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 統計データ分析コンペティション ｜ 統計数理賞 [高校生の部]

投票率の地域差
都道府県別社会経済要因の回帰分析

⏱️ 推定読了時間: 約36分
2022年度受賞 ｜ 高校生の部
📝 3行で分かる要約

目次

  1. 研究概要と背景
  2. 代理変数の設計：投票率がない時どうするか
  3. 時系列分析：旅券発行率の地域差推移
  4. 相関分析：社会参加指標のヒートマップ
  5. OLS回帰：旅券発行率の決定要因
  6. 地域別ランキング（2022年）
  7. まとめと考察
  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_H3_suri.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_H3_suri.py
図は html/figures/ に自動保存されます。
概
研究概要と背景

日本の選挙投票率は長期的に低下傾向にあり、特に地域間での格差が問題視されている。 投票率が高い地域・低い地域には、どのような社会経済的特徴の差異があるのか。 この問いに対して、都道府県別データを用いたOLS回帰分析・相関分析・時系列分析・地域別比較によって 定量的に迫るのが本研究のアプローチである。

まず「投票率の地域差都道府県別社会経済要因の回帰分析」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 投票率の都道府県間格差を生み出す社会経済要因は何か。 高齢化率・教育水準・消費水準・社会的絆（婚姻率）の各要因は、政治参加にどう影響するか。

本教育用コードでは、SSDSE-B（都道府県別統計）を用いて、 投票率の代理指標として「旅券発行率」（市民活動・社会参加意識の代理）を採用し、 論文と同様の分析手法を再現する。

なぜ代理変数が必要か 都道府県別の選挙投票率は各選挙ごとに公表されるが、SSDSE-Bには収録されていない。 そのため、市民の社会参加意識・活動性を反映する統計的代理変数を設計して分析を進める。 これは実際の研究でも頻繁に用いられる手法である。

SSDSE-B OLS回帰 相関分析 時系列分析 代理変数

分析の流れ
SSDSE-B
都道府県別
2012〜2023
→
代理変数
の設計
→
時系列
地域比較
→
相関
分析
→
OLS
回帰
1
代理変数の設計：投票率がない時どうするか

社会科学の実証研究では、関心のある変数が直接入手できない場合に、 理論的・経験的に関連する代理変数（Proxy Variable）を用いることが標準的手法である。 本分析では以下の代理変数を設計した。

代理変数 計算式 代理する概念 理論的根拠
旅券発行率 一般旅券発行件数 / 総人口 × 1000 市民活動・社会参加意識 社会参加への積極性が高い市民は投票にも参加しやすい
婚姻率 婚姻件数 / 総人口 × 1000 社会的絆・地域帰属意識 Putnamの社会資本理論：絆が強い地域は集合的行動（投票）が活発
大学進学率 高校卒業者のうち進学者数 / 高校卒業者数 × 100 教育水準→政治関心 高学歴ほど政治的有効性感覚が高く投票率が高い傾向がある
高齢化率 65歳以上人口 / 総人口 × 100 高齢化→投票率（正？負？） 高齢者は投票率が高いが、過度な高齢化は社会活力低下も
消費支出（対数） log（消費支出（二人以上の世帯）） 生活水準・経済力 経済的余裕が政治参加の機会コストを下げる

DS LEARNING POINT 1

投票率データがない時の代理変数設計（社会参加の間接指標）

代理変数を設計する際には「理論的妥当性」と「測定可能性」のバランスが重要である。 旅券発行率は海外旅行・ビジネス渡航など様々な要因に左右されるが、 社会的活発さ・市民活動性との相関は先行研究でも確認されている。 代理変数を使う際は、その限界（バイアスの方向性）を明示することが求められる。

# 代理変数の計算例 df['旅券発行率'] = df['一般旅券発行件数'] / df['総人口'] * 1000 # 千人あたり件数 df['婚姻率'] = df['婚姻件数'] / df['総人口'] * 1000 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 df['高齢化率'] = df['65歳以上人口'] / df['総人口'] * 100 df['消費支出_log'] = np.log(df['消費支出（二人以上の世帯）'].clip(lower=1)) # 代理変数の妥当性：2022年横断データで相互相関を確認 corr_matrix = df[df['年度']==2022][ ['旅券発行率','婚姻率','大学進学率','高齢化率','消費支出_log'] ].corr() print(corr_matrix.round(2))
2
時系列分析：旅券発行率の地域差推移

2012年〜2023年の期間、6地域ブロック別に旅券発行率（千人あたり旅券発行件数）の平均値を追跡する。 この時系列パターンから、地域による市民活動性の恒常的な格差と、 新型コロナウイルス感染症（2020〜2021年）による一時的な落ち込みを確認できる。

地域別旅券発行率の時系列推移
図1：地域別 旅券発行率の推移（2012〜2023年）。 市民活動・社会参加意識の代理指標として使用。 2020〜2021年のコロナ禍での急落と、その後の回復パターンが地域差を示す。
📌 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。
時系列から読み取れること
  • コロナ禍（2020〜2021年）に全地域で旅券発行率が急落：外出制限の影響
  • 2022〜2023年にかけての回復過程でも地域差が持続：構造的な差異
  • 関東・近畿が他地域を一貫してリード：都市部の社会参加活発さ
  • 北海道・東北・九州は相対的に低位で推移：地方の社会参加の課題
時系列分析の注意点 旅券発行率は2020〜2021年にコロナ禍で急落しているが、これは市民の政治参加意識の変化ではなく、 外出制限・渡航制限による外生的ショックである。時系列データを扱う際は、 こうした「構造変化（構造断絶）」の時点を特定することが重要である。
3
相関分析：社会参加指標のヒートマップ

2022年の都道府県横断データ（N=47）を用いて、旅券発行率・婚姻率・大学進学率・ 高齢化率・消費支出（対数）・住宅地価（対数）の6変数間の Pearson相関係数を算出した。

社会参加指標の相関ヒートマップ
図2：社会参加指標の相関ヒートマップ（2022年, N=47）。 赤色は正の相関、青色は負の相関を示す。数値はPearson相関係数。
📌 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。

注目すべき相関

変数ペア 相関係数（推定） 解釈
旅券発行率 × 大学進学率 正（強） 教育水準が高い地域は市民活動も活発
旅券発行率 × 婚姻率 正（中〜強） 社会的絆が強い地域は社会参加も活発
旅券発行率 × 高齢化率 負（中） 高齢化が進むほど旅券発行率が低い（若い人が多い地域で活発）
大学進学率 × 高齢化率 負（強） 高齢化地域は若者（進学者）が少ない：多重共線性の注意点
消費支出_log × 旅券発行率 正（弱〜中） 所得・消費水準が高い地域は社会参加も高め

DS LEARNING POINT 2

相関係数の統計的検定（p値とH₀棄却の解釈）

相関係数r が「統計的に有意」とは、帰無仮説H₀：ρ=0（母相関係数がゼロ）を棄却できることを意味する。 N=47では検出力は限定的であり、|r|≥0.29程度でp<0.05となる目安がある。 「有意な相関」と「強い相関」を混同しないよう注意が必要。

from scipy import stats # 変数ペアごとに無相関検定 vars_list = ['旅券発行率', '婚姻率', '大学進学率', '高齢化率', '消費支出_log'] target = '旅券発行率' for var in vars_list[1:]: valid = df_2022[[target, var]].dropna() r, p = stats.pearsonr(valid[target], valid[var]) sig = "**" if p < 0.01 else ("*" if p < 0.05 else "ns") print(f"{target} × {var}: r={r:.3f}, p={p:.3f} {sig}") # N=47での最小有意相関係数（α=0.05） # t_critical = stats.t.ppf(0.975, df=45) ≈ 2.014 # r_min = t_critical / sqrt(t_critical^2 + 45) ≈ 0.288 import numpy as np t_crit = stats.t.ppf(0.975, df=45) r_min = t_crit / np.sqrt(t_crit**2 + 45) print(f"\nN=47での最小有意相関係数（α=0.05）: r = {r_min:.3f}")
4
OLS回帰：旅券発行率の決定要因

相関分析で関連が示唆された変数を説明変数として、旅券発行率（社会参加の代理指標）を 目的変数とするOLS（最小二乗法）重回帰を実施した。

旅券発行率ᵢ = β₀ + β₁(高齢化率) + β₂(大学進学率) + β₃(消費支出_log) + β₄(婚姻率) + εᵢ

N = 47（都道府県）, 推定法 = OLS（最小二乗法）
OLS回帰係数プロット
図3：旅券発行率の決定要因（OLS回帰係数プロット, N=47）。 エラーバーは95%信頼区間。赤は統計的に有意（p<0.05）な係数を示す。
📌 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。

OLS回帰結果（2022年, N=47）

説明変数 係数（β） 標準誤差 t値 p値 判定
定数項 −70.18 51.02 −1.376 0.176 ns
高齢化率 −0.208 0.163 −1.274 0.210 ns
大学進学率 0.183 0.043 4.244 <0.001 ***
消費支出（対数） 4.832 3.913 1.235 0.224 ns
婚姻率 3.308 1.110 2.979 0.005 **

R²=0.824, 自由度修正済みR²=0.807, F統計量=49.11（p<0.001）

回帰結果の解釈
  • 大学進学率（β=0.183, p<0.001）： 他の変数を一定に保った時、大学進学率が1ポイント高い都道府県では、 旅券発行率が0.183件/千人高い。教育水準が社会参加を促す最も強い要因。
  • 婚姻率（β=3.308, p=0.005）： 婚姻率が1件/千人高いと、旅券発行率が3.3件/千人高い。 社会的絆（Putnam社会資本）の重要性を支持。
  • 高齢化率・消費支出： 単変量では相関が見られたが、多変量回帰では有意でない（他変数で説明される）。
  • モデル全体： R²=0.824は、4変数で都道府県間の旅券発行率の 格差の82%以上を説明できることを示す。

DS LEARNING POINT 3

OLS回帰の係数解釈（偏回帰係数の意味と他変数固定の概念）

重回帰の偏回帰係数β は「他の説明変数を一定（コントロール）に保ったとき、 その変数が1単位増えた場合の目的変数の変化量」を意味する。 単純な相関係数と異なり、他変数の影響を取り除いた「純粋な」効果を推定する。

import statsmodels.api as sm # OLS回帰の実行 X = sm.add_constant(df_reg[['高齢化率', '大学進学率', '消費支出_log', '婚姻率']]) res = sm.OLS(df_reg['旅券発行率'], X).fit() # 係数の解釈 for var in ['高齢化率', '大学進学率', '消費支出_log', '婚姻率']: coef = res.params[var] pval = res.pvalues[var] ci_lo = res.conf_int().loc[var, 0] ci_hi = res.conf_int().loc[var, 1] print(f"{var}: β={coef:.3f}, p={pval:.3f}") print(f" 95%CI: [{ci_lo:.3f}, {ci_hi:.3f}]") print(f" 解釈: {var}が1単位増えると旅券発行率が{coef:.3f}件/千人変化（他変数固定）") print(f"\nR² = {res.rsquared:.3f}") print(f"調整済みR² = {res.rsquared_adj:.3f}")
多重共線性への注意 大学進学率と高齢化率の間には強い負の相関がある（高齢化地域は若者が少ない）。 この多重共線性により、条件数（Condition Number = 1.49×10⁴）が大きく出ている。 係数の標準誤差が膨らんでいる可能性があり、VIF（分散拡大係数）を確認することが望ましい。
5
地域別ランキング（2022年）

2022年時点の都道府県別旅券発行率を棒グラフで可視化する。 地域（6ブロック）を色分けすることで、地域的なパターンを視覚的に把握できる。

都道府県別旅券発行率ランキング
図4：都道府県別 旅券発行率ランキング（2022年）。 色は地域ブロックを示す。赤破線は全国平均。 上位に都市部（東京・京都・神奈川）、下位に地方（秋田・青森・島根など）が集中。
ランキングから見える地域差のパターン
  • 上位（全国平均を大きく超える）：東京・神奈川・京都・大阪など、 大学が多く進学率が高い都市部の都道府県が集中する。 これはOLS回帰で確認された「大学進学率の正の効果」と整合的。
  • 下位（全国平均を大きく下回る）：秋田・青森・島根・鳥取など、 高齢化率が高く大学進学率が低い農村部・地方部の県が多い。
  • 沖縄の特異性：婚姻率は高いが旅券発行率が相対的に高い水準にある。 地理的特性（那覇空港の国際線）も影響している可能性がある。

DS LEARNING POINT 4

社会参加の規定要因（Putnam社会資本理論と統計的検証）

政治学者ロバート・パットナム（Robert Putnam）は、 「社会資本（Social Capital）」―市民間の信頼・ネットワーク・互酬性の規範―が 民主主義の機能（投票率を含む）を支えると論じた（"Bowling Alone", 2000）。 本分析で確認された「婚姻率（社会的絆）→旅券発行率（社会参加）」の正の関係は、 Putnam理論の都道府県スケールでの統計的検証として解釈できる。

# Putnam社会資本理論の統計的検証 # 婚姻率（社会的絆の代理）が旅券発行率（社会参加の代理）に与える効果 from scipy import stats df_2022 = df_b[df_b['年度'] == 2022].dropna(subset=['旅券発行率', '婚姻率']) r, p = stats.pearsonr(df_2022['婚姻率'], df_2022['旅券発行率']) print(f"婚姻率 × 旅券発行率: r = {r:.3f}, p = {p:.4f}") # OLS回帰での偏効果（他変数コントロール後） # β = 3.308 (p=0.005) → 社会的絆は独立した正の効果を持つ # 政策含意： # 「社会参加（投票率）を高めたければ、社会的絆を強める政策（ # 地域コミュニティ活動支援、地域行事の促進）も有効かもしれない」 # ただし因果推論には注意（相関≠因果） # 年齢効果のコントロール例（大学進学率との交差確認） from statsmodels.formula.api import ols m = ols('旅券発行率 ~ 婚姻率 + 大学進学率 + 高齢化率', data=df_2022).fit() print(m.summary().tables[1])

まとめと考察

主要な発見

SSDSE-B（都道府県別統計）を用いた代理変数分析により、 社会参加（市民活動性）の都道府県間格差に関して以下の知見が得られた。

  1. 大学進学率の正の効果（β=0.183, p<0.001）： 教育水準が高い地域ほど市民活動が活発である。 投票率研究の先行知見（高学歴→高投票率）と整合的。
  2. 婚姻率（社会的絆）の正の効果（β=3.308, p=0.005）： Putnam社会資本理論が都道府県スケールで支持された。 社会的絆が強い地域ほど、市民の社会参加が活発な傾向がある。
  3. 高齢化率・消費支出は単変量相関では有意だが、重回帰では非有意： これは多重共線性（変数間の相関）によって、他変数が効果を吸収しているためと解釈できる。
  4. 時系列パターン： コロナ禍（2020〜2021年）の急落と回復過程でも地域差は持続し、 都市部（関東・近畿）と地方の格差は構造的なものであることが示唆される。
  5. R²=0.824： 4変数のモデルで都道府県間の旅券発行率格差の82%以上を説明できる。 モデルとしては良好な説明力を持つ。
代理変数分析の限界と今後の課題
  • 旅券発行率は投票率の不完全な代理変数であり、解釈には慎重さが必要
  • 都道府県レベルのデータを用いた分析は「生態学的誤謬」の危険がある （個人レベルでは異なるパターンが観察される可能性）
  • OLS回帰は因果関係を証明するものではなく、あくまで相関的な関連を示す
  • 選挙種別（衆院・参院・都道府県知事選）による投票率の違いも重要な視点
統計的手法のまとめ
手法 目的 主な発見
時系列分析 地域差の経年変化を把握 都市部と地方の格差は構造的・持続的
相関ヒートマップ 変数間の関連パターンの可視化 大学進学率・婚姻率と旅券発行率が正相関
OLS回帰 各要因の独立した効果の推定 大学進学率・婚姻率が有意な正の効果
地域別ランキング 都道府県間格差の可視化 上位は都市部、下位は農村部が集中
教育的価値（この分析から学べること）
  • 投票率の決定要因：民主主義の質を測る基本指標。年齢構成・教育水準・選挙制度など多くの要因が関わる。
  • 年齢効果と世代効果：高齢者は投票率が高いが、これは『年を取ると参加する』のか『その世代は参加好き』なのか区別が難しい（コーホート効果）。
  • p値と効果量：投票率の差が統計的に有意でも、実用的に意味のある大きさかは別問題。両方をセットで見る必要がある。

データ・コードのダウンロード

分析スクリプト（2022_H3_suri.py）
データ出典備考
SSDSE-B-2026.csv 統計数理研究所 SSDSE（社会・人口統計体系）都道府県データ 2012〜2023年度, 47都道府県
一般旅券発行件数 SSDSE-B収録（外務省・都道府県旅券事務所報告） 旅券発行率の分子として使用
高等学校卒業者・進学者数 SSDSE-B収録（文部科学省 学校基本調査） 大学進学率の算出に使用
婚姻件数・総人口・65歳以上人口 SSDSE-B収録（厚生労働省・総務省統計局） 婚姻率・高齢化率の算出に使用

本教育用コードはすべて実データ（SSDSE-B-2026.csv）を使用。 合成データ・乱数生成は一切使用していない。 データファイルは統計数理研究所のウェブサイト（https://www.ism.ac.jp/SSDSE/）から入手可能。

教育用再現コード ｜ 2022年 統計データ分析コンペティション 統計数理賞 [高校生の部]
使用データ：SSDSE-B-2026（社会・人口統計体系 都道府県データ）

⚠️ 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。
📅 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。
↔️ 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
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
次の論文 →
都市部と地方の教育格差：進学率・教育費の地域差分析