論文一覧に戻る 統計データ分析コンペ 教育用再現集
★ 2022年度 統計データ分析コンペティション | 優秀賞 [高校生の部]

ボランティア活動の決定要因
地域特性・社会資本の相関分析

⏱️ 推定読了時間: 約38分
社会資本（Social Capital）理論に基づく都道府県別定量分析
データ: SSDSE-B-2026（都道府県別） | N = 47都道府県 / 2022年度
相関分析 OLS回帰 地域別比較 代理変数設計 社会資本理論
📝 3行で分かる要約

目次

  1. 研究概要と問いの設定
  2. 社会資本理論と代理変数の設計
  3. 相関ヒートマップ：指標間の関係構造
  4. 散布図：高齢化率と地域コミュニティ密度
  5. OLS回帰：社会的絆の決定要因
  6. 地域別比較：社会資本指標の箱ひげ図
  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/ │ └── 2022_H2_yushu.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/2022_H2_yushu.py
図は html/figures/ に自動保存されます。
概
研究概要と問いの設定

ボランティア活動は「誰が、なぜ行うのか」——この問いは社会科学の重要テーマの一つである。本研究は、都道府県別の統計データを用いて、地域特性・社会資本とボランティア活動（の代理指標）の関係を定量的に分析する。

まず「ボランティア活動の決定要因地域特性・社会資本の相関分析」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。

研究の問い（Research Question） 地域の社会資本（コミュニティの豊かさ）はどのような構造をもち、地域特性（高齢化・教育水準・経済力）とどう関連しているか？ また、社会的絆の強さ（婚姻率で代理）は何によって決まるか？

分析の流れ

SSDSE-B
47都道府県
2022年
→
代理変数
の構築
→
相関
ヒートマップ
→
散布図
分析
→
OLS回帰
分析
→
地域別
比較

SSDSE-B Pearson相関 OLS回帰 代理変数 社会資本理論

データの注意点 SSDSE-B（都道府県別統計体系）にはボランティア活動率の直接データは含まれない。 そのため、「社会資本」「コミュニティの豊かさ」を理論的に根拠のある代理変数で捉えるアプローチを採用する。 代理変数の設計自体が、この研究の重要な方法論的貢献である。

社会資本理論と代理変数の設計

Putnamの社会資本理論とは

ロバート・パットナム（Robert Putnam, 1993, 2000）は、社会資本（Social Capital）を「信頼・規範・ネットワーク」という3つの要素で構成されると定義した。社会資本が豊かな地域では、住民間の協力が促進され、ボランティア活動も活発になると予測される。

社会資本の構成要素Putnamの定義本研究での着目点
信頼（Trust） 他者への一般的信頼感 婚姻率（対人関係の安定性）
規範（Norms） 互酬性の規範（助け合い） 保育所密度（地域相互扶助）
ネットワーク（Networks） 市民的参加のネットワーク 地域コミュニティ施設密度

代理変数（Proxy Variable）の設計

測定したい概念を直接観察できない場合、理論的に関連する別の変数で代替する。これを代理変数という。代理変数の妥当性（validity）の確認が不可欠だ。

社会的絆 (Bonding SC)
↓ 代理指標
婚姻率
= 婚姻件数 / 総人口 × 1000
コミュニティ密度 (Bridging SC)
↓ 代理指標
保育所密度
= 保育所等数 / 総人口 × 10000
人口構造 (Aging Structure)
↓ 測定変数
高齢化率
= 65歳以上人口 / 総人口 × 100
教育・文化資本 (Human Capital)
↓ 測定変数
大学進学率
= 高校卒業者のうち進学者数 / 高校卒業者数 × 100

DS LEARNING POINT 1

社会資本理論と代理変数設計の方法論

代理変数を使う際の3つのステップ：

  • 理論的根拠：なぜその変数が概念を反映するか説明できるか
  • 相関の確認：代理変数同士が理論通りに相関しているか検証
  • 限界の明示：代理変数ではカバーできない側面を認識・言及する
# 代理変数の構築例（SSDSE-Bから） 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)] df = df[df['年度'].astype(int) == 2022].copy() # 社会的絆の代理：婚姻率（件/千人） df['婚姻率'] = df['婚姻件数'] / df['総人口'] * 1000 # コミュニティ密度の代理：保育所密度（所/万人） df['保育所密度'] = df['保育所等数'] / df['総人口'] * 10000 # 地域特性：高齢化率（%） df['高齢化率'] = df['65歳以上人口'] / df['総人口'] * 100 # 人的資本の代理：大学進学率（%） df['大学進学率'] = (df['高等学校卒業者のうち進学者数'] / df['高等学校卒業者数'].replace(0, np.nan) * 100) # 経済力（対数変換で正規化） df['消費支出_log'] = np.log(df['消費支出（二人以上の世帯）'].clip(lower=1))
1
相関ヒートマップ：指標間の関係構造

社会資本関連指標 7変数のPearson相関係数行列をヒートマップで可視化する。赤が正の相関、青が負の相関、白がゼロに近い相関を示す。

社会資本指標間の相関ヒートマップ（2022年, N=47）
図1：社会資本指標間のPearson相関係数ヒートマップ（2022年, N=47都道府県）。赤＝正の相関、青＝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。

主要な相関パターン

変数ペア相関の方向解釈
婚姻率 ↔ 高齢化率 強い負 高齢化が進む地域ほど婚姻率が低い（人口構造の反映）
婚姻率 ↔ 離婚率 正 婚姻件数が多い地域は離婚も多い（結婚活動全般の活発さ）
高齢化率 ↔ 大学進学率 負 高齢化が進む地域ほど若者の大学進学率が低い傾向
消費支出_log ↔ 大学進学率 正 消費水準が高い地域（都市部）は教育への投資も多い
教育費 ↔ 大学進学率 正 教育費支出と進学率は正に連動

DS LEARNING POINT 2

Pearson相関の解釈：相関係数 ≠ 因果関係

相関係数は2変数の線形関係の強さを −1 〜 +1 で表す。しかし相関は因果関係を意味しない。例えば「アイスクリームの売上と溺死者数の相関」は、両方が夏の気温という交絡変数（confound）で説明できる。

  • |r| < 0.3：弱い相関（Cohen基準：小）
  • 0.3 ≤ |r| < 0.5：中程度の相関
  • |r| ≥ 0.5：強い相関（Cohen基準：大）
from scipy import stats import numpy as np # Pearson相関係数と検定（N=47） r, p_value = stats.pearsonr(df['婚姻率'], df['高齢化率']) print(f"r = {r:.4f}, p = {p_value:.4f}") # 相関行列（複数変数） import pandas as pd vars_list = ['婚姻率', '保育所密度', '高齢化率', '大学進学率'] corr_matrix = df[vars_list].corr(method='pearson') print(corr_matrix.round(3)) # ヒートマップ描画 import matplotlib.pyplot as plt fig, ax = plt.subplots(figsize=(7, 5)) im = ax.imshow(corr_matrix, cmap='RdBu_r', vmin=-1, vmax=1) ax.set_xticks(range(len(vars_list))) ax.set_yticks(range(len(vars_list))) ax.set_xticklabels(vars_list, rotation=45, ha='right') ax.set_yticklabels(vars_list) # 数値を各セルに表示 for i in range(len(vars_list)): for j in range(len(vars_list)): val = corr_matrix.iloc[i, j] ax.text(j, i, f'{val:.2f}', ha='center', va='center', color='white' if abs(val) > 0.5 else 'black') plt.colorbar(im, label='Pearson r') plt.tight_layout()
2
散布図：高齢化率と地域コミュニティ密度

高齢化率（X軸）と保育所密度（Y軸）の散布図を地域ブロック別に色分けして描く。回帰直線とPearson相関係数・p値を重ねて表示する。

高齢化率 vs 保育所密度（2022年, N=47）
図2：高齢化率（%）と保育所密度（/万人）の散布図。地域ブロック別に色分け。点線は最小二乗回帰直線（相関係数と有意確率を表示）。
📌 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。

読み取りポイント

地域コミュニティ構造の地理的差異
  • 九州・沖縄（橙色）：高齢化率が比較的低く、保育所密度が高い傾向。若い人口構造とコミュニティ機能の充実が共存。
  • 北海道・東北（青色）：高齢化率が高く、保育所密度も変動が大きい。過疎化と地域コミュニティの変容が課題。
  • 関東（赤色）：高齢化率は低いが都市型分布。保育所密度は都市部の需要を反映。
散布図分析の注意点 都道府県データ（N=47）では外れ値1〜2点が相関係数を大きく動かす可能性がある。 回帰直線の安定性を確認するために、影響度の高い観測値（Cook's距離等）を検討することが望ましい。
3
OLS回帰：社会的絆（婚姻率）の決定要因

社会的絆の代理指標として婚姻率を目的変数に設定し、地域特性4変数を説明変数とするOLS重回帰を実施する。

婚姻率i = β0 + β1・高齢化率i + β2・大学進学率i + β3・消費支出_logi + β4・保育所密度i + εi
i = 1, 2, ..., 47 （都道府県）
婚姻率の決定要因（OLS回帰係数）
図3：婚姻率の決定要因（OLS回帰係数と95%信頼区間）。赤バー＝統計的有意（p<0.05）、灰色バー＝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。

回帰結果の解読

説明変数 係数（β） p値 有意性 解釈
高齢化率 −0.124 <0.001 *** 高齢化が1%pt上昇すると婚姻率が0.124件/千人低下
大学進学率 +0.007 0.281 n.s. 有意な関連なし（高齢化率で説明済みの可能性）
消費支出（log） −0.485 0.392 n.s. 有意な関連なし
保育所密度 +0.038 0.505 n.s. 有意な関連なし（方向は仮説通り正）
モデル全体：R² = 0.803 F検定 p < 0.001（モデル全体は有意）。分散の80%を説明。
発見のまとめ 「高齢化率」が婚姻率の変動を圧倒的に説明する唯一の有意な変数だった（p<0.001）。 モデル全体のR²=0.803と非常に高い一方、高齢化率の効果が強すぎて他の変数の効果が検出できない 可能性がある（多重共線性・過剰な支配変数の問題）。
多重共線性（Multicollinearity）への注意 OLS結果では条件数（Condition Number）が1.5×10⁴と大きく、多重共線性の存在が示唆される。 高齢化率と他の変数（大学進学率・消費支出）が相関しているため、 各変数固有の効果を分離しにくい状態にある。VIF（Variance Inflation Factor）の確認を推奨する。

DS LEARNING POINT 3

OLS回帰の実施と解釈（statsmodels.api.OLS）

Pythonでは statsmodels.api.OLS を使って回帰分析を行う。結果の読み方を理解することが重要。

import statsmodels.api as sm import pandas as pd # 目的変数・説明変数の設定 y = df['婚姻率'] X_raw = df[['高齢化率', '大学進学率', '消費支出_log', '保育所密度']].dropna() y_clean = y.loc[X_raw.index] # 定数項（切片）を追加 ← これを忘れないこと！ X = sm.add_constant(X_raw) # OLSモデルの推定 model = sm.OLS(y_clean, X) result = model.fit() # 結果の確認 print(result.summary()) # R²（決定係数）：説明変数が目的変数の変動をどれだけ説明するか print(f"R² = {result.rsquared:.3f}") print(f"Adjusted R² = {result.rsquared_adj:.3f}") # 係数・p値の取り出し coef_df = pd.DataFrame({ '係数': result.params, '標準誤差': result.bse, 'p値': result.pvalues, '有意': result.pvalues < 0.05, }) print(coef_df.round(4)) # 多重共線性チェック（VIF） from statsmodels.stats.outliers_influence import variance_inflation_factor vif_data = pd.DataFrame() vif_data['変数'] = X_raw.columns vif_data['VIF'] = [variance_inflation_factor(X_raw.values, i) for i in range(X_raw.shape[1])] # VIF > 10 は多重共線性の警戒ライン print(vif_data)
4
地域別比較：社会資本指標の箱ひげ図

47都道府県を6地域ブロックに分類し、保育所密度と婚姻率の分布を箱ひげ図で比較する。地域間の格差と特性の違いを視覚的に把握する。

地域ブロック別 社会資本指標の分布（2022年）
図4：地域ブロック別の保育所密度（左）と婚姻率（右）の箱ひげ図（2022年）。箱の中央線が中央値、箱の上下端がQ1・Q3、ひげがQ1−1.5×IQR〜Q3+1.5×IQR。
📌 この箱ひげ図の読み方
このグラフは
データの分布（中央値・四分位範囲・外れ値）を箱と線で表したグラフ。
読み方
箱の中の線が中央値。箱の上下端が25%・75%点（四分位範囲）。箱の外の点が外れ値。
なぜそう解釈できるか
箱が高い位置にあるほど値が大きいグループ。箱の大きさがばらつきの大きさ。グループ間で箱が重なっていなければ有意差の証拠になりやすい。

地域別パターンの解釈

地域保育所密度の特徴婚姻率の特徴解釈
北海道・東北 中程度〜やや低い 低い 高齢化・人口減少が婚姻率に影響
関東 中程度 高め 都市集積による若年人口維持
中部 中程度 中程度 工業地帯の雇用安定が基盤
近畿 中程度 中程度 都市部と農村部の混在
中国・四国 低め〜中程度 低め 地方都市の高齢化進行
九州・沖縄 高い傾向 高い 若い人口構造・活発な社会的ネットワーク
箱ひげ図（Box Plot）の読み方
  • 中央線（Median）：分布の中央値。平均より外れ値の影響を受けにくい
  • 箱の高さ（IQR）：第1四分位数（Q1）から第3四分位数（Q3）の範囲。中央50%のデータが収まる
  • ひげ（Whiskers）：Q1−1.5×IQR〜Q3+1.5×IQRの範囲
  • 外れ値（Outliers）：ひげの外に点で示される観測値

DS LEARNING POINT 4

地域コミュニティ指標の政策応用：高校生レベルの考察

統計分析の結果をどう政策に活かすか？高校生の視点から考えてみよう。

  • 発見：九州・沖縄は若い人口構造と活発な社会資本指標を持つ
  • 仮説：沖縄の高出生率・若年人口が婚姻率・保育所密度を押し上げている
  • 政策示唆：「若者が定住できる環境（雇用・保育）の整備」が社会資本の維持に寄与
  • 限界：N=47では変数の効果を分離しにくい。自治体レベル（SSDSE-A）のデータで追分析が有効
# 地域別グループ統計の計算 region_stats = df.groupby('地域')[['保育所密度', '婚姻率', '高齢化率']].agg( ['mean', 'median', 'std'] ).round(3) print(region_stats) # 地域間の差異が有意かを検定：一元配置分散分析（ANOVA） from scipy import stats groups = [df[df['地域'] == reg]['婚姻率'].dropna().values for reg in df['地域'].unique()] f_stat, p_val = stats.f_oneway(*groups) print(f"ANOVA: F={f_stat:.3f}, p={p_val:.4f}") # p < 0.05 なら地域間に有意差あり # 箱ひげ図の描画 import matplotlib.pyplot as plt fig, ax = plt.subplots(figsize=(10, 5)) region_order = ['北海道・東北', '関東', '中部', '近畿', '中国・四国', '九州・沖縄'] data = [df[df['地域'] == reg]['婚姻率'].dropna().values for reg in region_order] ax.boxplot(data, labels=[r[:4] for r in region_order], patch_artist=True) ax.set_ylabel('婚姻率（件/千人）') ax.set_title('地域別 婚姻率の分布（2022年）') plt.tight_layout()

まとめと政策的示唆

主要な発見

SSDSE-B（都道府県別データ, 2022年, N=47）を用いた社会資本の定量分析から、以下の知見が得られた：

  1. 高齢化率が社会資本指標を最も強く規定する（R²=0.803）： 婚姻率の80%以上の変動が高齢化率によって説明できる。高齢化した地域では社会的なつながりの形成（婚姻）が構造的に弱まる。
  2. 地域間格差が明確に存在する： 九州・沖縄と東北・中国四国ブロックでは保育所密度・婚姻率ともに有意な差が見られる。若年人口の維持が社会資本の豊かさと連動している。
  3. 教育・経済指標の効果は高齢化率の「陰」に隠れる： 大学進学率・消費支出の単独効果はOLS回帰で統計的有意性を示さなかった。これは多重共線性の問題ではなく、高齢化が全てを規定するという構造的関係を示す可能性がある。
  4. 代理変数アプローチの有効性と限界： ボランティア活動率の直接データがない中で、婚姻率・保育所密度を代理変数として用いることで社会資本の定量的分析が可能になった。ただし、代理変数の妥当性を常に批判的に検討することが必要。
政策的示唆 地域の社会資本（ボランティア活動の活発さ・コミュニティの豊かさ）を維持・向上させるためには、 「若年人口の定住化」が根本的な鍵となる。具体的には保育所・育児支援の充実、若者の雇用創出、 そして地域固有のコミュニティ行事の維持が統計的に支持される方向性である。
高校生研究者へのメッセージ データに「ボランティア活動率」がなくても、理論に基づいて代理変数を設計するという発想が、 この研究の最大の創意工夫だ。「測れないものをどう測るか」という問いへの回答が、 優れた統計研究の出発点になる。分析の限界を正直に書くことも、科学的誠実さの証拠である。

分析手法の整理

手法目的使用変数主な結果
Pearson相関（ヒートマップ） 指標間の関係構造の把握 7指標全体 婚姻率・高齢化率の強い負の相関を確認
散布図＋回帰直線 2変数関係と地域差の可視化 高齢化率、保育所密度 地域ブロック間の構造的差異を視覚化
OLS重回帰 婚姻率の多変量決定要因の推定 4説明変数 R²=0.803、高齢化率のみ有意（p<0.001）
地域別箱ひげ図 6地域ブロック間の格差把握 保育所密度、婚姻率 九州・沖縄と東北の対比が明確
教育的価値（この分析から学べること）
  • ソーシャル・キャピタル：信頼・互酬性・ネットワークなどコミュニティの『見えない資本』。ボランティア活動率は代表的な代理指標。
  • 相関分析の出発点：重回帰の前にまず相関行列を見ることで、変数間の関係の全体像を掴める。多重共線性の兆候もここで察知できる。
  • 地域特性と社会参加：高齢化率・所得・人口密度などとボランティア率の関係を見ることで『どんな地域で社会参加が活発か』を考察できる。

データ・コードのダウンロード

分析スクリプト（2022_H2_yushu.py）
データ出典備考
SSDSE-B-2026（都道府県別） 統計数理研究所 SSDSE（社会・人口統計体系） 2022年度データを使用
婚姻件数・離婚件数 厚生労働省 人口動態統計（SSDSE-B収録） 婚姻率・離婚率に変換
保育所等数・定員数 厚生労働省 保育所等関連状況（SSDSE-B収録） 保育所密度に変換（/万人）
消費支出・教育費（二人以上世帯） 総務省 家計調査（SSDSE-B収録） 消費支出は対数変換
高校卒業者・進学者数 文部科学省 学校基本調査（SSDSE-B収録） 大学進学率の算出に使用

本スクリプトはSSDSE-B-2026.csvの実データのみを使用（合成データ・乱数不使用）。

教育用再現コード | 2022年度 統計データ分析コンペティション 優秀賞 [高校生の部]
ボランティア活動の決定要因：地域特性・社会資本の相関分析
データ: SSDSE-B-2026.csv | 分析対象: 47都道府県 / 2022年度

⚠️ 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。
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。
🌿 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
体力と基礎学力の関係
次の論文 →
投票率の地域差：都道府県別社会経済要因の回帰分析