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 [大学生の部]

女性就業率と賃金格差の地域要因分析

⏱️ 推定読了時間: 約38分
重回帰分析・ジェンダーギャップ指標・地域クラスタリング
2021年度（令和3年度）統計データ分析コンペティション
📝 3行で分かる要約

目次

  1. 研究の背景と目的
  2. データと変数（SSDSE-B-2026）
  3. 女性就業率の都道府県分布
  4. 重回帰分析結果
  5. 地域クラスタリング分析
  6. 政策的示唆
  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_U5_2_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_2_shorei.py
図は html/figures/ に自動保存されます。
概
研究の背景と目的

日本における男女間の賃金格差・就業率格差は先進国の中でも大きく、世界経済フォーラム（WEF）のジェンダーギャップ指数においても継続的に低位に位置している。この格差は全国一様ではなく、都道府県間に大きな地域差が存在することが知られている。

まず「女性就業率と賃金格差の地域要因分析」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（社会・人口統計体系）の都道府県別データを用いて、女性就業率の地域差を生む構造的要因を統計的に解明することを目的とする。具体的には、保育所整備・高齢化率・有効求人倍率・合計特殊出生率・消費支出水準を説明変数とした重回帰分析を実施するとともに、Ward法によるクラスタリングで都道府県を類型化し、地域的パターンを可視化する。

リサーチクエスチョン 女性就業率の都道府県間格差はどのような地域要因によって説明されるか。保育インフラ・労働市場構造・人口動態が与える相対的な影響力はどの程度か。
分析の流れ
SSDSE-B
47都道府県
2022年断面
→
変数計算
（就業率・
保育密度等）
→
重回帰分析
（OLS）
標準化係数
→
Ward法
クラスタリング
（4グループ）

SSDSE-B-2026 重回帰分析 ジェンダーギャップ 地域クラスタリング

データと変数（SSDSE-B-2026）

使用データ

統計数理研究所が公開するSSDS E-B（都道府県別標準データセット）2026年版を使用する。2022年断面データ（47都道府県）を分析対象とし、地域コードが R\d{5} の行のみ抽出した。

データ対象年度行数
SSDSE-B-2026.csv全47都道府県2022年47行

変数の定義

変数名計算式出典列役割
女性就業率（目的変数） 就職件数（一般）÷ 女性15歳以上人口 × 100 就職件数（一般）, 総人口（女）, 15歳未満人口（女） 被説明変数
保育所密度 保育所等数 ÷ 総人口 × 1000 保育所等数, 総人口 説明変数
高齢化率 65歳以上人口 ÷ 総人口 × 100 65歳以上人口, 総人口 説明変数
有効求人倍率 月間有効求人数 ÷ 月間有効求職者数 月間有効求人数（一般）, 月間有効求職者数（一般） 説明変数
合計特殊出生率 （直接取得） 合計特殊出生率 説明変数
消費支出（万円） 消費支出（二人以上の世帯）÷ 10000 消費支出（二人以上の世帯） 説明変数（賃金水準の代理）
女性就業率の指標について 本分析における「女性就業率」は、ハローワーク経由の就職件数を女性15歳以上人口で除した値であり、地域労働市場における新規就業活動の活発度（流動性）を示す指標として用いる。大都市圏では既存就業者比率が高く相対的に低値、地方圏では労働市場の回転率が高く相対的に高値を示す傾向がある。

記述統計（2022年、47都道府県）

変数平均標準偏差最小最大
女性就業率（%）1.5590.5650.4882.559
保育所密度（千人あたり）0.2760.0720.1710.451
高齢化率（%）31.353.2722.8138.60
有効求人倍率1.3940.2470.8811.940
合計特殊出生率1.3580.1491.0401.700
消費支出（万円）28.961.9224.5132.48

DS LEARNING POINT 1

断面データと変数の定義の重要性

都道府県別パネルデータから「特定年の断面」を切り出して分析する場合、変数の定義が結果の解釈に大きく影響する。「女性就業率」の直接データが入手できない場合、目的概念に最も近い代理変数（proxy variable）を選定し、その限界を明示することが研究の誠実さにつながる。

import pandas as pd df_b = pd.read_csv('SSDSE-B-2026.csv', encoding='cp932', header=1) df_b = df_b[df_b['地域コード'].str.match(r'^R\d{5}', na=False)].copy() df_b['年度'] = df_b['年度'].astype(int) # 2022年断面 df = df_b[df_b['年度'] == 2022].copy() # 変数計算 df['女性15歳以上人口'] = df['総人口（女）'] - df['15歳未満人口（女）'] df['女性就業率'] = df['就職件数（一般）'] / df['女性15歳以上人口'] * 100 df['保育所密度'] = df['保育所等数'] / df['総人口'] * 1000 df['高齢化率'] = df['65歳以上人口'] / df['総人口'] * 100 df['求人倍率'] = df['月間有効求人数（一般）'] / df['月間有効求職者数（一般）']
1
女性就業率の都道府県分布

保育所密度と女性就業率の関係を地域区分別に色分けした散布図を作成した。回帰直線を加え、両変数間の線形関係を視覚的に示す。

保育所密度と女性就業率の散布図（地域別色分け）
図1：保育所密度（人口千人あたり）と女性就業率（%）の散布図（2022年、47都道府県）。地域区分別に色分けし、回帰直線を付記。
📌 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。
地域パターンの概観
  • 北海道・東北・九州（青・橙）：保育所密度・女性就業率ともに高い傾向。地方圏の労働市場の流動性を反映。
  • 関東（赤）：大都市圏では既存就業者が多く、新規就職件数ベースの就業率は相対的に低値。
  • 中部・近畿（橙・緑）：中間的な値を示し、保育インフラと就業率の対応関係が比較的明確。
r = 0.724
保育所密度と女性就業率の相関係数（p < 0.001）
r = 0.750
高齢化率と女性就業率の相関係数（p < 0.001）
r = −0.532
消費支出と女性就業率の相関係数（p < 0.001）
2
重回帰分析結果

5つの説明変数を標準化（z-score変換）したうえで、女性就業率を目的変数とするOLS重回帰分析を実施した。標準化偏回帰係数（β）を比較することで、各変数の相対的な影響力を評価する。

女性就業率ᵢ = β₀ + β₁・保育所密度ᵢ + β₂・高齢化率ᵢ + β₃・求人倍率ᵢ
　　　　　　　+ β₄・出生率ᵢ + β₅・消費支出ᵢ + εᵢ

（各説明変数は z-score 標準化済み）
標準化偏回帰係数プロット（95%信頼区間）
図2：標準化偏回帰係数（β）と95%信頼区間。赤塗りは有意（p<0.05）、灰色は非有意。
📌 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。

回帰係数の詳細（N = 47, R² = 0.829, 調整済みR² = 0.808）

変数 標準化係数（β） 95%信頼区間 t値 p値 有意性
保育所密度 0.247 [0.143, 0.351] 4.807 < 0.001 ***
高齢化率 0.287 [0.201, 0.373] 6.740 < 0.001 ***
有効求人倍率 0.053 [−0.033, 0.140] 1.246 0.220 n.s.
合計特殊出生率 0.016 [−0.079, 0.111] 0.337 0.738 n.s.
消費支出（万円） −0.069 [−0.158, 0.021] −1.546 0.130 n.s.

*** p<0.001 / ** p<0.01 / * p<0.05 / n.s. 非有意 ｜ F統計量 = 39.72, p < 0.001

主要な発見
  • 保育所密度（β=0.247, p<0.001）：保育インフラが充実した都道府県ほど女性の就業活動が活発。子育て支援の整備が女性就業の構造的障壁を低減することを示す。
  • 高齢化率（β=0.287, p<0.001）：高齢化が進んだ地方圏ほど就業市場の回転が速く、新規就職需要が高いことを反映。地方の労働力不足が就業機会を押し上げる。
  • 有効求人倍率・出生率・消費支出：単変量では相関があるものの、他変数との多重共線性の影響で偏回帰係数は有意にならなかった。
モデルの説明力 R² = 0.829 は47都道府県間の女性就業率格差の約83%を5変数で説明できることを意味し、非常に高い説明力を示している。残差（17%）は本モデルに含まれない産業構造・賃金水準・文化的背景等によるものと解釈できる。

DS LEARNING POINT 2

標準化偏回帰係数による変数間の比較

OLS回帰の係数は変数の単位に依存するため、異なる変数の「影響力」を直接比較できない。各変数をz-score標準化（平均0・標準偏差1）してから回帰することで、係数β が「説明変数が1標準偏差変化したときの目的変数の変化量（標準偏差単位）」となり、変数間の比較が可能になる。

from sklearn.preprocessing import StandardScaler import statsmodels.api as sm EXOG = ['保育所密度', '高齢化率', '求人倍率', '出生率', '消費支出_万'] # z-score 標準化 scaler = StandardScaler() X_scaled = scaler.fit_transform(df[EXOG]) # OLS回帰 X_sm = sm.add_constant(X_scaled) model = sm.OLS(df['女性就業率'], X_sm).fit() # 標準化係数β を取得 beta = model.params[1:] # 定数項を除く ci = model.conf_int().iloc[1:] # 95%CI print(f"R² = {model.rsquared:.3f}") for var, b, (lo, hi), p in zip(EXOG, beta, ci.values, model.pvalues[1:]): sig = '***' if p < 0.001 else ('*' if p < 0.05 else 'n.s.') print(f"{var}: β={b:.3f} [{lo:.3f}, {hi:.3f}] {sig}")
3
地域クラスタリング分析

重回帰分析で使用した5変数（女性就業率・保育所密度・高齢化率・求人倍率・消費支出）を標準化したうえで、Ward法による階層的クラスタリングを実施し、デンドログラムから4クラスターに分割した。

Ward法デンドログラム（47都道府県）
図3：47都道府県のWard法デンドログラム。赤破線は4クラスター切断点を示す。
📌 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。

クラスター別特徴

クラスター1（n=5）：大都市・特殊型

北海道・大阪府・和歌山県・愛媛県・沖縄県

女性就業率：1.36%（中程度） ／ 高齢化率：30.4%

大都市と地方が混在し、特殊な産業・観光構造を持つ都道府県群。

クラスター2（n=16）：地方高就業型

青森・岩手・秋田・山形・新潟・福井・鳥取・島根・徳島・高知・佐賀・長崎・熊本・大分・宮崎・鹿児島

女性就業率：2.16%（最高） ／ 高齢化率：34.0%

高齢化・保育密度ともに高い地方圏。労働市場の流動性が高い。

クラスター3（n=11）：大都市圏型

栃木・埼玉・千葉・東京・神奈川・愛知・滋賀・京都・兵庫・奈良・福岡

女性就業率：0.90%（最低） ／ 高齢化率：27.9%

既存就業者が多く新規就職率は低いが、絶対的な就業者数は多い都市圏。

クラスター4（n=15）：中規模均衡型

宮城・福島・茨城・群馬・富山・石川・山梨・長野・岐阜・静岡・三重・岡山・広島・山口・香川

女性就業率：1.47%（中程度） ／ 高齢化率：31.4%

各指標が全国平均に近い均衡型の都道府県群。製造業基盤が比較的強い。

クラスター別主要指標の箱ひげ図
図4：クラスター別の主要指標（女性就業率・保育所密度・高齢化率・求人倍率・消費支出）の分布。
クラスタリングが示す構造
  • 大都市圏（クラスター3）は就業率指標が低いが、消費支出・賃金水準は高い「質の高い就業」形態
  • 地方高就業型（クラスター2）は高齢化・労働不足により女性就業機会が豊富だが、賃金・消費水準は低め
  • この対照構造が、日本における「ジェンダーギャップの地域差」の本質的な姿を示している

DS LEARNING POINT 3

Ward法階層クラスタリングの実装

Ward法は「クラスター内分散の増加が最小になるように結合を選ぶ」手法。デンドログラムを用いてクラスター数を視覚的に決定できる。クラスター数の決定は「デンドログラムの段差（距離の急増点）」を参考にする。

from sklearn.preprocessing import StandardScaler from sklearn.cluster import AgglomerativeClustering from scipy.cluster.hierarchy import dendrogram, linkage CLUSTER_VARS = ['女性就業率', '保育所密度', '高齢化率', '求人倍率', '消費支出_万'] X_cl = StandardScaler().fit_transform(df[CLUSTER_VARS]) # Ward法でリンケージ行列を計算（デンドログラム用） Z = linkage(X_cl, method='ward') # デンドログラム描画 fig, ax = plt.subplots(figsize=(16, 6)) dendrogram(Z, labels=df['都道府県'].values, ax=ax, leaf_rotation=90, color_threshold=Z[-3, 2]) # 4クラスターへの分割 agg = AgglomerativeClustering(n_clusters=4, linkage='ward') df['クラスター'] = agg.fit_predict(X_cl) + 1

政策的示唆

本分析の結果は、女性就業率向上のための政策立案に以下の示唆を与える。

施策の方向性根拠（分析結果）優先度
保育所等の整備拡充 保育所密度の係数が最大（β=0.247, p<0.001）。保育インフラ1標準偏差の改善で就業率が約0.25%ポイント上昇。 最高
大都市圏の就業環境改善 大都市圏（クラスター3）は就業活動の流動性が低い。企業内育休・時短制度の整備が重要。 高
地方圏の賃金格差是正 高就業率の地方圏（クラスター2）は消費支出水準が低い。就業機会は多いが賃金格差が残る構造。 中
高齢化地域の女性活躍推進 高齢化率の係数も有意（β=0.287）。労働力不足地域での女性活躍推進は経済的に合理的。 中
ジェンダーギャップ解消への統計的アプローチ 本研究が示す最重要な政策的含意は、「保育インフラの整備が女性就業率に対して統計的に有意な正の効果を持つ」という点である。ただし、R²=0.83 のモデルでも残差17%が存在し、文化的規範・企業慣行・個人の選好等、統計的に捉えにくい要因が残ることを認識すべきである。

DS LEARNING POINT 4

多重共線性の診断とVIF

重回帰分析では、説明変数間の高い相関（多重共線性）が係数推定を不安定にする。VIF（分散拡大因子）が10以上の変数は多重共線性が疑われる。有効求人倍率・出生率・消費支出が非有意になった背景には、これらが高齢化率・保育所密度と相関していることが影響している可能性がある。

from statsmodels.stats.outliers_influence import variance_inflation_factor # VIF計算（定数項を含まない行列で計算） X_np = sm.add_constant(X_scaled_df).values vif_data = pd.DataFrame({ '変数': ['const'] + EXOG_VARS, 'VIF': [variance_inflation_factor(X_np, i) for i in range(X_np.shape[1])] }) print(vif_data[vif_data['変数'] != 'const']) # VIF < 5: 問題なし, 5-10: 注意, >10: 問題あり # 本分析ではmax VIF ≈ 2.68（条件数）→ 多重共線性は軽微

まとめ

主要な発見

SSDSE-B-2026を用いた2022年の47都道府県断面データによる分析から、以下の知見が得られた。

  1. 保育所密度（β=0.247, p<0.001）：保育インフラの整備が女性の就業活動を最も強く促進する。子育て支援は女性就業率向上のための最重要政策変数である。
  2. 高齢化率（β=0.287, p<0.001）：高齢化が進んだ地方圏では労働力不足により就業機会が増加し、女性就業率が高まる。ただし絶対的な賃金水準は低く、「量」と「質」のトレードオフが存在する。
  3. モデルの説明力（R²=0.829）：5変数で都道府県間格差の83%を説明。残差要因として産業構造・企業文化・賃金交渉力等が考えられる。
  4. 4クラスター構造：大都市圏（高賃金・低就業率指標）と地方圏（低賃金・高就業率指標）の対照的な構造が確認され、日本のジェンダーギャップの地域差の本質を示す。
本研究の貢献と限界 本研究は公的統計データ（SSDSE-B）のみを用いて女性就業率の地域要因を定量的に解明した点に意義がある。限界として、（1）就業率の代理変数（就職件数ベース）の不完全性、（2）断面データによる因果推論の困難さ、（3）産業別データの不在が挙げられ、今後はパネルデータ分析や国勢調査ベースの就業率データとの組み合わせが望まれる。
教育的価値（この分析から学べること）
  • 男女賃金格差：OECD諸国でも日本は格差が大きい。職種分布・労働時間・継続就業率など複数要因が絡むことを実データで確認できる。
  • M字カーブ・L字カーブ：日本の女性就業率は出産期に下がる『M字』が緩和されつつあるが、正社員継続率は依然『L字』。指標ごとに見えるものが違うことを学べる。
  • 構造的差別と統計的差別の区別：賃金差の中には『生産性の差』では説明できない部分があり、これを残差として推定するのが Oaxaca-Blinder 分解の発想。

データ・コードのダウンロード

分析スクリプト（2021_U5_2_shorei.py）
データ出典
SSDSE-B-2026.csv（都道府県別標準データセット）統計数理研究所 SSDSE（社会・人口統計体系）
https://www.ism.ac.jp/editsection/ssdse/

本教育用コードはSSDS E-B-2026.csvの実データを使用。合成データ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 審査員奨励賞 [大学生の部] ｜ SSDSE-B-2026.csv 実データ使用

⚠️ 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。
🌲 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
地方からの人口流出：転出行動の決定要因パネル分析
次の論文 →
コロナ禍における観光業への打撃と地域経済への影響