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 ｜ 統計数理賞 [大学生・一般の部]

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

⏱️ 推定読了時間: 約42分
統計数理賞（大学生・一般の部） ｜ 2021年度
📝 3行で分かる要約

目次

  1. 研究概要と背景
  2. データと代理変数の設計
  3. レーダーチャート：地域ブロック別産業特化プロファイル
  4. 主成分分析（PCA）：産業構造の次元削減
  5. Ward法クラスタリング：地域類型の抽出
  6. 産業集積と経済活動水準の関係
  7. まとめと政策的含意
  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_U3_suri.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_U3_suri.py
図は html/figures/ に自動保存されます。
概
研究概要と背景

日本の地域経済は都道府県ごとに大きく異なる産業構造を持ち、その差異が経済成長格差の根本要因と考えられる。本研究は産業集積の測定に特化係数（Location Quotient; LQ）を用い、各地域が全国平均に対してどの産業で特化しているかを定量化する。さらに主成分分析（PCA）による次元削減とWard法クラスタリングを組み合わせ、類似した産業構造を持つ地域グループを抽出して経済成長との関係を分析する。

まず「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」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。

特化係数（LQ）の経済地理学的意義 LQが1.0を超える産業では、その地域が全国平均以上の産業集積を持つことを示す。LQ>1.25程度を「特化産業」として識別するのが一般的。産業集積は知識スピルオーバーや集積の経済（Agglomeration Economies）を通じて生産性向上をもたらすと理論的に予測される。
分析の流れ
SSDSE-B
47都道府県
2022年
→
代理指標
LQ計算
(6変数)
→
レーダー
チャート
(地域比較)
→
PCA
次元削減
→
Ward法
クラスタ
類型化

特化係数（LQ） レーダーチャート 主成分分析（PCA） Ward法クラスタリング

データと代理変数の設計

使用データ

SSDSE-B（都道府県・時系列データ）の2022年データ（47都道府県）を使用。SSDSE-Bには直接的な産業別就業者数は含まれないため、産業集積の強さを表す代理変数（Proxy Variable）を各種統計から構築する。

代理指標の定義（特化係数類似指標）

指標名 計算式 代理する産業 理由
観光特化 旅館施設数 ÷ 総人口 × 10,000 観光・宿泊業 観光地ほど旅館・ホテルの施設密度が高い
農業特化代理 1000 ÷ 1人1日ごみ排出量 農業・第一次産業 農村地域は都市化が低く、1人当たりごみ排出量が少ない傾向
教育特化 大学学生数 ÷ 総人口 × 1,000 高等教育・知識産業 大学都市ほど学生密度（高等教育産業）が高い
医療特化 (病院数 + 診療所数) ÷ 総人口 × 10,000 医療・福祉産業 医療機関密度が医療産業集積を反映
建設特化代理 着工新設住宅戸数 ÷ 総人口 × 10,000 建設・不動産業 住宅着工数が建設需要・活動の代理
消費支出_log log(消費支出（二人以上世帯）) 経済成長代理 家計消費水準は地域経済活力の代理指標
LQ値の正規化方法 各代理指標を47都道府県の全国平均で割ることで「相対的特化度（LQ類似指標）」を計算。LQ=1.0が全国平均水準、LQ>1.0が全国平均以上の集積を意味する。
特化係数（LQ）の計算式： LQ_i = (指標_i / 全国平均_指標)

例）観光特化 LQ = (旅館施設数/人口)_地域i / (旅館施設数/人口)_全国平均

記述統計（LQ値, N=47都道府県, 2022年）

指標最小第1四分位中央値第3四分位最大
観光特化0.170.570.901.213.64
農業特化代理0.880.950.991.041.17
教育特化0.500.640.831.213.57
医療特化0.710.901.021.101.33
建設特化代理0.660.880.961.101.61
消費支出_log0.9870.9971.0001.0041.009

※ 全国平均=1.0 に正規化。観光特化・教育特化は上位都道府県（北海道・京都府・東京都等）で顕著な集積が確認される。

1
レーダーチャート：地域ブロック別産業特化プロファイル

6産業特化指標のLQ値を地域ブロック（北海道・東北・関東・中部・近畿・中国四国・九州沖縄）ごとに平均し、レーダーチャートで可視化する。各地域のプロファイルを比較することで、産業構造の地域差を直感的に把握できる。

産業特化指標レーダーチャート（地域ブロック別）
図1：地域ブロック別 産業特化指標（LQ代理）レーダーチャート（2022年）。破線は全国平均（LQ=1.0）を示す。
主要な地域別特徴
  • 北海道 ：観光特化が顕著（LQ≫1.0）。自然資源を活かした観光産業への特化が明確。
  • 東北：農業特化代理が高く、第一次産業への特化傾向が見られる。
  • 関東：教育特化・医療特化が高い。大学集積と高度医療機関の集中が特徴的。
  • 近畿：教育特化（京都府等）と医療特化（大阪府等）が高く、消費支出も高水準。
  • 九州・沖縄：建設特化代理と観光特化が比較的高い。

DS LEARNING POINT 1

特化係数（Location Quotient）の定義と計算

LQは地域の産業集積を全国平均との比率で測定する指標。LQ>1.0なら全国平均以上の特化、LQ<1.0なら平均以下。経済地理学・地域科学で広く使われる。

import numpy as np import pandas as pd # 特化係数（LQ）の計算 # 基本式: LQ_ir = (e_ir / e_i) / (E_r / E) # e_ir: 地域iの産業r就業者数, e_i: 地域i総就業者数 # E_r: 全国の産業r就業者数, E: 全国総就業者数 # SSDSE-Bでの代理指標LQ計算（例：観光特化） df['観光密度'] = df['旅館施設数'] / df['総人口'] * 10000 # 人口1万対施設数 national_avg = df['観光密度'].mean() # 全国平均 df['観光LQ'] = df['観光密度'] / national_avg # LQ = 地域値 / 全国平均 # LQ解釈 df['観光特化区分'] = pd.cut(df['観光LQ'], bins=[0, 0.75, 1.25, float('inf')], labels=['特化なし(LQ<0.75)', '平均的(0.75-1.25)', '特化産業(LQ>1.25)']) print(df.groupby('観光特化区分')['都道府県'].apply(list))

DS LEARNING POINT 2

レーダーチャートの作成（matplotlib polar axes の使い方）

レーダーチャート（スパイダープロット）はmatplotlibのpolar=True座標系で作成する。N変数の場合、等間隔に0〜2πのN点の角度を設定し、最後に最初の点を追加してポリゴンを閉じる。

import matplotlib.pyplot as plt import numpy as np # レーダーチャートの基本構造 VARS = ['観光', '農業', '教育', '医療', '建設', '消費'] N = len(VARS) # 等間隔角度（最後に最初を追加して閉じる） angles = np.linspace(0, 2*np.pi, N, endpoint=False).tolist() angles += angles[:1] # polygon を閉じる fig, ax = plt.subplots(figsize=(6, 6), subplot_kw=dict(polar=True)) # 1地域のLQ値を描画 vals = [1.2, 0.9, 1.5, 1.1, 0.8, 1.0] # 6変数のLQ vals += vals[:1] # 閉じる ax.plot(angles, vals, color='blue', linewidth=2) ax.fill(angles, vals, color='blue', alpha=0.25) # 参照線（全国平均=1.0） ax.plot(angles, [1.0]*len(angles), color='gray', linewidth=1, linestyle='--') ax.set_xticks(angles[:-1]) ax.set_xticklabels(VARS) ax.set_ylim(0, 2.5) plt.title('産業特化プロファイル') plt.tight_layout()
2
主成分分析（PCA）：産業構造の次元削減

6次元の産業特化指標を主成分分析（PCA）で低次元に圧縮し、都道府県間の類似性・差異を2次元空間に投影する。各主成分の「因子負荷量（Factor Loadings）」を解釈することで、産業構造の主要な変動パターンを明らかにする。

PCA前の標準化の重要性 観光特化（0.17〜3.64）と消費支出_log（0.987〜1.009）では分散のスケールが大きく異なる。StandardScalerで各変数を平均0・分散1に標準化してからPCAを適用することで、スケールの違いによるバイアスを防ぐ。
PCAスコアプロット（都道府県別）
図2：主成分分析スコアプロット（PC1 vs PC2）。色は地域ブロック、矢印は因子負荷量（各産業特化指標の主成分への寄与方向）を示す。
📌 この主成分散布図の読み方
このグラフは
主成分分析で抽出した第1・第2主成分を軸に、各サンプルを点で描いたグラフ。
読み方
点の位置が近いサンプルほど元の変数プロフィールが似ている。軸の端に位置するサンプルが強い特徴を持つ。
なぜそう解釈できるか
矢印（バイプロット）が付いている場合、矢印の向きが「その変数が影響する方向」。矢印が長いほど主成分への寄与が大きい。

主成分の解釈（因子負荷量）

指標PC1 負荷量PC2 負荷量
観光特化-0.348-0.162
農業特化代理+0.474-0.037
教育特化+0.491+0.300
医療特化-0.018+0.854
建設特化代理+0.501-0.028
消費支出_log+0.402-0.389

PC1（寄与率39.7%）：正方向に農業・教育・建設特化、負方向に観光特化。地域の「生活基盤型産業 vs 観光特化型」の軸。PC2（寄与率20.1%）：医療特化が強く正に寄与。「医療・福祉集積」の軸。累積寄与率（PC1+PC2）：59.8%。

スコアプロットの読み方
  • PC1右側（正）：農業・教育・建設特化が高い地域（地方圏の生活基盤型産業）
  • PC1左側（負）：観光特化が高い地域（北海道・沖縄等のリゾート型地域）
  • PC2上側（正）：医療機関密度が高い地域（医師不足が少ない都市圏）
  • 矢印（biplot）：各産業指標がスコアプロット上でどの方向に伸びるかを示す

DS LEARNING POINT 3

PCAによる多次元産業構造の次元削減（因子負荷量の解釈）

PCAは多変量データの分散を最大化する方向（主成分）を順次抽出する。因子負荷量の絶対値が大きい変数ほどその主成分に強く寄与する。biplot（スコアプロット＋負荷量矢印）で変数間関係と観測値の分布を同時に可視化できる。

from sklearn.preprocessing import StandardScaler from sklearn.decomposition import PCA import matplotlib.pyplot as plt import numpy as np # 1. 標準化（分散を揃える） scaler = StandardScaler() X_scaled = scaler.fit_transform(X_raw) # shape: (47, 6) # 2. PCA実行 pca = PCA(n_components=6) scores = pca.fit_transform(X_scaled) # スコア行列 loadings = pca.components_ # 因子負荷量 (n_comp, n_vars) ev_ratio = pca.explained_variance_ratio_ print("寄与率:", [f"{r*100:.1f}%" for r in ev_ratio[:3]]) # → ['39.7%', '20.1%', '15.1%'] # 3. biplot（スコア + 負荷量矢印） fig, ax = plt.subplots(figsize=(10, 8)) ax.scatter(scores[:, 0], scores[:, 1], alpha=0.7) # 因子負荷量の矢印 scale = 2.5 for j, var_name in enumerate(VAR_NAMES): lx = loadings[0, j] * scale ly = loadings[1, j] * scale ax.annotate('', xy=(lx, ly), xytext=(0, 0), arrowprops=dict(arrowstyle='->', color='red', lw=1.5)) ax.text(lx*1.1, ly*1.1, var_name, fontsize=9, color='red') ax.set_xlabel(f"PC1 ({ev_ratio[0]*100:.1f}%)") ax.set_ylabel(f"PC2 ({ev_ratio[1]*100:.1f}%)")
3
Ward法クラスタリング：地域類型の抽出

標準化した6次元の産業特化指標をWard法（Ward's hierarchical clustering）でクラスタリングする。Ward法は各クラスタ内分散の増加を最小化するようにクラスタを統合するため、均質なグループを形成しやすい。デンドログラムから適切なクラスタ数を視覚的に判断する。

Ward法クラスタリング デンドログラム
図3：Ward法階層クラスタリング デンドログラム（2022年, 47都道府県）。赤破線はk=4クラスタへの分割線。
📌 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。

クラスタ解釈（k=4分割時）

クラスタ主な都道府県（例）産業特化プロファイル政策的特徴
Cluster A 北海道・沖縄 観光特化が顕著に高い 観光振興・インバウンド政策が核心
Cluster B 東京都・大阪府・愛知県等 教育特化・消費支出高水準 大都市圏：高等教育・知識産業の集積
Cluster C 東北・山陰等地方圏 農業特化代理が相対的に高い 第一次産業の維持・農業活性化施策
Cluster D その他地方都市圏 医療特化・建設特化が中程度 地方中核都市：医療・住宅整備が重要
クラスタリングの政策的意義 産業構造が類似した都道府県グループ（クラスタ）を識別することで、「同じ産業特化型の地域がどのような経済成長パスを辿るか」という比較分析が可能になる。クラスタ内の成功事例から他の地域への政策移転を検討できる。

DS LEARNING POINT 4

Ward法クラスタリングによる地域類型化（政策グループの作り方）

Ward法は階層的クラスタリングの一手法で、統合時のクラスタ内二乗和増分を最小化する。デンドログラムの「大きな距離ジャンプ」がある箇所でカットすると適切なクラスタ数が得られる（"elbow" 判断）。

from scipy.cluster.hierarchy import dendrogram, linkage import matplotlib.pyplot as plt import numpy as np # Ward法でリンクマトリクス計算 # X_scaled: StandardScalerで正規化済みの特徴量行列 (47, 6) linked = linkage(X_scaled, method='ward') # デンドログラム描画 fig, ax = plt.subplots(figsize=(14, 6)) dend = dendrogram( linked, labels=prefecture_names, # 都道府県名リスト ax=ax, leaf_rotation=90, leaf_font_size=8, color_threshold=0.7 * max(linked[:, 2]), # 自動色分け閾値 ) ax.set_xlabel("都道府県") ax.set_ylabel("Ward距離（非類似度）") # k=4でカットする高さ（3→4クラスタに分割する距離） # linked[-3, 2]とlinked[-4, 2]の中間がカット点 k = 4 cutoff = (linked[-k+1, 2] + linked[-k, 2]) / 2 ax.axhline(y=cutoff, color='red', linestyle='--', label=f'k={k}分割線') ax.legend() # ラベル付与（k=4クラスタ） from scipy.cluster.hierarchy import fcluster labels = fcluster(linked, k, criterion='maxclust') print("クラスタ割り当て:", labels)
4
産業集積と経済活動水準の関係

観光特化指標（旅館施設密度）と消費支出（家計消費水準）の関係をクロスセクション分析する。特化係数が高い（観光産業が特化している）都道府県では、消費活動水準が高い（または低い）かを検証し、産業集積と経済成長の関係を考察する。

観光特化指標 vs 消費支出 散布図
図4：観光特化指標（旅館施設数/万人）と消費支出（2022年）の散布図。都道府県名・地域ブロック色付き。回帰直線（実線: p<0.05, 破線: n.s.）付き。
📌 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。

相関分析の結果

指標の組み合わせ相関係数 rp値有意水準解釈
観光特化 × 消費支出 -0.316 0.031 * (p<0.05) 観光特化地域ほど消費支出が低い傾向（負の相関）
観光特化と消費支出の負の相関：解釈上の注意点 観光特化が高い都道府県（北海道・沖縄等）では家計消費支出が低い傾向が見られる。これは観光産業が「外部からの消費（観光客消費）」に依存する一方、地域住民の所得水準が相対的に低い可能性を示唆する。産業集積の恩恵が地域住民の所得・消費水準向上に直結するかは、集積の種類と地域の条件に依存する（集積の経済の「正の外部性」が内部化されているかの問題）。
相関分析の限界（内生性・交絡変数） クロスセクション相関は因果関係を意味しない。「観光特化→低消費支出」という因果ではなく、「気候・自然環境条件（農業・観光に有利）→観光特化 かつ 都市化低い→消費支出低い」という交絡変数（Confounding Variable）が存在する可能性がある。地域固定効果や操作変数法を用いたより厳密な因果推論が研究上は必要。

まとめと政策的含意

主要な分析結果

  1. 地域ブロック別の産業特化プロファイル（レーダーチャート）： 北海道は観光特化、東北は農業特化代理、関東・近畿は教育・医療特化が顕著であり、地域ブロックごとに明確に異なる産業構造を持つことが視覚的に確認された。
  2. PCAによる産業構造の次元削減： PC1（寄与率39.7%）は「生活基盤型産業（農業・教育・建設）vs 観光特化型」の対比軸、PC2（寄与率20.1%）は「医療集積」の軸として解釈できる。2主成分で累積寄与率59.8%を説明。
  3. Ward法クラスタリングによる地域類型： k=4分割で「観光特化型」「大都市教育型」「農業型地方圏」「医療・建設型地方都市」の4類型が識別された。産業構造の同質な地域グループを政策実施の基本単位として活用できる。
  4. 観光特化と経済活動水準： 観光特化と家計消費支出の間に有意な負の相関（r=-0.316, p=0.031）が観察された。観光産業への特化が必ずしも地域住民の消費・所得向上に直結しない可能性を示唆するが、因果解釈には慎重さが必要。
政策的示唆 産業集積（LQ）分析は地域政策の基礎データとして有用である。クラスタ類型に基づいた「同型地域の成功事例からの学習」、観光産業特化地域における「観光消費を地域所得に変換するバリューチェーン整備」、教育特化地域における「学卒者の地元定着促進」等、産業構造の特性に応じた政策設計が有効と考えられる。

研究の限界と今後の課題

教育的価値（この分析から学べること）
  • LQ（特化係数）：全国平均と比較した特定地域の特化度。LQ>1 は『その地域がこの産業に特化している』ことを示す。
  • 主成分分析（PCA）：多数の産業比率を少数の『産業構造軸』に圧縮する方法。47都道府県の産業特性を2〜3軸で要約できる。
  • 産業集積と経済成長：特化と多様化のどちらが成長に効くかは経済学の古典的論点。LQ と PCA を組み合わせて地域類型化できる。

データ・コードのダウンロード

分析スクリプト（2021_U3_suri.py）
データ出典備考
SSDSE-B-2026.csv 統計数理研究所 SSDSE（社会・人口統計体系データセット） 2022年度・47都道府県
旅館営業施設数（ホテルを含む） 観光庁 宿泊旅行統計調査 観光特化の代理変数
大学学生数・一般病院数・診療所数 文部科学省・厚生労働省（SSDSE-B 収録） 教育・医療特化の代理変数
1人1日当たりごみ排出量 環境省 一般廃棄物排出・処理状況調査 農業特化代理の基礎データ
消費支出（二人以上の世帯） 総務省 家計調査（SSDSE-B 収録） 経済成長の代理変数

本教育用コードはSSDE-B-2026の実データを使用。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 統計データ分析コンペティション 統計数理賞 [大学生・一般の部]

⚠️ 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。
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。
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

🔗 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) 因果関係ではない—相関は方向や原因を示さない。(2) 外れ値に弱い—1点で r が劇的に変わることも。(3) Pearson は線形のみ—非線形ならSpearman相関を使う。(4) 第三変数の存在を疑う—疑似相関を見抜く視点が必要。
🏛️ 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) 因果関係ではない—相関は方向や原因を示さない。(2) 外れ値に弱い—1点で r が劇的に変わることも。(3) Pearson は線形のみ—非線形ならSpearman相関を使う。(4) 第三変数の存在を疑う—疑似相関を見抜く視点が必要。
🔭 主成分分析（PCA）
何？
多数の変数を情報の損失を最小限にしながら少数の合成指標（主成分）に圧縮する手法。
どう使う？
変数間の相関を利用して「最も分散が大きい方向」を第1主成分、以下順に直交する軸を抽出する。
何がわかる？
30変数あるデータを2〜3成分に要約して散布図で可視化したり、多重共線性の回避に使う。
結果の読み方
各主成分の「負荷量」を見て、どの変数がその成分を特徴づけるか解釈する。累積寄与率 70〜80% 以上なら要約として十分。
⚠️ 注意点
(1) 因果関係ではない—相関は方向や原因を示さない。(2) 外れ値に弱い—1点で r が劇的に変わることも。(3) Pearson は線形のみ—非線形ならSpearman相関を使う。(4) 第三変数の存在を疑う—疑似相関を見抜く視点が必要。
🌿 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) 因果関係ではない—相関は方向や原因を示さない。(2) 外れ値に弱い—1点で r が劇的に変わることも。(3) Pearson は線形のみ—非線形ならSpearman相関を使う。(4) 第三変数の存在を疑う—疑似相関を見抜く視点が必要。
📅 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) 因果関係ではない—相関は方向や原因を示さない。(2) 外れ値に弱い—1点で r が劇的に変わることも。(3) Pearson は線形のみ—非線形ならSpearman相関を使う。(4) 第三変数の存在を疑う—疑似相関を見抜く視点が必要。
🔄 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) 因果関係ではない—相関は方向や原因を示さない。(2) 外れ値に弱い—1点で r が劇的に変わることも。(3) Pearson は線形のみ—非線形ならSpearman相関を使う。(4) 第三変数の存在を疑う—疑似相関を見抜く視点が必要。
🎯 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) 因果関係ではない—相関は方向や原因を示さない。(2) 外れ値に弱い—1点で r が劇的に変わることも。(3) Pearson は線形のみ—非線形ならSpearman相関を使う。(4) 第三変数の存在を疑う—疑似相関を見抜く視点が必要。
🌲 ランダムフォレスト + SHAP（機械学習による変数重要度）
何？
多数の決定木を組み合わせた予測モデル（RF）と、各変数の寄与度を個別に説明する SHAP値の組み合わせ。
どう使う？
RFで予測モデルを構築し、SHAPでゲーム理論的アプローチによって各変数の寄与を計算する。
何がわかる？
線形モデルでは捉えにくい非線形・交互作用関係も含めて「どの変数が重要か」を視覚的に示せる。
結果の読み方
SHAP値プラスが予測値を上昇させる貢献、マイナスが低下させる貢献。変数重要度グラフの上位変数が最も影響力が大きい。
⚠️ 注意点
(1) 因果関係ではない—相関は方向や原因を示さない。(2) 外れ値に弱い—1点で r が劇的に変わることも。(3) Pearson は線形のみ—非線形ならSpearman相関を使う。(4) 第三変数の存在を疑う—疑似相関を見抜く視点が必要。
📍 特化係数（LQ）分析
何？
ある地域のある指標の「全国平均と比べた特化度」を数値化する手法。LQ > 1 なら全国平均より高い。
どう使う？
LQ = （地域シェア）÷（全国シェア）。CO₂排出量のLQなら製造業比率の地域/全国比で計算。
何がわかる？
「この地域はCO₂排出が全国平均の何倍か」「どの産業が特化しているか」を比較できる。
結果の読み方
LQ = 1.0 が全国平均。LQ > 1.5 で高特化、LQ < 0.5 で著しく低い。
⚠️ 注意点
(1) 因果関係ではない—相関は方向や原因を示さない。(2) 外れ値に弱い—1点で r が劇的に変わることも。(3) Pearson は線形のみ—非線形ならSpearman相関を使う。(4) 第三変数の存在を疑う—疑似相関を見抜く視点が必要。
↔️ 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) 因果関係ではない—相関は方向や原因を示さない。(2) 外れ値に弱い—1点で r が劇的に変わることも。(3) Pearson は線形のみ—非線形ならSpearman相関を使う。(4) 第三変数の存在を疑う—疑似相関を見抜く視点が必要。

🚀 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：相関分析 の次のステップ
結果 X
本論文は 相関分析 を用いた推定を行った。
新仮説 Y
重回帰分析による多変数同時検証 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）重回帰分析による多変数同時検証 を実装し、本論文の係数推定と比較する。（2）交絡変数を統制した偏相関分析 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
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
次の論文 →
医療資源の地域格差