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）

コロナ禍における観光業への打撃と
地域経済への影響

⏱️ 推定読了時間: 約38分
2021年度（令和3年度）統計データ分析コンペティション | 大学生の部
📝 3行で分かる要約

目次

  1. 研究の背景：コロナ禍と観光業
  2. データと変数
  3. 消費支出の時系列分析
  4. 差の差分析（DID）の方法と結果
  5. 観光依存度と打撃の大きさ
  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_3_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_3_shorei.py
図は html/figures/ に自動保存されます。
概
研究の背景：コロナ禍と観光業

2020年初頭から始まった新型コロナウイルス感染症（COVID-19）のパンデミックは、日本経済に甚大な打撃を与えた。中でも観光業・宿泊業・飲食業は、政府による移動制限や緊急事態宣言の影響を直接的に受け、急激な売上減少を経験した。

まず「コロナ禍における観光業への打撃と地域経済への影響」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。

観光業への打撃の深刻さ 国土交通省の統計によれば、2020年の延べ宿泊者数は前年比約40%減という歴史的な落ち込みを記録した。 観光依存度の高い地域（温泉地・リゾート地・古都など）では、地域経済全体への波及効果が大きく、 消費支出や地域雇用にも甚大な影響が生じた可能性がある。

本研究は、SSDSE-B（都道府県パネルデータ）を用いて、コロナ禍が観光業を通じて地域経済（消費支出）に与えた影響を定量化することを目的とする。特に、観光依存度の高い県と低い県で、コロナ禍の消費落ち込みに差があったかを差の差分析（DID）で検証する。

研究の問い（リサーチクエスチョン）
  • コロナ禍（2020〜2021年）において、消費支出は全国的にどの程度落ち込んだか？
  • 旅館・ホテルの密度が高い「観光依存型」都道府県は、消費支出の落ち込みが大きかったか？
  • 差の差（DID）分析で観光業依存の経済ダメージを統計的に推定できるか？

差の差分析（DID） 時系列分析 地域比較 SSDSE-B パネルデータ

データと変数

使用データ：SSDSE-B（都道府県統計）

統計数理研究所が提供する SSDSE-B（社会・人口統計体系 都道府県データ）2026年版を使用。 地域コードが「R」で始まる47都道府県のデータを抽出し、2018〜2023年の6年間（282観測）を分析対象とした。

変数SSDSE-B列名役割単位
消費支出消費支出（二人以上の世帯）目的変数（地域経済指標）円/月
旅館密度旅館営業施設数（ホテルを含む）/ 総人口観光依存度プロキシ施設/万人
コロナダミー年度 ∈ {2020, 2021} → 1介入（post）変数0/1
処置ダミー旅館密度 ≥ 中央値 → 1観光高依存グループ（treat）0/1
交差項treat × postDID推定量（主要関心変数）—

分析期間と観光依存度の分類

47
都道府県
6年
2018〜2023年
282
総観測数
28.8万円
全体平均消費支出
観光依存度プロキシの設計 実際の観光論文では宿泊者数や観光消費額が理想的だが、都道府県パネルデータとして安定的に入手できる 旅館・ホテル施設数（対人口比）を観光依存度のプロキシとして使用する。 この指標は地域の観光インフラの集積度を反映し、観光業の地域経済への構造的な依存度を表す。

観光高依存県（旅館密度 上位10県、2019年）

順位都道府県旅館密度（施設/万人）主な観光地
1山梨県16.33富士山、富士五湖、温泉地
2沖縄県14.75リゾート、マリンスポーツ
3長野県12.71軽井沢、上高地、スキーリゾート
4福井県12.31東尋坊、芦原温泉
5鳥取県10.84鳥取砂丘、皆生温泉
6大分県9.52別府・湯布院（全国有数の温泉地）
7新潟県9.27越後湯沢、佐渡
8福島県8.21会津、磐梯山、温泉地多数
9静岡県7.78熱海、伊豆半島
10山形県7.47蔵王、銀山温泉
1
消費支出の時系列分析

まず全国47都道府県の平均消費支出（二人以上世帯）の時系列推移を確認し、コロナ禍（2020〜2021年）における落ち込みの全体像を把握する。

全国平均消費支出の時系列変化
図1：全国47都道府県平均の消費支出時系列（2018〜2023年）。赤シャドウはCOVID-19の影響が顕著な2020〜2021年を示す。
📌 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。
主要な発見：コロナ禍による消費支出の落ち込み
  • コロナ前平均（2018〜2019年）：月額 28.83万円
  • コロナ期平均（2020〜2021年）：月額 28.03万円
  • 変化率： −2.8%（約8,000円/月の落ち込み）

全国平均では約−2.8%の落ち込みが確認された。ただしこれは47都道府県の単純平均であり、観光依存度の高い県では、より大きな落ち込みが生じた可能性がある。次節の差の差分析でこの「異質性」を検証する。

留意点：消費支出変数の解釈 本研究で使用する「消費支出（二人以上の世帯）」は家計調査に基づく推計値であり、 観光消費（旅行中の支出）そのものではなく、地域住民の日常的な消費水準を反映する。 コロナ禍の観光業ダメージは、雇用・所得を通じた間接的な経路でこの指標に影響すると解釈する。

DS LEARNING POINT 1

時系列の「水準」と「変化率」の使い分け

時系列データで「前後比較」をする際は、水準値（実額）と変化率のどちらを使うかが重要。水準値はそのままの値だが都道府県間の経済規模の差を反映してしまう。変化率は各地域の「ショック」の大きさを比較するのに適している。

# 変化率の計算（2019年基準） df_2019 = df[df['年度'] == 2019].set_index('都道府県')['消費支出'] df_2020 = df[df['年度'] == 2020].set_index('都道府県')['消費支出'] # 変化率（%） change_rate = (df_2020 - df_2019) / df_2019 * 100 # 水準と変化率で異なるランキングになりうる print("変化率が最も大きく落ちた都道府県:") print(change_rate.nsmallest(5))
2
差の差分析（DID）の方法と結果

差の差（Difference-in-Differences, DID）分析は、政策・外部ショックの因果効果を推定するために広く使われる準実験的手法である。ここでは「観光高依存県（処置群）」と「観光低依存県（比較群）」のコロナ前後の消費支出変化の差を推定する。

DIDの設計

消費支出it = β₀ + β₁・treati + β₂・postt + β₃・(treati × postt) + εit β₃（交差項係数）= DID推定量 = 観光依存によるコロナ追加ダメージ
変数定義想定符号
treati観光高依存県 = 1（旅館密度が全国中央値以上）？（水準差）
posttコロナ期 = 1（年度 ∈ {2020, 2021}）−（全体落ち込み）
treat × postDID交差項（主要関心変数）−（追加ダメージ）

回帰係数プロット

DID回帰係数プロット
図3：差の差（DID）分析の回帰係数と95%信頼区間。点は係数推定値、横棒は95%CI。オレンジ色がDID交差項（主要関心変数）。
📌 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。

回帰結果の解釈

係数推定値（円/月）95%CIp値解釈
Intercept（β₀） 293,000 [288,000, 298,000] 0.000 *** 低依存・コロナ前の基準水準
treat（β₁） −4,762 [−11,500, +1,989] 0.166 n.s. 高依存県は元々消費が低い傾向（有意でない）
post（β₂） −11,640 [−20,000, −3,289] 0.006 ** コロナ期全体で消費が月約1.2万円減少
treat×post（β₃） +2,832 [−8,860, +14,524] 0.634 n.s. 観光高依存による追加ダメージ（有意でない）
「有意でない」結果の解釈：ナル結果の重要性 DID交差項（β₃ = +2,832円, p = 0.634）は統計的に有意でなかった。 これは「観光高依存県が低依存県より消費支出の落ち込みが大きかった」という仮説を、 この分析では支持しないことを意味する。 ただし、これはダメージがなかったことを証明するのではなく、 消費支出という指標・SSDSE-Bのデータでは検出できなかったということを示す。

DS LEARNING POINT 2

差の差（DID）分析の基本と並行トレンド仮定

DIDが因果効果を推定するには「並行トレンド仮定（Parallel Trends Assumption）」が必要。これは「処置がなければ、処置群と比較群は同じトレンドで推移していた」という仮定である。コロナ禍のようなパンデミックは全国同時に起きるため、この仮定の検証が難しい。

import statsmodels.api as sm # DID回帰 df['treat_post'] = df['treat'] * df['post'] X = sm.add_constant(df[['treat', 'post', 'treat_post']]) y = df['消費支出'] model = sm.OLS(y, X).fit() print(model.summary()) # β₃（treat_post）の係数がDID推定量 # 符号が負なら「処置群の方がコロナで余計に落ちた」 did_effect = model.params['treat_post'] print(f"DID推定量: {did_effect:+,.0f}円/月")
3
観光依存度と打撃の大きさ

DID回帰に加え、旅館密度（観光依存度プロキシ）と消費支出変化率の直接的な関係を散布図・箱ひげ図で視覚化する。

旅館密度 vs 消費支出変化率（2020年）

旅館密度と消費支出変化率の散布図
図2：47都道府県の旅館密度（2019年）と消費支出変化率（2019→2020年）の散布図。地方区分で色分け、回帰直線（破線）を付加。
📌 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。
散布図の読み取り 相関係数 r = 0.031（p = 0.837、統計的に有意でない）。旅館密度と消費支出変化率には 明確な線形関係は見られなかった。観光業の打撃は「消費支出」という集計指標には 直接的には反映されにくい可能性がある。

観光高依存県 vs 低依存県の消費変化比較

観光依存度別の消費変化箱ひげ図
図4：旅館密度の上位10県（観光高依存）と下位10県（観光低依存）のコロナ前後（2019→2020-21年）消費変化率の比較。ひし形は各群の平均値。
グループ対象県（N=10）平均変化率中央値
観光高依存（旅館密度上位10） 山梨・沖縄・長野・福井・鳥取・大分・新潟・福島・静岡・山形 −0.96% +0.97%
観光低依存（旅館密度下位10） 埼玉・神奈川・愛知・大阪・千葉・東京・広島・福岡・兵庫・奈良 −3.43% −4.02%

t検定の結果：t = 1.013, p = 0.324（統計的に有意でない）

「逆説的」な結果の解釈 興味深いことに、観光低依存県（大都市圏が多い）の方が消費支出の落ち込みが大きい傾向が見られた。 これは、大都市圏では「外食・交通・娯楽」等のサービス消費が占める割合が高く、 コロナ禍の外出自粛による消費減が大きく現れた可能性がある。 一方、旅館密度が高い観光地（地方の温泉地等）では、元々の消費パターンが異なる。

DS LEARNING POINT 3

「処置群」の定義が結果を左右する：観光依存度の測定問題

DID分析では「処置群」の定義が推定結果を大きく左右する。本研究では旅館密度を使ったが、 より直接的な指標（観光業就業者割合、観光消費額等）を使うと結果が変わる可能性がある。 これを「測定誤差（measurement error）」の問題と呼ぶ。

# 旅館密度は「観光依存度」の不完全なプロキシ # より良い指標の例（データがあれば）： # 1. 観光業・宿泊業就業者数 / 総就業者数 # 2. 延べ宿泊者数 / 人口 # 3. 観光消費額（推計）/ 県内総生産 # 感度分析：閾値を変えてもDIDの符号・有意性が変わらないか確認 for threshold_pct in [25, 33, 40, 50]: threshold = prefs_2019['旅館密度'].quantile(threshold_pct/100) # treat = 上位 threshold_pct% → 結果の安定性を確認 print(f"閾値={threshold_pct}%ile: treat n={sum(prefs_2019['旅館密度'] >= threshold)}")

政策的示唆

本分析からの示唆

本研究の結果は、SSDSE-Bの消費支出データを用いたDID分析では、観光高依存県の統計的に有意な「追加ダメージ」を検出できなかった。しかし、これは政策的示唆がないことを意味しない。

政策立案への含意
  1. 観光業への直接支援の重要性：消費支出という集計指標には現れなくても、宿泊業・飲食業の企業倒産や雇用喪失は深刻だった。業種別・地域別のより詳細なデータでの分析が政策評価に不可欠。
  2. 地域経済の多角化：観光一本足打法の地域経済は外部ショックに脆弱。製造業・IT産業との複合的な地域振興が耐性を高める。
  3. 観光振興策（GoTo等）の評価：GoToトラベルのような観光需要刺激策の効果検証には、DIDが有力なツール。本研究の枠組みを政策評価に応用できる。

分析の限界と改善方向

限界点改善のための方向性
消費支出が観光ダメージの間接指標宿泊者数・観光業売上高等の直接指標を追加
都道府県固定効果の不完全な制御固定効果モデル（within推定）の適用
旅館密度が観光依存度の不完全なプロキシ観光業就業割合等の複合指標を構築
N=47で統計的検出力が低い市区町村レベルへの分析単位の細分化
並行トレンド仮定の未検証コロナ前の期間でのプラセボ検定（偽のpost）

DS LEARNING POINT 4

「有意でない」結果を正直に報告することの重要性

統計分析では、仮説通りの結果が出ないことも多い。このような「ナル結果（null result）」を隠したり、有意になるまで分析を繰り返す（p-hacking）ことは科学的に不誠実。ナル結果も重要な知見であり、「この指標・このデータ・この方法では検出できなかった」という情報を正直に報告することが学術的誠実さの基本。

# 統計的検出力（Power）の確認 from scipy import stats # N=47県, α=0.05 での検出力計算 # DIDで検出したい効果量（月額 -1万円差 = 約4%差） N_treat = 23 # 高依存県 N_ctrl = 24 # 低依存県 mean_diff = 10000 # 検出したい差（円/月） pooled_std = 24000 # 消費支出の標準偏差（推定） effect_size = mean_diff / pooled_std # Cohen's d ≈ 0.42 # N=23 vs N=24 での検出力: 約50%程度（0.5未満） # → N=47では十分な検出力がなかった可能性 # 十分な検出力（0.8）のために必要なN: # 市区町村レベルの分析に移行することで解決できる

まとめ

主要な発見

SSDSE-B（47都道府県×2018〜2023年、N=282）を用いた時系列・差の差分析の結果：

  1. 全国的な消費落ち込み：コロナ禍（2020〜2021年）において全国平均消費支出は前期比 −2.8%（月額約8,000円）低下した。DIDのpost係数（β₂ = −11,640円, p = 0.006）として有意に検出された。
  2. DID交差項は有意でなかった：旅館密度で定義した「観光高依存県」は、消費支出という集計指標では「低依存県に比べて追加的に落ち込んだ」という証拠は得られなかった（β₃ = +2,832円, p = 0.634）。
  3. 大都市圏の落ち込みが大きい：旅館密度が低い大都市圏（埼玉・神奈川・愛知・大阪・千葉等）の方が、消費支出の変化率では落ち込みが大きい傾向が見られた（低依存：−3.43% vs 高依存：−0.96%）。
  4. 測定の問題：観光業の打撃を「家計消費支出」で測定することの限界が示された。業種別・地域別のより詳細なデータでの再分析が推奨される。
本研究の学術的貢献 コロナ禍の地域経済への影響を定量化するためにDIDという因果推論の枠組みを適用し、 データの制約（都道府県集計データのみ、N=47）の中で最良の分析を試みた。 「有意でない」結果を含めて誠実に報告し、 より詳細なデータ・改善された手法による追加分析の方向性を明示したことが学術的貢献である。
教育的価値（この分析から学べること）
  • 外生ショックの分析：COVID-19のような『誰も予測できなかった衝撃』は自然実験として因果推論に有用。
  • 観光業の脆弱性：宿泊・飲食など特定産業に依存する地域ほどショックの影響が大きい。産業多様化（diversification）の重要性を学べる。
  • 時系列の構造変化：ある時点を境にトレンドが変わる『構造変化』を統計的に検出する考え方（Chow検定など）の入門になる。

データ・コードのダウンロード

分析スクリプト（2021_U5_3_shorei.py）
データ出典URL
SSDSE-B-2026（都道府県統計） 統計数理研究所 SSDSE https://www.ism.ac.jp/opendata/ssdse/
旅館営業施設数、消費支出等 上記SSDSE-B内（47都道府県・2012〜2023年） —

本教育用コードはSSDSE-B実データのみを使用しています（合成データ・np.random.seed等は一切使用しません）。

使用ライブラリ

ライブラリ用途
pandasデータ読み込み・前処理・集計
numpy数値計算
statsmodelsOLS回帰（DID分析）
scipy.statst検定・相関係数検定
matplotlib図の作成（折れ線・散布図・箱ひげ図・係数プロット）
教育用再現コード ｜ 2021年度（令和3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]

⚠️ 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。
🔄 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。
↔️ 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
女性就業率と賃金格差の地域要因分析
次の論文 →
インターネット利用率・ICT環境と地域経済指標の関係分析