境指標と住民生活の質の関係分析

⏱️ 推定読了時間: 約38分
2021年度（令和3年度） 統計データ分析コンペティション
相関分析 重回帰分析 地域比較 SSDSE-B 47都道府県
📝 3行で分かる要約

目次

  1. 研究の背景：環境と生活の質
  2. データと変数
  3. 環境指標の地域分布
  4. 重回帰分析：環境が生活の質に与える影響
  5. 地域比較：環境の質と消費水準
  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_H5_6_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/2021_H5_6_shorei.py
図は html/figures/ に自動保存されます。
背
研究の背景：環境と生活の質

「豊かさ」は経済指標だけでは測れない。近年、GDPや所得に加えて、環境の質・文化的充実・将来世代への持続可能性が「生活の質（Quality of Life）」の重要な構成要素として認識されるようになっている。 日本においても、環境省の「環境白書」や地方自治体の「環境基本計画」において、環境保全と住民生活の向上を一体的に進める政策が推進されている。

まず「都道府県別環境指標と住民生活の質の関係分析」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。

リサーチクエスチョン 都道府県レベルの環境指標（ごみ排出量・リサイクル率・気候条件）は、住民の消費支出や余暇・文化支出、さらには出生率（将来的な生活の質）と、どのような関係にあるのか？ 重回帰分析によって、どの環境・生活要因が最も「消費水準の高さ」を説明できるのかを明らかにする。
分析の流れ
SSDSE-B
47都道府県
2022年断面
→
変数選択・
相関分析
（Pearson r）
→
OLS
重回帰分析
（標準化係数）
→
地域別
比較・
政策提言

環境指標 生活の質 重回帰分析 地域比較

データと変数

使用データ

SSDSE（社会・人口統計体系データセット）-B（2026年版）の都道府県別データを使用した。 地域コードが R\d{5} の47都道府県行を抽出し、2022年断面データ（N=47）を分析に用いた。 欠損値は存在せず、全47都道府県で分析可能であった。

47
分析対象都道府県数
2022
分析年度（断面データ）
6
説明変数（環境・生活）
0.640
OLS モデル R²

説明変数・目的変数の定義

カテゴリ変数名（SSDSE-B）役割2022年全国平均
環境指標（説明変数） 1人1日あたりのごみ排出量（g） 環境負荷の指標 906.1 g
ごみのリサイクル率（%） 環境意識・インフラの指標 18.2 %
気候条件（説明変数） 年平均気温（℃） 居住環境の快適性 16.1 ℃
年間降水量（mm） 自然環境の代理 1,544 mm
余暇・文化（説明変数） 教養娯楽費（円/月） 文化的豊かさの代理 25,974 円
将来の生活の質（説明変数） 合計特殊出生率 長期的生活満足度の代理 1.358
目的変数 消費支出（円/月、二人以上の世帯） 生活の質の総合指標 289,630 円
変数選択の方針 消費支出は「実際の生活水準」を直接反映する最も客観的な指標であるため目的変数とした。 環境変数（ごみ排出量・リサイクル率）は「環境への配慮度」、気候変数は「居住の自然条件」、 教養娯楽費は「文化的余暇」、出生率は「地域の将来性・生活満足度」の代理変数として位置付けた。
1
環境指標の地域分布

まず、都道府県別のごみ排出量（環境負荷の基本指標）の地域分布を確認する。 ごみ排出量は都市化の程度、廃棄物処理インフラ、住民のライフスタイルを反映する総合的な環境指標である。

北海道・東北 関東 中部 近畿 中国・四国 九州・沖縄
都道府県別ごみ排出量ランキング
図1：都道府県別 1人1日あたりごみ排出量（2022年）。地域ごとに色分け。京都府が最小（770g）、福島県が最大（1,021g）。全国平均906g（破線）。
地域都道府県数平均ごみ排出量（g/人/日）特徴
北海道・東北7960.3全国最多。寒冷地・灯油缶等の廃棄増
中国・四国9917.7農山漁村部が多く処理の効率化課題
九州・沖縄8911.5観光廃棄物・島嶼部の制約
中部9906.6全国平均水準
近畿7861.9大都市圏のインフラ整備・分別意識
関東7874.4大都市圏で比較的低水準
地域分布のポイント 大都市圏（関東・近畿）は廃棄物リサイクルインフラが整備されており、ごみ排出量が低い傾向にある。 一方、北海道・東北は寒冷地由来の廃棄物が多く、最も高い水準となった。この地域差は後の回帰分析の解釈において重要な背景情報となる。

DS LEARNING POINT 1

都道府県データにおける地域効果（Regional Effect）

都道府県データは47という小さいサンプルサイズのため、地域ごとのまとまりが統計的にも重要。地域をカテゴリ変数として回帰に加える「地域固定効果モデル」は過学習リスクがあるが、地域ダミーを入れずに分析する際は「地域差」が残差に含まれることに留意する。

import pandas as pd from scipy import stats # 地域別の平均を比較（一元配置分散分析） groups = [df[df['地域'] == r]['ごみ排出量'].values for r in region_colors.keys()] f_stat, p_val = stats.f_oneway(*groups) print(f"一元配置ANOVA: F={f_stat:.3f}, p={p_val:.4f}") # → 地域間に有意差があるかを確認 # η²（効果量） ss_between = sum(len(g)*(g.mean()-df['ごみ排出量'].mean())**2 for g in groups) ss_total = ((df['ごみ排出量'] - df['ごみ排出量'].mean())**2).sum() eta2 = ss_between / ss_total print(f"η²（効果量） = {eta2:.3f}")
2
重回帰分析：環境が生活の質に与える影響

目的変数（消費支出）と各説明変数の Pearson 相関係数をまず確認し、次に OLS 重回帰（標準化）によって偏回帰係数を推定した。 標準化係数（β）は単位の異なる変数間で「どの変数が消費支出の変動をより強く説明するか」を比較するために用いる。

Step 1：相関分析（Pearson r）

相関行列ヒートマップ
図2：環境・生活関連変数の 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。
変数消費支出との rp値有意性解釈
ごみ排出量 −0.292 0.0463 * 排出量が多い県ほど消費支出が低い傾向
リサイクル率 +0.369 0.0106 * リサイクル意識が高い県ほど消費支出も高い
年平均気温 −0.097 0.516 ns 有意な相関なし
年間降水量 −0.076 0.611 ns 有意な相関なし
教養娯楽費 +0.781 <0.001 ** 余暇支出と消費全体は強く連動
合計特殊出生率 −0.336 0.0211 * 都市部の低出生率と高消費支出の逆相関
相関分析の主要な発見
  • 教養娯楽費（r=+0.781）が消費支出と最も強く正の相関。「余暇・文化支出が充実している地域は消費水準も高い」という関係が明確。
  • ごみ排出量（r=−0.292）は有意な負の相関。環境負荷が高い（ごみを多く出す）県ほど消費支出が低い傾向。
  • リサイクル率（r=+0.369）も有意な正の相関。環境意識と生活水準の正の関係を示唆。
  • 出生率は都市部で低く消費支出が高いという「都市化効果」を反映した負の相関（r=−0.336）。

DS LEARNING POINT 2

相関は因果ではない（Correlation ≠ Causation）

リサイクル率と消費支出の正の相関は「リサイクルが消費を増やす」という因果を意味しない。 都市化度（人口密度・所得水準）という「交絡変数」が両者を同時に押し上げている可能性が高い。 因果推論には操作変数法（IV）やパネルデータの固定効果モデルが必要。

from scipy import stats # Pearson相関の計算とp値 r, p = stats.pearsonr(df['リサイクル率'], df['消費支出']) print(f"r = {r:.4f}, p = {p:.4f}") # 偏相関：人口規模（交絡）をコントロール # → statsmodels の partial_corr に相当 import pingouin as pg result = pg.partial_corr(data=df, x='リサイクル率', y='消費支出', covar='総人口') print(result[['r', 'p-val']])

Step 2：OLS 重回帰分析（目的変数：消費支出、説明変数：全6変数）

消費支出* = β₀ + β₁・ごみ排出量* + β₂・リサイクル率* + β₃・年平均気温*
　　　　　+ β₄・年間降水量* + β₅・教養娯楽費* + β₆・出生率* + ε

（* は標準化済み変数; OLS 推定; N=47）
標準化偏回帰係数プロット
図3：消費支出を目的変数とする OLS 重回帰の標準化偏回帰係数（β）と 95% 信頼区間。赤=正の効果、青=負の効果。濃色=p<0.05（有意）、淡色=非有意。
📌 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（β）p値有意性解釈
ごみ排出量 −0.017 0.881 ns 他変数制御後は非有意
リサイクル率 +0.142 0.169 ns 他変数制御後は非有意
年平均気温 −0.074 0.569 ns 非有意
年間降水量 +0.044 0.674 ns 非有意
教養娯楽費 +0.785 <0.001 ** 唯一の有意な説明変数
合計特殊出生率 +0.104 0.466 ns 非有意
OLS 重回帰結果のまとめ
  • R²=0.640, Adj.R²=0.586：モデルは消費支出の分散の 64% を説明。
  • F(6, 40)=11.83, p<0.001：モデル全体として有意。
  • 偏回帰係数が有意なのは教養娯楽費（β=+0.785, p<0.001）のみ。
  • ごみ排出量・リサイクル率は単変量相関では有意だったが、教養娯楽費を統制すると非有意化。多重共線性・交絡の影響が示唆される。

DS LEARNING POINT 3

「有意な相関」が「有意な偏回帰係数」にならない理由

ごみ排出量は消費支出と単変量で r=−0.292（p=0.046）の有意な相関を持つが、 重回帰に投入すると β=−0.017（p=0.881）と非有意になる。これは「抑制効果」や「共変量による交絡除去」が起きているためである。 多変量回帰での偏相関は「他の変数を一定にしたときの純粋な効果」を示すので、解釈は慎重に行う必要がある。

import statsmodels.api as sm from sklearn.preprocessing import StandardScaler # 標準化して OLS 推定 sc = StandardScaler() X_std = sc.fit_transform(df[X_cols]) y_std = sc.fit_transform(df[['消費支出']]).ravel() X_ols = sm.add_constant(X_std) model = sm.OLS(y_std, X_ols).fit() print(model.summary()) # VIF（多重共線性の診断） from statsmodels.stats.outliers_influence import variance_inflation_factor for i, col in enumerate(X_cols): vif = variance_inflation_factor(X_std, i) print(f"{col}: VIF={vif:.2f}") # VIF > 10 → 深刻な多重共線性の可能性
ごみ排出量と消費支出の散布図
図4：都道府県別 ごみ排出量 vs 消費支出の散布図（2022年）。地域色分け・回帰線付き。r=−0.292（p=0.046）。
📌 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。
3
地域比較：環境の質と消費水準

相関・回帰分析で得られた知見を地域別の視点から検証する。大都市圏（関東・近畿）は消費支出が高くごみ排出量が少ない傾向にあり、環境配慮と生活水準の両立という仮説と整合する結果が得られた。

地域 平均消費支出
（円/月）		 平均ごみ排出量
（g/人/日）		 平均リサイクル率
（%）		 平均教養娯楽費
（円/月）
北海道・東北 271,459 960.3 16.4 22,573
関東 315,528 874.4 19.4 30,671
中部 291,001 906.6 20.2 25,983
近畿 291,846 861.9 16.5 26,234
中国・四国 279,085 917.7 18.3 23,178
九州・沖縄 276,952 911.5 17.4 22,882
地域比較の主要な発見
  • 関東は消費支出（315,528円）・教養娯楽費（30,671円）ともに全国最高水準で、ごみ排出量は比較的低い（874g）。
  • 北海道・東北はごみ排出量が最多（960g）で消費支出も最低水準（271,459円）。寒冷地における生活コストの高さが示唆される。
  • 中部はリサイクル率が最高（20.2%）で、製造業中心の環境管理意識の高さが反映されている可能性がある。

DS LEARNING POINT 4

47都道府県データの統計的限界

N=47 という小さなサンプルサイズでは、検出力（statistical power）が低い。 Cohen（1988）の基準では、N=47 で中程度の効果量（r=0.3）を検出するには有意水準 α=0.05 で検出力約 60% 程度しかない（理想は 80% 以上）。 また、都道府県データは独立同分布（i.i.d.）の仮定が成立しにくく、空間的自己相関（隣接県の類似性）が存在する可能性がある。

from scipy import stats import numpy as np N = 47 # 必要サンプルサイズの逆計算（検出力80%、α=0.05） # Fisher's z 変換を用いた近似 def required_n(r, alpha=0.05, power=0.80): z_alpha = stats.norm.ppf(1 - alpha/2) z_beta = stats.norm.ppf(power) return int(np.ceil(((z_alpha + z_beta) / (0.5 * np.log((1+r)/(1-r))))**2 + 3)) for r_target in [0.3, 0.4, 0.5]: n_req = required_n(r_target) print(f"r={r_target}: 必要N={n_req} (現在N={N}, " f"{'充分' if N >= n_req else '不足'})")

政策提言

本分析の結果から、都道府県の「環境の質と生活水準」の関係について、以下の政策的示唆が得られた。 統計的な因果推論には慎重を要するが、相関分析・重回帰分析の結果は政策立案の参考となりうる。

本研究の限界と今後の課題
  • 断面データのため因果推論が困難。パネルデータ（複数年度）による分析が望ましい。
  • N=47 の小サンプルで検出力が制約される。より細かい市区町村レベルの分析が有効。
  • 交絡変数（所得水準・人口密度・高齢化率）の統制が不十分な可能性がある。
  • 空間的自己相関の検定（Moran's I）を行うことでより頑健な分析が可能。

まとめ

本研究では SSDSE-B の 47 都道府県データ（2022年）を用いて、環境指標（ごみ排出量・リサイクル率・気候条件）と住民生活の質（消費支出）の関係を相関分析・OLS 重回帰で分析した。

  1. 相関分析：ごみ排出量（r=−0.292）・リサイクル率（r=+0.369）・出生率（r=−0.336）は消費支出と有意な相関。教養娯楽費は最も強い正の相関（r=+0.781）。
  2. 重回帰分析：OLS モデルは R²=0.640 でモデル全体が有意（p<0.001）。偏回帰係数が有意なのは教養娯楽費のみ（β=+0.785）。環境変数は他変数を統制すると非有意化。
  3. 地域比較：関東が消費支出・教養娯楽費で最高水準かつごみ排出量が低く、「環境配慮と高生活水準の共存」パターンを示す。北海道・東北は逆のパターン。
  4. 政策的示唆：文化・余暇インフラ整備が消費水準向上に最も効果的。環境政策（廃棄物削減・リサイクル推進）はグリーン成長の観点から経済振興と一体的に進めることが有効と考えられる。
本研究の意義 高校生の分析として、実際の公的統計データ（SSDSE-B）を用いて環境と生活の質という重要な政策テーマに統計的にアプローチした点が評価される。 相関分析・重回帰分析という標準的な手法を組み合わせ、地域差の可視化まで行った包括的な分析スタイルは、高校生の統計学習の良いモデルとなる。
教育的価値（この分析から学べること）
  • 環境指標と生活の質：CO2排出量・大気汚染・緑地率など環境指標は『住みやすさ』の重要要素。客観指標と主観的満足度の関係を考察できる。
  • EKC仮説：環境クズネッツ曲線。所得が上がると一度は環境負荷が増えるが、ある水準を超えると改善に転じる『逆U字』関係を想定する仮説。
  • 複数指標の合成：環境の良さは1つの指標で測れないので、複数指標を主成分分析や合成指数として統合する手法を学べる。

データ・コードのダウンロード

分析スクリプト（2021_H5_6_shorei.py）
データ出典備考
SSDSE-B 都道府県データ（2026年版） 統計数理研究所 SSDSE（社会・人口統計体系） 2022年断面、N=47
ごみ排出量・リサイクル率 環境省「一般廃棄物処理事業実態調査」（SSDSE-B 収録） 1人1日あたり（g）
消費支出・教養娯楽費 総務省「家計調査」（SSDSE-B 収録） 二人以上の世帯（円/月）
合計特殊出生率 厚生労働省「人口動態統計」（SSDSE-B 収録） 都道府県別

本教育用コードは実際の公的統計データ（SSDSE-B）のみを使用しています。合成データ・乱数シードは一切使用していません。

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 審査員奨励賞（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。
🌿 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。
🎯 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
都道府県別家計所得格差と社会保障支出の効果分析
次の論文 →
コロナ禍の地域経済：第一波による雇用・消費への影響分析