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 統計データ分析コンペティション ｜ 優秀賞 [大学生・一般の部]

合計特殊出生率の地域格差
パネルデータによる決定要因分析

⏱️ 推定読了時間: 約42分
優秀賞（大学生・一般の部） | 手法: PanelOLS FE・Hausman検定・相関分析・時系列分析
📝 3行で分かる要約

目次

  1. 研究概要と背景
  2. データと変数定義
  3. TFRの時系列推移（地域別）
  4. 婚姻率と出生率の関係
  5. パネル固定効果モデルの推定結果
  6. Hausman検定：FE vs RE の選択
  7. まとめと政策的示唆
  8. データ・コードのダウンロード
  9. 📥 データの準備
  10. 💼 実社会での応用
  11. ⚠️ よくある誤解
  12. 📖 用語集
  13. 📐 手法ガイド
  14. 🚀 発展の可能性
  15. 🎯 自分でやってみよう
  16. 🤔 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_U2_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_U2_yushu.py
図は html/figures/ に自動保存されます。
概
研究概要と背景

日本の合計特殊出生率（TFR）は2023年に1.20と過去最低水準を更新し、少子化は喫緊の政策課題である。しかし都道府県別のTFRには大きな地域格差が存在し（2021年: 最高 沖縄1.80 ― 最低 東京1.08）、全国一律の対策では効果が限られる可能性がある。

まず「合計特殊出生率の地域格差パネルデータによる決定要因分析」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。

本研究は、都道府県別パネルデータ（2012–2023年、47都道府県×12年次 = 564観測）を用いて、TFRの地域差をもたらす経済・社会的要因を固定効果（FE）パネル回帰により推定する。Hausman検定でFE/REモデルの選択を統計的に判断する。

少子化の深刻さ：人口置換水準との乖離 人口を維持するには TFR ≥ 2.07（人口置換水準）が必要だが、全国平均は2023年に1.20まで下落。全47都道府県がこの水準を下回り、地域によっては回復の兆しが見えない。
分析の流れ
SSDSE-B
47都道府県
2012–2023
→
変数作成
（TFR・婚姻率
保育所密度等）
→
PanelOLS
固定効果
モデル
→
Hausman
検定
(FE vs RE)

SSDSE-B（都道府県別） PanelOLS固定効果 Hausman検定 時系列分析 地域格差分析

データと変数定義

使用データ: SSDSE-B-2026（都道府県別年次データ）

統計数理研究所が提供するSSDS-B（社会・人口統計体系 都道府県データ）を使用。2012〜2023年の12時点、47都道府県の合計564観測点から以下の変数を構築した。

変数名 定義式 単位 想定効果
TFR（目的変数） 合計特殊出生率（直接収録） — —
保育所密度 保育所等数 ÷ 総人口 × 10,000 施設/万人 正（子育て環境整備）
女性就業率（代理） 15〜64歳人口（女）÷ 15〜64歳人口 × 100 % 正/負（M字解消 or 機会費用）
婚姻率 婚姻件数 ÷ 総人口 × 1,000 件/千人 正（日本では婚外子少）
高齢化率 65歳以上人口 ÷ 総人口 × 100 % 負（若年人口構成低下）
消費支出（対数） log（消費支出・二人以上世帯） — 正/負（生活水準の代理）
47
都道府県（エンティティ数）
12
時点数（2012〜2023年）
女性就業率の代理変数について SSDSE-B には女性就業率の直接指標がないため、「15〜64歳人口中の女性比率」を代理として使用する。この変数は生産年齢人口の性別構成を反映しており、地域の労働市場の男女バランスの代理として機能する。真の女性就業率とは異なる点に注意が必要である。

DS LEARNING POINT 1

合計特殊出生率（TFR）の定義と政策的意義

TFR（Total Fertility Rate）は「1人の女性が生涯に産む子どもの平均人数」を表す指標。年齢別出生率の合計として定義される。人口の安定維持には TFR ≥ 2.07（先進国の置換水準）が必要。

政策立案において TFR は単なる出生統計ではなく、経済・社会政策の複合的な結果を映す「社会の鏡」として機能する。地域格差の分析は、効果的な政策投資の優先順位付けに不可欠。

import pandas as pd, numpy as np df = pd.read_csv('SSDSE-B-2026.csv', encoding='cp932', header=1) # 派生変数の作成 df['保育所密度'] = df['保育所等数'] / df['総人口'] * 10000 df['婚姻率'] = df['婚姻件数'] / df['総人口'] * 1000 df['高齢化率'] = df['65歳以上人口'] / df['総人口'] * 100 df['消費支出_log'] = np.log(df['消費支出（二人以上の世帯）']) # パネルデータ構造: (都道府県, 年度) のマルチインデックス df_panel = df.set_index(['都道府県', '年度']) print(f"エンティティ数: {df['都道府県'].nunique()}") print(f"時点数: {df['年度'].nunique()}") print(f"全観測数: {len(df)}")
1
TFRの時系列推移（地域別）

2012〜2023年の12年間の都道府県別TFRを8地域区分（北海道・東北・関東・中部・近畿・中国・四国・九州・沖縄）に集約し、地域間の格差と時系列トレンドを可視化する。

TFRの時系列推移（地域別平均）
図1：地域別合計特殊出生率の時系列推移（2012–2023年）。黒破線は全国平均、赤点線は人口置換水準（2.07）。
📌 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。

主要な観察

年度全国平均TFR変化の特徴
20121.460回復局面（リーマンショック後）
20151.530近年の最高水準
20191.455緩やかな下落開始
20201.421COVID-19 禍による急低下
20211.400分析論文の対象年
20231.293過去最低水準（データ最新年）
地域格差の特徴
  • 九州・沖縄が一貫して高いTFR（沖縄の伝統的な家族観・高婚姻率）
  • 関東・近畿（大都市圏）は都市化・高コスト生活が低TFRの主因
  • 東北・四国は中間的水準だが近年の下落が加速
  • 全地域で2020年以降の急落が共通して確認される
COVID-19の影響 2020〜2021年の急低下は、コロナ禍による結婚・出産の先送りが主因とされる。外出自粛・経済不安による婚姻件数の激減が翌年以降のTFR低下として現れた。
2
婚姻率と出生率の関係

日本は婚外子の割合が約3%と先進国中最低水準であり、TFRは婚姻率と強く連動すると理論的に予想される。2021年の都道府県別データで婚姻率とTFRの関係を可視化する。

婚姻率 vs TFR 散布図（2021年）
図2：婚姻率（件/千人）と合計特殊出生率の関係（2021年, 都道府県別, 地域色分け）。回帰直線とピアソン相関係数を併記。
📌 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。

2021年 婚姻率の極端値

区分都道府県婚姻率（件/千人）TFR特徴
最高婚姻率東京都4.981.08都市部: 高婚姻率だが超低TFR（コスト・キャリア要因）
高婚姻率沖縄県4.781.80高婚姻×高TFR（伝統的家族観が両者を押し上げ）
低婚姻率秋田県2.771.22高齢化・人口減少で婚姻機会自体が減少
低婚姻率青森県3.061.31地方部: 低婚姻率と若年人口流出
散布図の解釈上の注意点 2021年の単純相関では r ≈ 0.05（非有意）だが、これはパネル全体のサンプルではなく断面データ（N=47）の制約によるもの。東京（高婚姻率・低TFR）と沖縄（高婚姻率・高TFR）が正反対の効果を示すため、単純相関が打ち消し合う。パネル固定効果モデルでは都道府県固有の特性を制御したうえで効果を推定する。

DS LEARNING POINT 2

Hausman検定の手順：FE vs RE モデルの選択

パネル分析において「固定効果（FE）」と「変量効果（RE）」のどちらを使うかは Hausman 検定で判断する。帰無仮説は「個体効果（都道府県固有の特性）と説明変数が無相関（RE が一致推定量）」。

H₀ が棄却されれば個体効果と説明変数が相関しており FE を採択。棄却されなければ RE も一致推定量となり効率的な RE を採択。

from linearmodels.panel import PanelOLS, RandomEffects import statsmodels.api as sm import numpy as np # パネル構造（マルチインデックス: pref, year） df_panel = df.set_index(['pref', 'year']) y = df_panel['合計特殊出生率'] X = sm.add_constant(df_panel[['婚姻率', '保育所密度', '高齢化率', '女性就業率_代理', '消費支出_log']]) # 固定効果モデル（都道府県FE + 年次FE） fe_model = PanelOLS(y, X, entity_effects=True, time_effects=True) fe_res = fe_model.fit(cov_type='clustered', cluster_entity=True) # 変量効果モデル re_model = RandomEffects(y, X) re_res = re_model.fit() # Hausman統計量（手動計算） b_diff = fe_res.params[1:].values - re_res.params[1:].values cov_d = fe_res.cov.iloc[1:, 1:].values - re_res.cov.iloc[1:, 1:].values H_stat = b_diff @ np.linalg.pinv(cov_d) @ b_diff from scipy.stats import chi2 p_val = 1 - chi2.cdf(H_stat, df=len(b_diff)) print(f"Hausman H = {H_stat:.3f}, p = {p_val:.4f}") if p_val < 0.05: print("→ 固定効果モデルを採択（個体効果と説明変数が相関）") else: print("→ 変量効果モデルを採択（効率的な推定）")
3
パネル固定効果モデルの推定結果

都道府県固定効果（FE）と年次固定効果を同時に含む Two-way FE モデルを推定した。標準誤差は都道府県レベルのクラスター標準誤差を採用し、系列相関・異分散に頑健な推論を行う。

TFRit = αi + λt + β₁×保育所密度it + β₂×女性就業率代理it
+ β₃×婚姻率it + β₄×高齢化率it + β₅×log(消費支出)it + εit

αi: 都道府県FE, λt: 年次FE
固定効果モデル 係数プロット
図3：Two-way固定効果モデルの推定係数（95%信頼区間）。赤が p < 0.01、橙が p < 0.05、黄が p < 0.10、灰が非有意。
📌 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。

推定係数一覧（Two-way FE, クラスター標準誤差）

説明変数 係数 標準誤差 p値 有意性 解釈
保育所密度（施設/万人） −0.0243 0.0075 0.0013 *** 密度1単位増でTFR −0.024（注: 高密度地域は都市部に偏る）
女性就業率（代理） +0.0052 0.0175 0.767 n.s. 代理変数の限界。生産年齢女性比率は就業率の代理として弱い
婚姻率（件/千人） +0.0885 0.0199 <0.001 *** 婚姻率1件/千人増でTFR +0.089（最大効果変数）
高齢化率（%） −0.0107 0.0066 0.109 † 高齢化率上昇でTFR低下傾向（10%水準で有意）
消費支出（対数） +0.0060 0.0258 0.817 n.s. 消費水準との関係は固定効果除去後に消失

N=564（47都道府県×12年次）, Within R²=0.441, *** p<0.01, ** p<0.05, * p<0.10, n.s. 非有意

主要な発見 ― 婚姻率が最大の決定要因 固定効果除去後も婚姻率はTFRと強い正の関係を示す（β = 0.089, p < 0.001）。日本では婚外子が少ないため、婚姻率の低下が直接的に出生率を押し下げる。
保育所密度の負の係数について 保育所密度の係数が負（−0.024）なのは一見逆説的だが、保育所が多い地域は大都市圏に集中し、同時に住宅コスト・機会費用も高い（都市部の低出生率）という交絡が主因。FEモデルでは都道府県内の経年変化を推定するが、2012〜2023年で保育所を増設した都道府県（主に都市部）でTFRがむしろ低下したことを反映している可能性がある。

DS LEARNING POINT 3

婚姻率が出生率に与える影響：相関の背景にある社会構造

OECDの比較データによると、婚外子割合の高い国（フランス: 60%、スウェーデン: 55%）ではTFRと婚姻率の相関が弱い。一方、日本は婚外子が約3%と極端に少なく、婚姻とTFRがほぼ直結する特異な構造を持つ。

したがって少子化対策として「婚姻支援（マッチング促進・結婚費用補助）」は日本では特に効果的であるが、婚外子を認める社会規範の変容なしには構造的な上限がある。

from scipy.stats import pearsonr # 年別の婚姻率-TFR相関 for year in sorted(df['year'].unique()): sub = df[df['year'] == year] r, p = pearsonr(sub['婚姻率'], sub['TFR']) sig = '***' if p<0.001 else '**' if p<0.01 else '*' if p<0.05 else 'n.s.' print(f"{year}: r={r:.3f} ({sig})") # パネルFEによる効果推定 # 年次・都道府県の固定効果を除去した「純粋な」婚姻率効果 # β_marriage = 0.0885 → 婚姻率1件/千人の増加 → TFR +0.089 print("\n政策含意: 婚姻率を1件/千人引き上げると") print(f"TFR が約 +{0.0885:.3f} 上昇（FE推定値）")
4
Hausman検定：FE vs RE の係数比較

固定効果（FE）と変量効果（RE）のどちらが適切かを、Hausman 検定の考え方に基づいて係数の乖離から視覚的・定量的に診断する。FE と RE の推定値が大きく乖離する変数ほど、その変数と都道府県固有効果の相関が強い。

Hausman検定: FE vs RE 係数比較
図4：固定効果（青）と変量効果（橙）の係数比較。FE と RE の乖離が大きい変数（矢印）は個体効果との相関を示唆し、FEモデルの採択根拠となる。
📌 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。

FE vs RE 係数の比較

変数 FE 係数 RE 係数 差（FE−RE） 含意
保育所密度 −0.024 +0.038 −0.062 符号が逆転。都道府県固有の交絡（都市集中）が強い
女性就業率（代理） +0.005 +0.051 −0.046 RE は地域間差異を吸収せず過大推定
婚姻率 +0.089 +0.194 −0.105 RE の過大推定。FEが地域固有効果を適切に除去
高齢化率 −0.011 +0.024 −0.035 符号逆転。都道府県固定効果の制御が本質的
消費支出（対数） +0.006 −0.079 +0.085 FE除去後に効果が消失。見かけ上の負相関
Hausman検定の技術的注意点 本データでは FE と RE の分散共分散行列の差が半正定値でなくなる（数値的問題）ため、標準的な Hausman χ² 統計量が正値をとらない。これは短い T（12年）に対して K（変数数）が相対的に多い場合に生じる既知の問題。係数の視覚的比較（符号反転・大幅な乖離）からは、個体効果と説明変数の強い相関が確認されるため、FE モデルの採択が妥当である。
なぜ FE モデルが適切か 都道府県には「文化・歴史・地理的条件」による固有の出生力（fertility culture）が存在し、これは観測不能な変数として説明変数と相関する。FE モデルはこの個体固定効果を除去することで、観察可能な変数の「純粋な効果」を推定できる。

DS LEARNING POINT 4

少子化対策の統計的評価：保育所・女性就業率の効果推定

「保育所を増やせば出生率が上がる」という直感的な仮説は、パネル FE 分析では支持されない（係数が負）。これはなぜか？ 次の三層の因果構造を区別することが重要。

①交絡バイアス: 保育所が多い地域は大都市圏。大都市は独自の低出生率要因（高コスト・キャリア志向）を持つ。
②逆の因果: TFRが低い地域ほど政策的に保育所を拡充した可能性がある（政策内生性）。
③タイムラグ: 保育所整備の効果は投資から数年後に現れる可能性がある。

## 分析フレームワーク: 因果推論の視点 ## ───────────────────────────────────────── # 1. FE モデルで都道府県固有効果を除去 fe_model = PanelOLS(y, X, entity_effects=True, time_effects=True) fe_res = fe_model.fit(cov_type='clustered', cluster_entity=True) # 2. 係数の解釈 # β_nursery = -0.024 は # 「同じ都道府県内で保育所密度が増えた年にTFRが下がった」 # という within 変動の効果であり、 # 都市 vs 地方の between 効果ではない # 3. 政策的推奨 # 婚姻支援: β_marriage = +0.089 (最大効果, p<0.001) # → 婚姻率1件/千人増 = TFR +0.089 # 現実的な政策目標: 婚姻率 +0.5 → TFR +0.044 の改善 print("婚姻率0.5件/千人増によるTFR改善幅:", 0.0885 * 0.5) print("これは全国平均TFRの", round(0.0885*0.5 / 1.40 * 100, 1), "% に相当")

まとめと政策的示唆

分析の主要発見

都道府県別パネルデータ（2012〜2023年）を用いた Two-way 固定効果モデルによる主要発見：

  1. 婚姻率がTFRの最大決定要因（β = +0.089, p < 0.001）： 日本では婚外子が極めて少なく、婚姻率の変動がそのままTFRに転写される。婚姻支援政策（マッチング・費用補助）が最も直接的な少子化対策となりうる。
  2. 保育所密度の係数は負（β = −0.024, p = 0.001）： 都市部への保育所集中・政策内生性・タイムラグが要因。保育所整備は必要条件だが、TFR向上の十分条件ではない。「どこに」「どのような形で」整備するかの質的側面が重要。
  3. 地域間格差の固定効果（Poolability F = 164.2, p < 0.001）： 都道府県固有の効果が極めて大きく、FE モデルの採択は統計的に明確。地域文化・産業構造・人口構成の違いがTFRの地域格差を形成している。
  4. TFRの全体的な下落トレンド（時系列FE）： 2012年→2023年の全国平均TFR低下（1.46→1.29）は、コロナ禍を超えた構造的要因によるものであり、年次固定効果として確認される。
政策的示唆
  • 最優先: 婚姻促進策（マッチングサービス支援、結婚費用補助、婚活イベント）
  • 第二: 保育の「質」と地域格差縮小（地方への保育投資、認可外保育の整備）
  • 第三: 高齢化率低下（若年人口定着）のための雇用・住環境整備
  • 留意: 消費支出（生活水準）との関係は固定効果除去後に消失 → 経済成長「だけ」では出生率は上がらない
分析の限界と今後の課題
  • SSDSE-B には真の女性就業率が収録されていないため、代理変数を使用（弱点）
  • 婚姻率とTFRの「逆の因果」（低出生率 → 婚姻意欲低下）を本分析は制御できていない
  • 操作変数（IV）法や差分の差（DID）法による頑健性確認が望ましい
  • 市区町村レベルのより細かい地域格差分析には SSDSE-A の活用が有効
教育的価値（この分析から学べること）
  • 合計特殊出生率（TFR）：1人の女性が生涯に産む子の平均人数。日本では1.2〜1.3で、人口維持に必要な2.07を大きく下回る。
  • パネルデータと固定効果：都道府県×年のデータで、地域固有の時不変特性（気候・文化）の影響を除去できる。Hausman検定で固定効果（FE）と変量効果（RE）どちらが妥当かを判定する。
  • 出生率の決定要因の難しさ：経済要因・育児支援・女性就業・婚姻率など複数要因が絡む。単一の『万能な政策』はなく、組み合わせが重要という政策含意。

データ・コードのダウンロード

分析スクリプト（2021_U2_yushu.py）
データ出典・説明
SSDSE-B-2026.csv統計数理研究所「社会・人口統計体系データ」都道府県別, 2012–2023年
合計特殊出生率厚生労働省「人口動態統計」（SSDSE-B に収録）
婚姻件数・保育所等数厚生労働省（SSDSE-B に収録）
消費支出（二人以上世帯）総務省「家計調査」（SSDSE-B に収録）

使用Pythonライブラリ

ライブラリ用途
pandas, numpyデータ処理・変数作成
linearmodels（PanelOLS, RandomEffects）固定効果・変量効果パネル回帰
statsmodels定数項追加（add_constant）
scipy.statsピアソン相関係数, χ²分布
matplotlib図表作成（Agg バックエンド）

⚠️ 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。
⚖️ Hausman検定
何？
パネルデータ分析で「固定効果（FE）」と「変量効果（RE）」のどちらを使うべきかを統計的に判断する検定。
どう使う？
両モデルの係数が大きく異なれば RE に不整合あり → FE を採用。
何がわかる？
パネル分析のモデル選択を客観的な基準で決定できる。
結果の読み方
p < 0.05 → 固定効果モデルを採用。p ≥ 0.05 → 変量効果モデルも選択肢。
⚠️ 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。
🎯 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
COVID-19が地域経済に与えた影響：消費支出・雇用指標の…
次の論文 →
地域産業構造と経済成長：特化係数・主成分分析による産業集積の分析