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 2021年度 統計データ分析コンペティション 大学生・一般の部

地方からの人口流出
転出行動の決定要因パネル分析

⏱️ 推定読了時間: 約40分
受賞：審査員奨励賞（大学生・一般の部） | 手法：PanelOLS固定効果 / Hausman検定 / 時系列分析
📝 3行で分かる要約

目次

  1. 研究概要と背景
  2. データと変数設計
  3. 転出率の時系列推移
  4. 転出率の都道府県別ランキング（2021年）
  5. PanelOLS 固定効果モデルの推定結果
  6. 求人倍率と純移動率の関係
  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_U5_1_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_U5_1_shorei.py
図は html/figures/ に自動保存されます。
概
研究概要と背景

日本の地方圏では人口流出が続き、地方消滅・地域経済の縮小が深刻な課題となっている。しかし「なぜ人は地方を去るのか」という転出行動の決定要因は、地域差・時代差が入り混じり、単純な断面データ分析では正確に把握できない。

まず「地方からの人口流出転出行動の決定要因パネル分析」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、47都道府県 × 12年間（2012〜2023年度）のパネルデータを用いて、転出率の決定要因を固定効果モデル（PanelOLS FE）で推定する。「地域固有の見えない要因」（気候・地形・文化など）を取り除くことで、雇用・住宅・教育環境が転出行動に与える純粋な効果を識別する。

研究の動機：なぜ地方から人が出て行くのか 総務省の住民基本台帳人口移動報告によると、東京圏（東京・神奈川・埼玉・千葉）への転入超過は2021年も続いており、地方では特に若年層の転出が顕著である。その背景にある経済・社会要因を定量的に明らかにすることが政策立案に不可欠である。
分析の流れ
SSDSE-B
47都道府県
12年間
→
転出率・純移動率
求人倍率等
変数計算
→
時系列・
ランキング
可視化
→
PanelOLS FE
Hausman検定
決定要因推定

SSDSE-B（都道府県パネル） PanelOLS 固定効果 Hausman 検定 時系列分析 散布図（2021年断面）

データと変数設計

使用データ

SSDSE-B-2026（社会・人口統計体系 都道府県版）を使用。全47都道府県 × 12年度（2012〜2023年）のバランスドパネルデータで、観測数は564である。

変数定義

変数名 定義・計算式 SSDSE-B 列コード 予想効果
転出率（被説明変数） 転出者数 / 総人口 × 1000 A5102 / A1101 × 1000 —
純移動率 (転入者数 − 転出者数) / 総人口 × 1000 (A5101 − A5102) / A1101 × 1000 —
求人倍率 月間有効求人数 / 月間有効求職者数 F3103 / F3102 正（雇用機会↑→転出↑?）
住宅地価_log log(標準価格（平均価格）（住宅地）) log(C5401) 負（地価高→転出↑?）
高齢化率 65歳以上人口 / 総人口 × 100 A1303 / A1101 × 100 負（高齢化→若者少→転出↓）
大学学生数_log log(大学学生数) log(E6302) 正（学生多→若年転入→転出↑?）
変数の解釈について注意 求人倍率が高い（雇用機会が多い）地域では、逆に労働力不足で他地域からの転入も多く、転出率との関係は単純ではない。また「転出」は「地方→都市」だけでなく「都市→地方」の移動も含む。純移動率（転入−転出）は人口増減のより直接的な指標である。

DS LEARNING POINT 1

転出率の計算と人口移動統計の読み方

人口移動の分析では「転出率」と「純移動率」の2つを区別することが重要。転出率は人口流出の規模を示し、純移動率は人口変動の方向（増減）を示す。

import pandas as pd, numpy as np df = pd.read_csv('SSDSE-B-2026.csv', encoding='cp932', header=1) df = df[df['地域コード'].str.match(r'^R\d{5}$', na=False)].copy() df['年度'] = df['年度'].astype(int) # 転出率（人口千対）: 地域間移動の規模 df['転出率'] = (pd.to_numeric(df['転出者数（日本人移動者）'], errors='coerce') / pd.to_numeric(df['総人口'], errors='coerce') * 1000) # 純移動率（人口千対）: 正=転入超, 負=転出超 df['純移動率'] = ((pd.to_numeric(df['転入者数（日本人移動者）'], errors='coerce') - pd.to_numeric(df['転出者数（日本人移動者）'], errors='coerce')) / pd.to_numeric(df['総人口'], errors='coerce') * 1000) # 2021年断面統計 d21 = df[df['年度'] == 2021] print(f"転出率 平均={d21['転出率'].mean():.2f}‰, SD={d21['転出率'].std():.2f}‰") print(f"純移動率 平均={d21['純移動率'].mean():.2f}‰")
1
転出率の時系列推移（地域別）

2012〜2023年の12年間にわたる転出率の推移を地域別（6地域区分）の平均値で可視化する。転出率はどの地域でどの時期に高まったのか、またCOVID-19（2020〜2021年）は転出行動に影響を与えたのかを読み取ることができる。

転出率の時系列推移（地域別平均）
図1：転出率の時系列推移（地域別平均, 2012〜2023年）。破線は2021年（本論文対象年度）。実データ：SSDSE-B-2026。
📌 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。
時系列から読み取れること
  • 関東の高転出率：関東は東京都を含むため、高い転出率を示す（転入も多い）
  • 北海道・東北の低転出率：人口が少なく移動そのものが少ない傾向
  • COVID-19の影響（2020〜2021年）：一部地域でテレワーク普及に伴う都市→地方移動が見られる
  • 2023年の回復：ポストコロナで転出率が再上昇する都市部の動き

時系列の観察から、転出率は単純に「地方が低く都市が高い」というわけではなく、都市においても転出が多い（転入も多い）という構造的な特徴がある。純移動率（転入−転出）こそが、地域の人口動向をより正確に反映する。

2
転出率の都道府県別ランキング（2021年）

2021年度の断面データで47都道府県の転出率を比較する。転出率が高い都道府県・低い都道府県の特徴を地域別（色分け）で視覚化する。

転出率都道府県別ランキング（2021年）
図2：都道府県別転出率ランキング（2021年）。棒の色は地域区分を示す。破線は全国平均（16.6‰）。実データ：SSDSE-B-2026。

2021年 転出率の上位・下位（参考値）

順位都道府県転出率（‰）地域区分特徴
1位（最高）東京都26.9関東 転入も多く「回転型」の高流動地域
2位神奈川県20台関東 首都圏は転出・転入ともに活発
47位（最低）北海道9.8北海道・東北 人口少・移動少の定着型地域
全国平均47都道府県16.6— SD=2.75, 変動係数=16.6%
「転出率が高い＝問題」ではない 東京都の転出率が最高でも、転入超過（純移動率が正）であれば人口は増える。地方創生の観点では「転出率の絶対値」よりも「純移動率」や「若年層の転出超過」に注目することが重要である。
3
PanelOLS 固定効果モデルの推定結果

「転出行動の決定要因」を识別するために、都道府県固定効果モデル（PanelOLS FE）を推定する。固定効果の導入により、都道府県ごとに異なる「観察できない要因」（気候・地形・文化的背景など）を制御した上で、経済・社会変数の影響を推定できる。

転出率it = αi + β₁求人倍率it + β₂住宅地価_logit + β₃高齢化率it + β₄大学学生数_logit + εit

αi: 都道府県固定効果（観察不能な地域特性を除去）
PanelOLS FE 係数プロット
図3：PanelOLS 固定効果モデルの推定係数（エラーバー：95% CI）。赤色は統計的有意（p<0.05），灰色は非有意。実データ：SSDSE-B-2026。
📌 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。

固定効果モデル推定結果

説明変数 係数 β 標準誤差 t値 p値 有意性
求人倍率 +0.5807 0.2235 2.598 0.0097 ***
住宅地価_log −0.2231 0.8089 −0.276 0.7828 n.s.
高齢化率 −0.1114 0.0349 −3.192 0.0015 ***
大学学生数_log +2.7148 1.2781 2.124 0.0341 **

観測数: 564 (47都道府県 × 12年度) ｜ Within R² = 0.0853 ｜ 都道府県クラスター標準誤差

*** p<0.01, ** p<0.05, * p<0.1

推定結果の解釈

求人倍率（+0.58, p=0.010） 求人倍率が1単位上昇すると転出率が0.58‰上昇する。これは一見「雇用が増えると転出が増える」と読めるが、求人倍率が高い地域は経済が活発で、転入・転出ともに流動性が高いことを反映している可能性がある。純移動率との組み合わせで解釈が必要。
高齢化率（−0.11, p=0.002） 高齢化率が1%pt上昇すると転出率が0.11‰低下する。高齢化が進んだ地域では若年人口が少なくなり、移動する層そのものが縮小していることを示す。また高齢者は住み慣れた地域を離れにくいという行動特性も影響していると考えられる。
大学学生数_log（+2.71, p=0.034） 大学生が多い都道府県ほど転出率が高い。大学が多い地域（大都市圏・地方中核都市）は進学・就職で転入・転出が活発であり、「学生の転出」が転出率を押し上げていると解釈できる。
住宅地価_log（−0.22, n.s.） 住宅地価は転出率に有意な影響を示さなかった。「地価が高い→住宅費負担が重い→転出増」という仮説は固定効果モデルでは支持されなかった。これは都道府県内の地価の時系列変動が転出行動を決定するほど大きくないことを示唆する可能性がある。

DS LEARNING POINT 2

FEパネルモデルによる「見えない地域固有要因」の除去

都道府県には観測できない固有の特性（気候・歴史・文化・地理的位置など）が転出行動に影響を与えている。固定効果モデルはこれを「都道府県ダミー」として制御し、時間変動する要因の純効果を推定できる。

import pandas as pd import statsmodels.api as sm from linearmodels.panel import PanelOLS # パネルデータの構造: (都道府県, 年度) のマルチインデックス df_panel = df_panel.set_index(['都道府県', '年度']) y = df_panel['転出率'] X = sm.add_constant(df_panel[['求人倍率', '住宅地価_log', '高齢化率', '大学学生数_log']]) # PanelOLS: entity_effects=True で都道府県固定効果 model_fe = PanelOLS(y, X, entity_effects=True) res_fe = model_fe.fit(cov_type='clustered', cluster_entity=True) print(res_fe.summary) # → Within R², 固定効果後の係数、クラスター標準誤差が出力される

DS LEARNING POINT 3

Hausman 検定（FE vs RE の選択基準とコード）

パネルモデルでは「固定効果（FE）」か「ランダム効果（RE）」かの選択が重要。Hausman検定は「FEとREの係数推定値の差が有意かどうか」を検定する。p<0.05であればFEを支持、p≥0.05であればREも有力となる。

本分析の結果：H = 1.74, p = 0.784 → REも有力（FEを棄却できない状況）。ただし理論的に地域固有効果との相関が疑われる場合はFEが安全策。

from linearmodels.panel import PanelOLS, RandomEffects from scipy import stats import numpy as np # FE推定 res_fe = PanelOLS(y, X, entity_effects=True).fit(cov_type='clustered', cluster_entity=True) # RE推定 res_re = RandomEffects(y, X).fit(cov_type='robust') # Hausman 統計量の計算（対角近似） EXOG = ['求人倍率', '住宅地価_log', '高齢化率', '大学学生数_log'] b_fe = res_fe.params[EXOG].values b_re = res_re.params[EXOG].values V_fe = res_fe.cov.loc[EXOG, EXOG].values V_re = res_re.cov.loc[EXOG, EXOG].values diff = b_fe - b_re V_diff = np.diag(np.abs(np.diag(V_fe - V_re))) H_stat = float(diff @ np.linalg.pinv(V_diff) @ diff) H_pval = 1 - stats.chi2.cdf(H_stat, df=len(EXOG)) print(f"Hausman H = {H_stat:.4f}, p = {H_pval:.4f}") # p < 0.05 → FE支持（個体効果と説明変数が相関） # p ≥ 0.05 → RE有力（個体効果と説明変数は無相関）
4
求人倍率と純移動率の関係（2021年断面）

2021年の断面データで「求人倍率（雇用機会）」と「純移動率（転入超過か転出超過か）」の関係を都道府県ラベル付きで確認する。雇用機会が豊富な地域ほど純移動率が高い（転入超過）という仮説を検証する。

求人倍率 vs 純移動率 散布図（2021年）
図4：求人倍率 vs 純移動率（2021年, 47都道府県）。都道府県名（2文字）でラベル付き。色は地域区分。実データ：SSDSE-B-2026。
散布図の読み取りポイント
  • 負の相関（r = −0.57）：求人倍率が高い地域ほど純移動率が低い傾向。これは逆説的に見えるが、求人倍率が高い=人手不足=地方産業の低賃金・非魅力的な雇用環境という解釈も可能
  • 東京・神奈川（関東）：求人倍率はさほど高くないが純移動率は正（転入超過）
  • 地方農業県：求人倍率は高くても純移動率は低い（転出超過）傾向
  • 沖縄・徳島等：求人倍率が低く、純移動率も負（転出超過）のパターン

この「求人倍率↑→純移動率↓」という関係は、地方の求人倍率が高いのは「低賃金・非正規雇用での人手不足」に起因することが多く、若年層を引き付ける「魅力的な雇用」とは質的に異なる可能性を示唆している。賃金水準や雇用の質を加味した指標の使用が今後の課題となる。

DS LEARNING POINT 4

地方創生政策の定量的評価（何が転出を抑制するか）

パネル分析の結果から、転出率に有意に影響する要因が特定された。政策的示唆として：

1. 高齢化率（負効果）：高齢化が進むと「転出する若者そのものが減少」する人口構造的縮退が示唆される。若年定着施策の早期実施が重要。

2. 求人倍率（正効果）：雇用の量だけでなく「質（賃金・キャリア）」の向上が純移動率の改善に必要。単なる求人数の拡大では転出抑制にならない可能性。

3. 大学学生数（正効果）：地方大学の充実が必ずしも定住を促さない「学生の送り出し機能」に注意。卒業後の地元就職機会とセットの施策が必要。

# 政策効果のシミュレーション（FE係数を活用） import numpy as np coef = { '求人倍率': +0.5807, '住宅地価_log': -0.2231, # 非有意 '高齢化率': -0.1114, '大学学生数_log': +2.7148, } # シナリオ：求人倍率を0.5上昇させた場合の転出率変化 delta_kkyuu = 0.5 effect_kkyuu = coef['求人倍率'] * delta_kkyuu print(f"求人倍率 +0.5 → 転出率 {effect_kkyuu:+.3f}‰ 変化") # シナリオ：高齢化率を1%pt上昇させた場合（将来推計） delta_korei = 1.0 effect_korei = coef['高齢化率'] * delta_korei print(f"高齢化率 +1%pt → 転出率 {effect_korei:+.3f}‰ 変化") # → 高齢化が進む地域では転出率が自然低下する（若者減少のため）

まとめと政策的示唆

主要な発見

SSDSE-B-2026の47都道府県 × 12年度パネルデータを用いた固定効果モデル分析の結果：

  1. 高齢化率（−0.11, p=0.002）：高齢化が進む地域では転出率が低下する。若年人口の縮小が転出の担い手自体を減らしているという人口構造的効果を示す。
  2. 大学学生数（+2.71, p=0.034）：大学生が多い地域ほど転出率が高い。地方大学は「人材輩出機能」を持つ反面、卒業後の地元定着率を高める仕組みが課題。
  3. 求人倍率（+0.58, p=0.010）：求人倍率と転出率は正の相関。2021年断面では求人倍率と純移動率に負の相関（r=−0.57）があり、雇用の「量」ではなく「質（賃金・キャリア形成機会）」が人口定着の鍵。
  4. 住宅地価（非有意）：住宅地価は転出率に有意な影響を与えなかった。都道府県内での地価時系列変動が転出行動の主因でないことを示唆。
  5. Hausman検定（H=1.74, p=0.784）：FEとREで係数に有意差はなく、観察された個体効果と説明変数の相関が弱い可能性。ただし理論的妥当性からFEを採用した。
地方創生への政策的示唆 本分析は「転出率を下げるためには何をすべきか」に対して以下を示唆する：
  • 求人倍率（雇用の量）の向上だけでは転出抑制に不十分。賃金・キャリアの「質」改善が必要
  • 地方大学の設置は若年人口を一時的に引き留めるが、卒業後の地元定着施策（産学連携・UIターン就職支援）とセットで機能する
  • 高齢化が進む地域は転出率が自然低下するが、それは「若者が既に少ない」という危機の裏返しであり、早期の若年定着施策が求められる
分析の限界と今後の課題
  • SSDSE-Bには賃金水準・所得格差の直接指標がなく、雇用の質を捉えきれない
  • Within R² = 0.085と低く、転出率の変動の多くが本モデルで説明できない要因による
  • 若年層（15〜34歳）特有の転出率データがあれば、より精緻な分析が可能
  • 双方向固定効果（時間効果も追加）や操作変数法の導入で内生性への対処が望ましい
教育的価値（この分析から学べること）
  • 人口流出の決定要因：若年層が大都市へ移動する『社会移動』の構造を、賃金・進学先・産業構造などから定量的に分析できる。
  • パネルデータの強み：同じ地域を経年で追うことで、地域固有の時不変要因（気候・文化）を除去できる。これが都道府県の単年比較との大きな違い。
  • プッシュ・プル要因：出る理由（push: 仕事不足・賃金低）と引き寄せられる理由（pull: 大学・職）を分けて考える視点を学べる。

データ・コードのダウンロード

分析スクリプト（2021_U5_1_shorei.py）
データ・ファイル出典・説明
SSDSE-B-2026.csv 統計数理研究所 SSDSE（社会・人口統計体系 都道府県版, 2012〜2023年度）
https://www.ism.ac.jp/editsection/ssdse/
転入・転出者数 住民基本台帳人口移動報告（総務省統計局）
月間有効求人・求職者数 一般職業紹介状況（厚生労働省）
標準地価（住宅地） 地価公示（国土交通省 土地総合情報システム）
大学学生数・65歳以上人口 学校基本調査（文部科学省）、住民基本台帳（総務省）

本教育用コードはSSDSE-B-2026の実公的データのみを使用（合成データ・np.random不使用）。

PanelOLS: linearmodels v6.x | Python 3.x | matplotlib + pandas

教育用再現コード ｜ 2021年 統計データ分析コンペティション 審査員奨励賞（大学生・一般の部）
地方からの人口流出：転出行動の決定要因パネル分析

⚠️ 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。
🎯 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
医療資源の地域格差
次の論文 →
女性就業率と賃金格差の地域要因分析