目次
🎯 この記事を読むと何ができるようになるか
- 研究の核心：「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」の問題意識と分析アプローチ
- 分析手法：重回帰分析で「複数の要因がどの程度結果に影響するか」を同時に推定する方法
- 分析手法：相関係数（Pearson・Spearman）で2変数の関係の強さと向きを定量化する方法
- 分析手法：主成分分析（PCA）で多次元データを2〜3軸に圧縮し可視化する方法
- 結果の読み方：係数・p値・図表から「何が言えて何が言えないか」を判断する力
- 応用：同じデータと手法を使って、別の問いを立てて分析する発想
📥 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_4_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_4_shorei.py
図は html/figures/ に自動保存されます。
概
研究の背景
インターネット利用率やICT（情報通信技術）環境の整備は、現代社会における経済成長の重要な基盤とされている。日本では2000年代以降「IT立国」政策が推進され、ブロードバンド普及、スマートフォン利用、そしてDX（デジタルトランスフォーメーション）へとデジタル化の波が続いてきた。
まず「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」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。
しかし、都市部と地方でのICT普及には依然として格差があり、これが地域経済格差の一因とも考えられる。本研究では、47都道府県の断面データを用いて、ICT環境（教育・情報通信への投資の代理変数）と経済水準の関係を統計的に分析する。
リサーチクエスチョン
ICT環境（高等教育集積・情報通信消費）が充実している都道府県ほど、経済水準（消費支出・文化投資）は高いのか？
主成分分析でICT活用指数を合成し、重回帰分析でその効果を定量化する。
分析の流れ
SSDSE-B
47都道府県
（2022年）
47都道府県
（2022年）
→
プロキシ変数
の構築
の構築
→
相関分析
（ヒートマップ）
（ヒートマップ）
→
PCA
ICT指数
構築
ICT指数
構築
→
重回帰分析
・分類
・分類
SSDSE-B 相関分析 主成分分析（PCA） 重回帰分析 地域分類
データと変数（プロキシ変数の説明）
使用データ
統計数理研究所が公開する SSDSE-B（社会・人口統計体系データセット B）から、2022年度の47都道府県断面データを使用。地域コードがR\d{5}（都道府県レベル）の行を抽出した。
ICT環境のプロキシ変数（直接計測不可の概念を間接指標で捉える）
SSDSE-Bにはインターネット利用率そのものは収録されていないため、ICT環境を反映すると考えられる変数を構築した。
| プロキシ変数 | 元データ（SSDSE-B） | ICTとの関係 |
|---|---|---|
| 大学進学率 | 高校卒業者のうち進学者数 / 高校卒業者数 | 高等教育参加率が高い地域ほどデジタルリテラシーが高い傾向 |
| 大学数（per万人） | 大学数 / 総人口 × 10,000 | 高等教育機関の集積がICT人材供給の基盤 |
| 大学生比率 | 大学学生数 / 総人口 | 若年・高学歴層の比率 → ICT活用促進 |
| 通信費比率 | 交通・通信費 / 消費支出合計 | 情報通信への家計支出割合（ICT消費の直接代理） |
| 教育文化費比率 | （教育費 + 教養娯楽費）/ 消費支出合計 | 教育・文化的投資の大きさ → 知識集約的経済活動 |
経済指標（目的変数）
| 変数 | 意味 |
|---|---|
| 消費支出（二人以上の世帯） | 家計の購買力・豊かさの総合代理指標（円/月） |
プロキシ変数の限界と留意点
ICT環境を直接測るデータ（ブロードバンド普及率・スマートフォン利用率等）は都道府県別公開データが限られている。本分析では「高等教育・情報通信消費」を代理指標としてICT環境を近似する。変数の解釈には限界があることを念頭におく必要がある。
47
都道府県（2022年断面）
5
ICTプロキシ変数
R²=0.467
重回帰モデルの決定係数
1
ICT環境の地域分布と相関分析
5つのICTプロキシ変数と経済指標（消費支出・教育費・教養娯楽費）の間のPearson相関係数行列を算出した。
図1: ICT関連変数と経済指標の相関行列（Pearson相関係数）。赤が正の相関、青が負の相関。
📌 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。
主要な相関係数
| 説明変数 | 消費支出との相関 r | p値 | 有意性 |
|---|---|---|---|
| 大学進学率 | +0.446 | 0.0017 | ** |
| 大学数（per万人） | +0.201 | 0.1749 | ns |
| 大学生比率 | +0.287 | 0.050付近 | * |
| 通信費比率 | -0.091 | 0.5443 | ns |
| 教育文化費比率 | +0.638 | <0.001 | *** |
相関分析からの示唆
- 教育文化費比率（r=+0.638, p<0.001）: 最も強い正の相関。教育・文化娯楽への支出が多い都道府県ほど消費水準が高い。
- 大学進学率（r=+0.446, p=0.002）: 高等教育進学率と経済水準に有意な正の関係。
- 通信費比率（r=-0.091）: 非有意。通信費の消費比率は必ずしも豊かさを示さない（農村部でも通信費負担は大きい可能性）。
DS LEARNING POINT 1
Pearson相関係数と統計的有意性
N=47の小サンプルでは、|r|>=0.29程度でp<0.05となる。しかし統計的有意性と実質的意義（効果量）は別物。Cohen(1988)の基準では r=0.1（小）, 0.3（中）, 0.5（大）を目安にする。
from scipy import stats
# Pearson相関係数と検定
r, p = stats.pearsonr(x, y) # x, y: 各都道府県の変数
# Cohen(1988)の効果量の基準
if abs(r) >= 0.5:
effect = "大（Large）"
elif abs(r) >= 0.3:
effect = "中（Medium）"
elif abs(r) >= 0.1:
effect = "小（Small）"
else:
effect = "微小"
print(f"r={r:.3f}, p={p:.4f}")
print(f"効果量（Cohen）: {effect}")
# N=47での検定力の目安
# |r|>= 0.29 で p < 0.05（両側検定）
# |r|>= 0.38 で p < 0.01
2
主成分分析（ICT活用指数の構築）
5つのICTプロキシ変数を標準化（StandardScaler）したうえで、主成分分析（PCA）を実施した。第1主成分（PC1）をICT活用指数として解釈する。
PCAの寄与率
- PC1（第1主成分）寄与率: 57.4%
- PC2（第2主成分）寄与率: 21.6%
- 累積寄与率（PC1+PC2）: 79.0%
図2: PCAバイプロット（47都道府県・地域別色分け）。矢印はICTプロキシ変数のローディングベクトル。PC1が大きいほどICT先進型。
📌 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。
北海道・東北
関東
中部
近畿
中国・四国
九州・沖縄
バイプロットの読み方
| 位置 | 特徴 | 代表的な都道府県 |
|---|---|---|
| PC1（右）大 | 大学集積・進学率高・教育文化費高 → ICT先進型 | 京都府、東京都、大阪府 |
| PC1（左）小 | 大学集積低・進学率低・農業比率高 | 佐賀県、島根県、茨城県 |
PC1の解釈上の注意
ICT活用指数（PC1）は「大学数・進学率・教育文化費比率」に強く依存しており、都市圏・大学城下町が高スコアになりやすい。農業県・工業県では製造業ICT化が進んでいても低スコアになる可能性がある。
DS LEARNING POINT 2
主成分分析（PCA）による合成指数の構築
PCAは多変数を少数の主成分に圧縮する手法。第1主成分（PC1）は「最も分散を説明する方向」であり、複数指標を合成した総合スコアとして解釈できる。ただしPC1の意味は変数群によって変わり、常に明確な解釈が得られるとは限らない。
from sklearn.preprocessing import StandardScaler
from sklearn.decomposition import PCA
# 1. 標準化（平均0・分散1）
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X_ict) # shape: (47, 5)
# 2. PCA実行
pca = PCA(n_components=2)
scores = pca.fit_transform(X_scaled) # shape: (47, 2)
# 3. 寄与率の確認
print("PC1寄与率:", pca.explained_variance_ratio_[0]) # 0.574
print("PC2寄与率:", pca.explained_variance_ratio_[1]) # 0.216
# 4. ローディング（変数とPCの関係）
loadings = pca.components_ # shape: (2, 5)
# loadings[0]: PC1への各変数の寄与（符号が方向を示す）
# PC1スコアをICT活用指数として使用
df['ICT指数'] = scores[:, 0]
3
重回帰分析結果
標準化した5つのICTプロキシ変数を説明変数、消費支出を目的変数として重回帰分析（OLS）を実施した。標準化係数で各変数の「相対的な重要性」を比較できる。
消費支出 = β₀ + β₁×大学進学率 + β₂×大学数per万人 + β₃×大学生比率
+ β₄×通信費比率 + β₅×教育文化費比率 + ε
（すべての説明変数は標準化済み：平均0、標準偏差1）
+ β₄×通信費比率 + β₅×教育文化費比率 + ε
（すべての説明変数は標準化済み：平均0、標準偏差1）
図3: 標準化偏回帰係数と95%信頼区間。赤は統計的に有意（p<0.05）な変数。
📌 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。
重回帰分析の結果
| 変数 | 標準化係数 β | p値 | 有意性 | 解釈 |
|---|---|---|---|---|
| 大学進学率 | +0.084 | 0.933 | ns | 他変数と共線性あり、単独では非有意 |
| 大学数（per万人） | +0.833 | 0.321 | ns | 非有意。大学数は地方でも相対的に大きい |
| 大学生比率 | +0.641 | 0.525 | ns | 非有意。大学進学率と相関し多重共線性の影響 |
| 通信費比率 | +2.205 | 0.033 | * | 通信費への支出比率が高い地域は消費水準も高い |
| 教育文化費比率 | +4.304 | <0.001 | *** | 最も強い正の効果。教育・文化投資と経済水準の関係 |
モデル適合度
- R² = 0.467（ICT変数群で消費支出の分散の約47%を説明）
- 修正済みR² = 0.402
- F統計量 = 7.19, p < 0.001（モデル全体として有意）
多重共線性への留意
大学進学率・大学数・大学生比率はそれぞれ相互に高い相関を持つ。重回帰では「その他を一定とした上での効果」を推定するため、相関の高い変数が同時に投入されると個々の係数が不安定になる（多重共線性）。各変数の単相関では有意でも、重回帰では非有意になるケースがある。
DS LEARNING POINT 3
重回帰分析と多重共線性の診断
説明変数間の相関が高い場合（多重共線性）、係数の推定が不安定になる。VIF（分散拡大係数）で診断し、VIF>10は問題あり、VIF>5は注意が必要とされる。
import statsmodels.api as sm
from statsmodels.stats.outliers_influence import variance_inflation_factor
# OLS重回帰（説明変数は標準化済み）
X_const = sm.add_constant(X_scaled)
model = sm.OLS(y, X_const).fit()
print(model.summary())
# VIF計算（多重共線性の診断）
vif_data = pd.DataFrame()
vif_data['変数'] = var_names
vif_data['VIF'] = [
variance_inflation_factor(X_scaled, i)
for i in range(X_scaled.shape[1])
]
print(vif_data)
# VIF > 10: 深刻な多重共線性 → 変数削除・PCA結合を検討
# VIF 5-10: 中程度の多重共線性 → 注意して解釈
4
ICT先進県の特徴分析
PCAで得られたICT活用指数（PC1スコア）の上位1/3を「ICT先進県」、下位1/3を「ICT後発県」、中間を「標準県」として分類した。
図4: ICT活用指数スコアによる都道府県ランキング（上位10・下位10）。色は地域ブロックを示す。
ICT先進県 TOP10
| 順位 | 都道府県 | ICT指数 | 地域 | 特徴 |
|---|---|---|---|---|
| 1 | 京都府 | +5.65 | 近畿 | 大学数・学生数が人口比で最大級。学術都市 |
| 2 | 東京都 | +5.37 | 関東 | 大学集積・高進学率・教育文化費全国最高水準 |
| 3 | 大阪府 | +2.22 | 近畿 | 大都市圏の高等教育集積 |
| 4 | 埼玉県 | +2.12 | 関東 | 首都圏での大学進学率の高さ |
| 5 | 神奈川県 | +2.09 | 関東 | 大学数多く、文化娯楽費も高水準 |
ICT後発県 BOTTOM5
| 順位 | 都道府県 | ICT指数 | 地域 | 特徴 |
|---|---|---|---|---|
| 47位 | 佐賀県 | -2.37 | 九州・沖縄 | 進学率・大学数とも低水準 |
| 46位 | 島根県 | -1.91 | 中国・四国 | 人口規模小・大学集積低い |
| 45位 | 茨城県 | -1.82 | 関東 | 製造業比率高く進学より就職が多い傾向 |
| 44位 | 山口県 | -1.80 | 中国・四国 | 工業県。ICT以外の産業基盤が中心 |
| 43位 | 鹿児島県 | -1.67 | 九州・沖縄 | 農業・観光が主要産業 |
地域別パターン
- ICT先進県: 京都・東京・大阪・神奈川・石川など「大学城下町」や首都圏が上位。
- ICT後発県: 製造業・農業が基盤の県（茨城・山口・佐賀・島根）。これらは「ICTが遅れている」というより「産業構造が異なる」とも解釈できる。
- 沖縄県（-1.45）: 中間的だが、若年人口・大学生は比較的多い一方、消費水準が低い特殊ケース。
DS LEARNING POINT 4
クラスター分類と解釈の注意点
三分位での「ICT先進/標準/後発」分類は単純だが恣意的でもある。機械的な閾値ではなくk-means法やウォード法による階層クラスタリングを併用すると、データ駆動で自然なグループを発見できる。また「後発」というラベルが価値判断を含むことに注意。
import pandas as pd
import numpy as np
# 三分位での分類（分析で使用した方法）
q33_lo = df['ICT指数'].quantile(0.333)
q33_hi = df['ICT指数'].quantile(0.667)
df['ICT分類'] = pd.cut(
df['ICT指数'],
bins=[-np.inf, q33_lo, q33_hi, np.inf],
labels=['ICT後発県', '標準県', 'ICT先進県']
)
# より詳細な分析: k-meansクラスタリング
from sklearn.cluster import KMeans
km = KMeans(n_clusters=3, random_state=None, n_init=10)
# ※実データ使用: random_state の固定は不要
labels = km.fit_predict(X_scaled)
# 各クラスターの平均プロファイルで命名
cluster_profile = df.groupby(labels)[ict_vars].mean()
print(cluster_profile)
まとめと政策提言
主要な発見
SSDSE-B（47都道府県・2022年断面）を用いた主成分分析・重回帰分析の結果：
- 教育文化費比率（最も強い正の効果, β≒+4.3, p<0.001）: 教育・文化娯楽への家計支出割合が高い都道府県ほど消費水準が高く、「知識・文化的経済活動」と豊かさの正の連鎖が確認された。
- 大学進学率（単相関 r=0.45, p=0.002）: 高等教育参加率は消費水準と中程度の正の相関を示した。重回帰では他変数との共線性により有意性が低下。
- PCAによるICT活用指数（PC1寄与率57.4%）: 5変数を1軸に圧縮したICT指数は「学術集積型」都市（京都・東京・大阪）が高く、製造業・農業主体の県が低い傾向を示した。
- 通信費比率（β≒+2.2, p=0.033）: 情報通信費への支出割合が高い地域は消費水準もやや高い。ICT消費への積極的投資が経済活動と正の関係にある可能性。
政策提言
- 高等教育の地域配置: 大学・高等教育機関の地方配置を促進することで、ICT人材の育成と地域経済の活性化を同時に狙う。
- 教育・文化投資の充実: 教育費・文化娯楽費への支出は消費水準と強く相関する。図書館・生涯学習施設・文化施設の充実が地域経済底上げに寄与しうる。
- 産業構造とICTの組み合わせ: 製造業県・農業県でも「農業ICT（スマート農業）」「製造業DX」を推進することで、ICT後発県の経済水準向上が期待できる。
分析の限界と今後の課題
- 本分析は1時点（2022年）の断面データであり、因果関係は直接示せない。
- ICT環境のプロキシ変数は不完全であり、実際のインターネット普及率・光ファイバー整備率等を補完すべき。
- N=47（都道府県）は統計的に小サンプルであり、推定の不確実性が大きい。市区町村レベルの分析（SSDSE-A）で検証を深めることが望ましい。
教育的価値（この分析から学べること）
- デジタルデバイド：情報通信環境の格差。所得・年齢・地域による『デジタルへのアクセス格差』を実データで可視化できる。
- ICTと経済の双方向関係：『ICT普及で経済が成長』するのか『豊かな地域ほどICTが普及』するのかは内生性問題。因果方向の難しさを学べる。
- 代理変数の組み合わせ：ICT環境を1つの指標で測れないため、固定回線・スマホ・テレワーク実施率など複数を組み合わせる必要がある。
データ・コードのダウンロード
| データ | 出典 |
|---|---|
| SSDSE-B-2026.csv（都道府県別データ） | 統計数理研究所 SSDSE（社会・人口統計体系）2026年版 |
| 大学数・学生数・高校卒業者等 | 文部科学省 学校基本調査（SSDSE-B収録） |
| 消費支出・教育費・教養娯楽費等 | 総務省 家計調査（SSDSE-B収録） |
本スクリプトは SSDSE-B-2026.csv の実データを使用（合成データは一切使用していません）。2022年断面・47都道府県。
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） ｜ SSDSE-B-2026 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。
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。
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。
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。
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。
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。
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
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。
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
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
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）
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。
- 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。
- 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。
🔭 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) 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。
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。
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。
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。
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」。
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。