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 ｜ 統計活用奨励賞 [大学生・一般の部]

医療資源の地域格差
医療機関・医師数の分布と決定要因分析

⏱️ 推定読了時間: 約40分
統計活用奨励賞（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. データと変数設計
  3. 都道府県別ランキング（積み上げ棒グラフ）
  4. 高齢化率と医療機関密度の散布図分析
  5. OLS回帰：医療機関密度の決定要因
  6. 時系列分析：地域別推移（2012〜2023年）
  7. まとめと政策的示唆
  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_U4_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_U4_katsuyo.py
図は html/figures/ に自動保存されます。
概
研究概要と背景

日本では地域ごとに医療機関数や医師数の分布が大きく異なる。地方圏では医療資源が不足し、都市部では相対的に充実しているという格差は「医療過疎」として社会問題化している。一方で、診療所密度は必ずしも大都市が高いわけではなく、地方の高齢化率が高い地域でも多くの医療機関が存在するという逆説的な現象も見られる。

まず「医療資源の地域格差医療機関・医師数の分布と決定要因分析」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、SSDSE-B（都道府県別パネルデータ）を用いて、医療機関密度（人口1万人当たりの医療機関数）の都道府県間格差を定量化し、その決定要因を分析する。高齢化率・消費支出・保健医療費を説明変数とするOLS回帰によって、需要側・供給側の両面から医療資源の立地メカニズムを考察する。

問題意識：医療過疎と地域格差 「医療過疎」とは、地理的・経済的要因から医療サービスへのアクセスが困難な地域の状態を指す。日本では特に東北・中国・四国・九州の一部農村地域で深刻化しており、高齢者が遠距離移動を余儀なくされる事例も多い。
分析の流れ
SSDSE-B
47都道府県
2012〜2023年
→
医療機関密度
（3指標）
の計算
→
格差の
可視化・
ジニ係数
→
OLS回帰
決定要因
分析
→
時系列
推移
（地域別）

SSDSE-B 相関分析 OLS回帰 ジニ係数的アプローチ 地域比較

データと変数設計

使用データ

SSDSE-B-2026（社会・人口統計体系 都道府県データ）を使用する。全47都道府県 × 2012〜2023年度（12年間）の計564レコードを分析対象とする。

変数名SSDSE-Bコード説明単位
一般病院数I510120一般病院（病床20床以上）の数施設数
一般診療所数I5102一般診療所（無床・19床以下）の数施設数
歯科診療所数I5103歯科診療所の数施設数
総人口A1101都道府県の総人口人
65歳以上人口A1303高齢者（65歳以上）人口人
消費支出（二人以上世帯）L3221家計の月平均消費支出円
保健医療費（二人以上世帯）L322106保健・医療への月平均支出円

計算指標（標準化密度）

人口規模の大きい都道府県ほど医療機関の絶対数も多くなるため、単純な施設数の比較は意味をなさない。そこで人口1万人当たりの施設数（密度）に変換して比較する。

病院密度 = 一般病院数 ÷ 総人口 × 10,000
診療所密度 = 一般診療所数 ÷ 総人口 × 10,000
歯科密度 = 歯科診療所数 ÷ 総人口 × 10,000
医療機関密度_総合 = (一般病院数 + 一般診療所数) ÷ 総人口 × 10,000
高齢化率 = 65歳以上人口 ÷ 総人口 × 100（%）
ジニ係数（格差の定量化） 2022年断面（47都道府県）の医療機関密度ジニ係数：
病院密度
0.213
診療所密度
0.080
歯科密度
0.067
医療機関密度_総合
0.080

病院密度のジニ係数（0.213）は診療所密度（0.080）の約2.7倍であり、病院の立地格差が診療所より大幅に大きいことを示している。

DS LEARNING POINT 1

人口当たり医療機関密度の計算（標準化指標の必要性）

東京都の診療所数は全国最多だが、「人口当たり」で見ると徳島県・長崎県などが上位に入る。絶対数ではなく密度（人口標準化）で比較することで初めて公平な地域比較が可能になる。

import pandas as pd import numpy as np # SSDSE-B読み込み（実データ） df = pd.read_csv('SSDSE-B-2026.csv', encoding='cp932') df = df.iloc[1:] # 日本語ラベル行を除く # 数値変換 for col in ['I510120', 'I5102', 'I5103', 'A1101', 'A1303']: df[col] = pd.to_numeric(df[col], errors='coerce') # 密度計算（人口1万人当たり） df['病院密度'] = df['I510120'] / df['A1101'] * 10000 df['診療所密度'] = df['I5102'] / df['A1101'] * 10000 df['歯科密度'] = df['I5103'] / df['A1101'] * 10000 df['高齢化率'] = df['A1303'] / df['A1101'] * 100 # 2022年断面でランキング d22 = df[df['SSDSE-B-2026'] == '2022'] print(d22[['Prefecture', '診療所密度']].sort_values( '診療所密度', ascending=False).head(5)) # → 長崎・徳島・高知などが上位（大都市圏ではない）
1
都道府県別ランキング（積み上げ棒グラフ）

2022年の47都道府県について、医療機関密度（病院・診療所・歯科の3種）を積み上げた棒グラフで比較する。医療機関密度_総合（病院＋診療所）の高い順に並べている。

都道府県別医療機関密度ランキング（積み上げ棒グラフ）
Fig 1：2022年の都道府県別医療機関密度（病院・診療所・歯科の積み上げ）。医療機関密度の高い順に左から並んでいる。破線は全国平均。

注目すべき特徴

高知・徳島・長崎が上位 人口1万人当たりの医療機関密度が最も高いのは高知・徳島・鹿児島などの地方県である。これは高齢化率が高い地域で（高齢者の受診需要を賄うために）医療機関が多く立地している可能性を示唆する。
病院密度の格差は特に大きい 一般病院は大規模施設であり、採算性の問題から立地が偏りやすい。高知・徳島は病院密度でも全国上位に位置し、県立・公立病院の充実が背景にある。一方、首都圏（東京・神奈川・埼玉）は人口に対して病院密度が低い。
順位都道府県病院密度診療所密度歯科密度
1高知県1.5987.8115.118
2徳島県1.2939.9865.994
3鹿児島県1.2358.8615.086
4大分県1.1388.6904.734
5宮崎県1.0938.7264.639
45埼玉県0.2726.2094.266
46神奈川県0.2686.4374.702
47東京都0.2469.0216.183

単位：施設数 / 人口1万人。出典：SSDSE-B-2026（2022年度データ）。

2
高齢化率と医療機関密度の散布図分析

高齢化率（65歳以上人口比率）と医療機関密度_総合（病院＋診療所）の関係を都道府県ラベル付きの散布図で確認する。もし高齢者の多い地域に医療機関が集まるならば、正の相関が見られるはずである。

高齢化率 vs 医療機関密度 散布図（2022年・47都道府県）
Fig 2：47都道府県の高齢化率（横軸）と医療機関密度_総合（縦軸）の散布図（2022年）。破線は回帰直線。色分けは8地域区分。
📌 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。

相関の解釈

正の相関（r ≈ +0.37, p ≈ 0.010） 高齢化率が高い都道府県ほど医療機関密度が高い傾向がある。これは「高齢者が多い地域では医療需要が高く、それに応じて医療機関が立地する」という需要誘導型の立地メカニズムを示唆している。
注目：東京都の位置 東京都は高齢化率が低い（約22%）にもかかわらず、診療所密度は全国上位圏に位置する。これは高所得・高保険加入率による需要の高さと、医師の都市集中という供給側の要因を反映している。
相関分析のコード from scipy import stats
r, p = stats.pearsonr(d22['高齢化率'], d22['医療機関密度_総合'])
# → r ≈ +0.37, p ≈ 0.010（N=47）
3
OLS回帰：医療機関密度の決定要因

需要側（高齢化率・保健医療費）と供給側（消費支出）の3変数を説明変数とするOLS重回帰モデルを推定する。標準化係数（βを使用することで、単位の異なる変数の相対的な影響力を比較できる。

医療機関密度_総合（標準化）
= β₁ × 高齢化率（標準化）+ β₂ × 消費支出（log・標準化）+ β₃ × 保健医療費（標準化）+ ε
OLS標準化回帰係数プロット（95%信頼区間付き）
Fig 3：医療機関密度の決定要因（OLS標準化係数 ± 95%信頼区間）。青＝正の効果、赤＝負の効果。*** p<0.001 ** p<0.01 * p<0.05。
📌 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。

推定結果の解釈

説明変数 標準化係数（β） 95%信頼区間 p値 有意性
高齢化率 +0.404 [+0.110, +0.698] 0.010 *
消費支出（log） −0.463 [−0.826, −0.099] 0.017 *
保健医療費（千円） +0.518 [+0.132, +0.903] 0.012 *

N=47（2022年断面）。標準化係数はすべての変数をzスコア変換後に推定。

保健医療費（正）：需要の直接指標 保健医療費が高い都道府県ほど医療機関密度が高い（β=+0.518）。保健医療費は実際の医療需要を反映しており、需要の多い地域に医療機関が集積するという合理的な立地行動を支持する。
高齢化率（正）：需要側の構造的要因 高齢化率が1標準偏差上昇すると、医療機関密度は0.404標準偏差上昇する（β=+0.404）。高齢者は若年者より医療受診頻度が高く、高齢者が多い地域では医療機関立地の採算性が高まる。
消費支出（負）：供給側の代理変数 消費支出（地域の所得水準の代理）が高いほど医療機関密度が低い（β=−0.463）という負の関係は一見逆説的に見える。しかし消費支出が高い地域（大都市圏）では、人口密度が高く絶対数は多いが密度は低くなる傾向があるためと解釈できる。

DS LEARNING POINT 3

医療資源の決定要因（需要・供給両面の経済学的解釈）

医療機関の立地は「需要」と「供給」の両面から決まる。需要側：高齢者・慢性疾患患者が多い地域では受診頻度が高く、医療機関の採算が取れる。供給側：医師は高賃金・利便性を求めて都市部に集中しやすいが、農村地域では公立病院への配置が医師配置を補完する。

import numpy as np from scipy import stats # 標準化OLS（2022年断面データ） def standardize(s): return (s - s.mean()) / s.std() y = standardize(df['医療機関密度_総合']) X = np.column_stack([ np.ones(len(df)), standardize(df['高齢化率']), standardize(df['消費支出_log']), standardize(df['保健医療費_千円']), ]) beta, _, _, _ = np.linalg.lstsq(X, y, rcond=None) n, k = X.shape y_hat = X @ beta sigma2 = np.sum((y - y_hat)**2) / (n - k) cov = sigma2 * np.linalg.inv(X.T @ X) se = np.sqrt(np.diag(cov)) for i, name in enumerate(['高齢化率', '消費支出(log)', '保健医療費']): t = beta[i+1] / se[i+1] p = 2 * stats.t.sf(abs(t), df=n-k) print(f"{name}: β={beta[i+1]:+.3f}, p={p:.4f}")
4
時系列分析：地域別推移（2012〜2023年）

2012〜2023年の12年間にわたり、8地域ブロック別の医療機関密度_総合（平均）の推移を追う。医療機関数が増加しているのか、それとも全国的に減少しているのかを確認する。

地域別 医療機関密度の時系列推移（2012〜2023）
Fig 4：8地域別の医療機関密度_総合（一般病院＋一般診療所）の時系列推移（2012〜2023年）。各地域の年平均値。
📌 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。

推移のポイント

九州・四国が一貫して高水準 九州・四国ブロックは2012年以降も全国平均を大きく上回る医療機関密度を維持している。これらの地域は高齢化率が高く、医療需要を下支えしていると考えられる。
全国的に緩やかな減少傾向 多くの地域で医療機関密度が緩やかに低下または横ばい傾向にある。これは人口減少（分母の縮小）と医療機関数の減少（小規模診療所の廃業）が複合的に作用しているためである。
関東は低水準だが安定 関東ブロックは医療機関密度が全国で最も低い水準にある。しかし高度医療を提供する大病院（特定機能病院）が集中しており、「密度」よりも「質」での格差が問題となりうる。

DS LEARNING POINT 4

医療政策の地域格差対策（統計から見える問題点）

時系列分析からは「地域格差が縮小されているか」を評価できる。格差が拡大傾向なら政策介入が必要、縮小傾向なら既存施策が奏功していることを示唆する。統計から格差の「方向性」を読み取ることが政策評価の第一歩。

import pandas as pd # 地域別・年度別の平均密度を計算 region_ts = ( df.groupby(['year', 'region'])['医療機関密度_総合'] .mean() .reset_index() ) # 格差の指標：各年の地域間標準偏差 cv_ts = ( df.groupby('year')['医療機関密度_総合'] .agg(['mean', 'std']) .assign(CV=lambda x: x['std'] / x['mean']) # 変動係数 ) print(cv_ts[['CV']]) # CVが増加 → 格差拡大 CVが減少 → 格差縮小 # Gini係数の時系列推移も合わせて確認することを推奨

まとめと政策的示唆

主要な発見

SSDSE-B（47都道府県、2012〜2023年）を用いた分析から、以下のことが明らかになった：

  1. 病院密度の格差は大きい（ジニ係数0.213）：診療所・歯科（ジニ係数約0.07〜0.08）と比較して、一般病院の立地格差が際立って大きい。大病院の立地に規制・補助金の影響が大きく作用していると考えられる。
  2. 高齢化率が医療機関密度を押し上げる（β=+0.404, p=0.01）：高齢者の多い地域では医療需要が高く、医療機関立地の採算が成立しやすい。高齢化の進展は皮肉にも地域の医療インフラを維持する一因となっている。
  3. 保健医療費が最も強い正の決定要因（β=+0.518）：実際に医療に支出する金額が多い地域に医療機関が集積する。需要と供給の好循環が高い密度を維持していると解釈できる。
  4. 都市部（高所得・高消費支出）で密度が低い（β=−0.463）：絶対数は多くても人口当たり密度が低い都市部の構造的問題は、交通アクセスで補完されているものの、地理的バリアが存在する高齢者には過大な負担となりうる。
  5. 地域格差は縮小されていない：2012〜2023年の時系列分析では、九州・四国と関東の差は依然として大きく、格差縮小の明確なトレンドは見られない。
政策への示唆 医療資源の地域格差を是正するためには、単に医療機関を誘致するだけでなく、（1）医師の地域偏在解消（へき地医療支援）、（2）公立病院の機能強化・再編、（3）高齢者の交通アクセス支援、の組み合わせが必要である。統計分析はこれらの課題の「現在位置」を可視化し、優先度の高い介入地域を特定する手段となる。

DS LEARNING POINT 2

ローレンツ曲線とジニ係数（医療格差の定量化コード）

ローレンツ曲線は、人口（X軸）と医療資源（Y軸）の累積分布を対角線（完全平等線）と比較することで格差を可視化する。ジニ係数は完全平等（0）から完全不平等（1）の間の値を取り、格差の大きさを一つの数値で表す。

import numpy as np import matplotlib.pyplot as plt def gini_coefficient(values): """ローレンツ曲線に基づくジニ係数を計算する。""" v = np.sort(np.array(values, dtype=float)) n = len(v) idx = np.arange(1, n + 1) return (2 * np.dot(idx, v)) / (n * v.sum()) - (n + 1) / n def lorenz_curve(values): """ローレンツ曲線の座標を返す（x=累積人口比率, y=累積資源比率）。""" v = np.sort(np.array(values, dtype=float)) cumv = np.cumsum(v) / v.sum() n = len(v) x = np.linspace(0, 1, n + 1) y = np.concatenate([[0], cumv]) return x, y # 2022年47都道府県の病院密度でジニ係数を計算 gini = gini_coefficient(d22['病院密度'].dropna()) print(f"病院密度 ジニ係数: {gini:.4f}") # → 0.2127 # ローレンツ曲線の描画 x, y = lorenz_curve(d22['病院密度'].dropna()) plt.figure(figsize=(6, 6)) plt.plot([0, 1], [0, 1], 'k--', label='完全平等線') plt.plot(x, y, 'b-', linewidth=2, label=f'ローレンツ曲線 (G={gini:.3f})') plt.fill_between(x, x, y, alpha=0.15, color='blue', label='格差面積') plt.xlabel('累積都道府県比率'); plt.ylabel('累積病院密度比率') plt.legend(); plt.title('病院密度のローレンツ曲線（2022年）') plt.tight_layout(); plt.savefig('lorenz_curve.png', dpi=150)
教育的価値（この分析から学べること）
  • 医療資源の地域格差：医師数・病床数の都道府県差は、医療アクセスの不平等を示す。『東京一極集中』vs『地方の医師不足』を数値で確認できる。
  • 人口あたり指標の重要性：総数ではなく『人口10万人あたり』『面積あたり』に変換することで、規模効果を除いた真の格差が見える。
  • 公平性指標としてのジニ係数：医療資源分布にジニ係数を適用すると、所得格差以外の用途も学べる。

データ・コードのダウンロード

分析スクリプト（2021_U4_katsuyo.py）
データ出典・説明
SSDSE-B-2026.csv統計数理研究所 SSDSE（社会・人口統計体系）— 都道府県別パネルデータ（2012〜2023年）
一般病院数（I510120）厚生労働省 医療施設調査（SSDSE-B 収録）
一般診療所数（I5102）厚生労働省 医療施設調査（SSDSE-B 収録）
歯科診療所数（I5103）厚生労働省 医療施設調査（SSDSE-B 収録）
消費支出・保健医療費（L3221, L322106）総務省 家計調査（SSDSE-B 収録）

本教育用コードはSSDSE-B-2026.csv の実データのみを使用。合成データ（np.random.seed等）は一切使用していない。

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 統計活用奨励賞 [大学生・一般の部]
データ出典：SSDSE-B-2026（社会・人口統計体系 都道府県別データ）— 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。
📅 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。
📊 ジニ係数・ローレンツ曲線
何？
所得や医療資源などの「不平等度（格差）」を0〜1の数値で表す指標。0が完全平等、1が完全不平等。
どう使う？
データを昇順に並べ、累積シェアの曲線（ローレンツ曲線）と完全平等線との面積から計算する。
何がわかる？
「都道府県間の医師数の格差は大きいか」「格差は拡大・縮小しているか」を客観的に測れる。
結果の読み方
ジニ係数 0.3 以上は格差が大きい水準。時系列変化で格差のトレンドを読む。
⚠️ 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。
🌲 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) 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
次の論文 →
地方からの人口流出：転出行動の決定要因パネル分析