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 ｜ 統計活用奨励賞 [高校生の部]

都市部と地方の教育格差
進学率・教育費の地域差分析

⏱️ 推定読了時間: 約38分
統計活用奨励賞（高校生の部） ｜ SSDSE-B 都道府県別データ ｜ N = 47都道府県
📝 3行で分かる要約

目次

  1. 研究概要と背景
  2. データと変数の設計
  3. 時系列分析：大学進学率の地域別推移
  4. 散布図分析：消費支出と進学率の関係
  5. OLS回帰：進学率の決定要因
  6. 教育格差の地域別可視化
  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_H4_katsuyo.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_H4_katsuyo.py
図は html/figures/ に自動保存されます。
概
研究概要と背景

日本では、大学進学率に著しい地域差が存在する。2022年度のデータでは、最高の京都府（73.0%）と最低の沖縄県（46.2%）の間には約27ポイントの差があり、居住地域が子どもの教育機会を大きく規定している可能性がある。

まず「都市部と地方の教育格差進学率・教育費の地域差分析」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-B（都道府県別統計データ）を用いて、教育費・所得水準・大学数などの社会経済的要因と大学進学率の関係を定量的に分析し、都市部と地方の教育格差の構造を明らかにすることを目的とする。

56.6%
2022年 全国平均 大学進学率
+6.8pp
2012→2022年の上昇幅（全国平均）
26.8pp
最大（京都府73.0%）－最小（沖縄県46.2%）の差
分析の流れ
SSDSE-B
47都道府県
2012〜2023年
→
時系列分析
（地域別推移）
→
散布図
消費支出×進学率
→
OLS回帰
決定要因分析
→
格差指標
（CV）

SSDSE-B 相関分析 OLS回帰 地域別比較 時系列分析

データと変数の設計

使用データ

統計数理研究所が提供する「社会・人口統計体系データセット（SSDSE-B-2026）」を使用する。このデータセットは47都道府県の社会・人口・経済統計を2012〜2023年度にわたって収録したパネルデータである。

項目内容
データSSDSE-B-2026.csv（社会・人口統計体系, 都道府県別）
対象全47都道府県
期間2012〜2023年度（12年間）
横断分析年2022年度（直近の完全データ年）
観測数N=47（横断）/ N=564（パネル全体）

目的変数と説明変数

変数名定義出典変数（SSDSE-B）想定効果
大学進学率（%）
目的変数		高校卒業者のうち進学者数 / 高校卒業者数 × 100高等学校卒業者のうち進学者数 / 高等学校卒業者数—
教育費_万円二人以上世帯の教育費支出（万円/月）教育費（二人以上の世帯）÷ 10,000正（教育投資→進学）
高齢化率（%）65歳以上人口 / 総人口 × 10065歳以上人口 / 総人口負（高齢化→地方→低進学）
大学数都道府県内の大学数大学数正（アクセス性→進学）
消費支出_log二人以上世帯の消費支出（対数変換）log(消費支出（二人以上の世帯）)正（所得代理→進学）
師弟比_中学中学校生徒数 / 中学校教員数中学校生徒数 / 中学校教員数負（過大クラス→教育質低下）
変数設計上の注意点 「消費支出」は直接的な所得指標ではないが、都道府県別の所得水準の代理変数として使用する。真の所得データ（課税所得など）の方が望ましいが、SSDSE-Bで利用可能な変数として採用した。また、大学数は規模を考慮していないため、解釈には注意が必要。
1
時系列分析：大学進学率の地域別推移

2012年から2023年にかけて、全47都道府県の大学進学率がどのように推移してきたかを地域ブロック別の平均値で可視化する。

地域別 大学進学率の推移
図1：地域ブロック別 大学進学率の推移（2012〜2023年）。赤破線は2022年の全国平均（56.6%）。
📌 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。

主要な観察結果

地域ブロック2022年 平均進学率（%）全国平均との差傾向
近畿63.5+6.9pp一貫して高位
関東62.5+5.9pp高位・安定
中部58.7+2.1pp全国平均上
中国・四国55.6−1.0pp全国平均並み
北海道・東北50.6−6.0pp全国平均以下
九州・沖縄49.6−7.0pp最も低位
10年間のトレンド 全国平均で2012年49.8%→2022年56.6%と約6.8ポイント上昇。しかし地域間格差の縮小は限定的で、近畿・関東と九州・沖縄・北海道東北の差は10年以上にわたって持続している。地域別では概ね並行して上昇しており、格差の「固定化」が示唆される。

DS LEARNING POINT 1

変動係数（CV）による格差の定量化

地域格差を「どのくらい差がある状態か」を数値で表すには、変動係数（Coefficient of Variation：CV）が有効。CVは標準偏差を平均で割ることで、単位に依存しない相対的なばらつきを表す。

CVが大きいほど「平均に対してばらつきが大きい」＝格差が大きい状態。教育研究では教育格差の時系列変化をCVで追跡することが多い。

import numpy as np # 2022年の大学進学率（47都道府県） rates = df_2022['大学進学率'].dropna() # 変動係数の計算 cv = rates.std() / rates.mean() * 100 print(f"平均: {rates.mean():.1f}%") print(f"標準偏差: {rates.std():.2f}pp") print(f"変動係数（CV）: {cv:.2f}%") # → CV = 7.01 / 56.6 × 100 ≈ 12.4% # 地域内の格差も同様に計算 cv_by_region = df_2022.groupby('地域')['大学進学率'].agg( mean='mean', std='std' ) cv_by_region['CV'] = cv_by_region['std'] / cv_by_region['mean'] * 100 # CV解釈の目安: # CV < 5% : 均質（格差小） # CV 5-15% : 中程度の格差 # CV > 15% : 大きな格差
2
散布図分析：消費支出と進学率の関係

消費支出（所得の代理変数）と大学進学率の関係を2022年の47都道府県データで可視化し、相関係数と単回帰直線を算出する。

消費支出vs大学進学率の散布図
図2：消費支出（log変換）と大学進学率の散布図（2022年, N=47）。色は地域ブロック。黒破線は回帰直線。
📌 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。
分析結果： 消費支出（log）と大学進学率の相関係数 r = 0.439（p = 0.002）。統計的に有意な正の相関が確認された。消費支出が高い都道府県（＝所得水準が高い地域）ほど、大学進学率が高い傾向にある。

地域ごとのパターン

地域消費支出水準進学率水準パターン
関東（東京都・神奈川県等）高高高所得・高進学
近畿（京都府・大阪府等）中〜高高大学集積効果あり
中部（愛知県等）中中〜高製造業中心で中程度
北海道・東北低〜中低所得・進学ともに低位
九州・沖縄低最低構造的格差

DS LEARNING POINT 2

相関と因果の違い：「消費支出が高いから進学率が高い」の落とし穴

r = 0.44 の正の相関は「消費支出が高い都道府県ほど進学率が高い」という事実を示すが、これは因果関係（causal relationship）ではない点に注意が必要。

交絡因子の可能性： 都市部であること（大学が近い・情報が多い・文化的資本が高い）が消費支出と進学率の両方を引き上げている「第三の変数」かもしれない。このような変数を交絡因子（confounder）という。

from scipy import stats # 相関係数の計算 r, p = stats.pearsonr(df_sc['消費支出_log'], df_sc['大学進学率']) print(f"r = {r:.3f}, p = {p:.4f}") # → r = 0.439, p = 0.0020 ★統計的に有意 # しかし「消費支出を増やせば進学率が上がる」とは言えない！ # 理由：地域の経済水準・大学アクセス・文化的資本が # 両変数に同時に影響している可能性がある（交絡） # 因果を見るには： # 1. 操作変数法（交絡と無関係な変数を使う） # 2. 差の差法（政策前後の比較） # 3. 回帰不連続デザイン # → 観察データだけでは因果推論に限界がある
3
OLS回帰：進学率の決定要因

複数の社会経済変数を同時に投入したOLS重回帰分析により、大学進学率の決定要因を多変量で検討する。2022年度の47都道府県横断データを使用。

大学進学率ᵢ = β₀ + β₁教育費_万円ᵢ + β₂高齢化率ᵢ + β₃大学数ᵢ + β₄消費支出_logᵢ + β₅師弟比_中学ᵢ + εᵢ
OLS回帰係数プロット
図3：OLS重回帰の偏回帰係数と95%信頼区間（N=47）。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。

回帰分析の結果

変数偏回帰係数標準誤差p値判定解釈
大学数+0.0940.0440.038★ p<0.05大学1校増加で進学率+0.09pp
師弟比_中学+1.3860.9960.172n.s.有意でない
消費支出_log+9.37515.8070.556n.s.単相関は有意だが多変量では消える
教育費_万円+1.3792.5500.592n.s.有意でない
高齢化率−0.1390.4520.760n.s.有意でない
R² = 0.504 ／ 調整済みR² = 0.443 ／ F(5, 41) = 8.32, p < 0.001
モデルの解釈 R² = 0.504 は、5変数で大学進学率の分散の約50%を説明できることを示す。唯一統計的に有意な変数は「大学数」（p = 0.038）。都道府県内に大学が多いほど進学率が高い傾向は、アクセス・情報・文化的影響いずれかが効いている可能性がある。
消費支出の係数が有意でなくなった理由 単相関では r = 0.44（p = 0.002）と有意だった消費支出_logが、多変量回帰では p = 0.556 と有意でなくなった。これは多重共線性（VIF上昇）と交絡の吸収によるもの。大学数・教育費などとの相関が高く、単独の効果が分離できていない。条件数1.03×10⁴はマルチコリニアリティの警告サイン。

DS LEARNING POINT 3

偏回帰係数の解釈：「他変数を固定したときの効果」

OLS重回帰の偏回帰係数 β は「他の変数を一定に保ったときの、その変数1単位変化に伴う目的変数の変化量」を示す。単回帰との違いを理解することが重要。

import statsmodels.api as sm xvars = ['教育費_万円', '高齢化率', '大学数', '消費支出_log', '師弟比_中学'] X = sm.add_constant(df_reg[xvars]) res = sm.OLS(df_reg['大学進学率'], X).fit() # 偏回帰係数の読み方 # β(大学数) = 0.094 # → 教育費・高齢化率・消費支出・師弟比が同じ都道府県同士で比較したとき # 大学が1校多いと大学進学率は約0.09pp高い # 単回帰 vs 重回帰の比較 # 単回帰：消費支出_log だけで回帰 → 有意 (p=0.002) # 重回帰：全変数を投入 → 消費支出_log 有意でない (p=0.556) # 理由：大学数など他変数が消費支出の効果を「吸収」している # 多重共線性の診断 from statsmodels.stats.outliers_influence import variance_inflation_factor vif_data = pd.DataFrame() vif_data["変数"] = xvars vif_data["VIF"] = [variance_inflation_factor(X.values, i+1) for i in range(len(xvars))] print(vif_data) # VIF > 10 は多重共線性の懸念
4
教育格差の地域別可視化

地域ブロック別の平均大学進学率と、各ブロック内のばらつき（変動係数 CV）を並べて可視化することで、「地域間格差」（ブロック間の平均の差）と「地域内格差」（ブロック内の都道府県間の差）を同時に把握する。

地域別教育格差の可視化
図4：左）地域ブロック別 平均大学進学率（2022年）。右）地域内格差（変動係数 CV）。CVが大きいほど地域内のばらつきが大きい。
📌 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。

地域別格差の詳細

地域ブロック平均進学率（%）標準偏差（pp）変動係数 CV（%）特徴
近畿63.56.3610.0高進学・地域内格差も大
関東62.56.3910.2高進学・地域内格差も大（東京 vs 茨城等）
中部58.73.626.2進学率中程度・地域内均質
中国・四国55.65.339.6平均以下・地域内格差あり
北海道・東北50.62.935.8低進学・地域内は均質（全体的に低い）
九州・沖縄49.64.028.1最低位・地域内にもばらつき
注目すべきパターン 関東・近畿は進学率が高い一方で変動係数も10%以上と大きい。これは「東京都・京都府など大都市は非常に高いが、同じブロック内の非都市部（茨城県・和歌山県等）は相対的に低い」という都市集中型格差を反映している。一方、北海道・東北はCVが低く、「全体的に低い水準で均質」という別の問題を抱えている。

DS LEARNING POINT 4

教育格差の政策対応：統計から見えてくる行政課題

CV分析の結果から、都市部と地方では異なる政策が必要であることが示唆される。統計的証拠を政策立案に活かす「証拠に基づく政策立案（EBPM）」の考え方は、データサイエンスの重要な応用領域。

# 地域ブロック別の格差パターンに基づく政策設計の考え方 # パターンA：低平均・低CV（北海道・東北） # → 地域全体の底上げが必要 # 政策例：大学の地方展開、奨学金の地方優遇、 # オンライン高等教育の充実 # パターンB：高平均・高CV（関東・近畿） # → 同じブロック内の格差縮小が必要 # 政策例：非大都市部への進学支援、 # 通学補助・寮費補助 # パターンC：低平均・高CV（九州・沖縄） # → 底上げと格差縮小の両方が必要 # 政策例：県内大学の充実、産学連携による雇用確保 # 変動係数の時系列追跡（政策効果の評価指標として） cv_ts = df_b.groupby('年度')['大学進学率'].agg( lambda x: x.std() / x.mean() * 100 ) print("全国CV の推移:") print(cv_ts.round(2)) # CVが減少していれば「格差縮小」の証拠

まとめと政策的示唆

主要な発見

  1. 地域間格差は深刻かつ持続的： 近畿・関東（63〜64%）と九州・沖縄・北海道東北（49〜51%）の間には約14ポイントの格差があり、2012年以降も縮小していない。
  2. 消費支出（所得）との相関は有意（r = 0.44）： 所得水準が高い地域ほど進学率が高いが、因果関係とは断定できない。大学アクセス・文化的資本など交絡因子の存在が示唆される。
  3. OLS回帰で唯一有意な変数は「大学数」（β = 0.094, p = 0.038）： 都道府県内に大学が多いほど進学率が高い傾向は、大学アクセスの重要性を示している。ただしN=47の小標本での知見であり、解釈には慎重さが必要。
  4. 地域内格差のパターンが多様： 関東・近畿は平均が高いが地域内ばらつき（CV約10%）も大きい。北海道東北は均質に低い（CV約6%）。格差の「型」に応じた政策が必要。
分析の限界と今後の課題
  • N=47の小標本：統計的検出力が低く、単独での有意な変数が少ない可能性がある
  • 交絡因子：大都市か否か（都市ダミー）を明示的に組み込む必要がある
  • 因果推論：パネルデータを活用した固定効果モデルや差の差推定の適用が望ましい
  • 多重共線性：変数間の相関が高く、個々の変数の効果分離が困難（条件数10,000以上）
  • 大学の「質」や「規模」は考慮していない
政策への示唆 統計分析から得られた証拠として、大学アクセス（大学数）が最も強い関連を示した。地方の進学率向上には、（1）地方大学・短大の整備・充実、（2）大都市大学への通学・転居に対する奨学金・住居費支援、（3）オンライン高等教育の整備、が有効な方向性として示唆される。ただし因果関係の確立には更なる研究が必要。
教育的価値（この分析から学べること）
  • 教育費と進学率の関係：家計の教育投資が子どもの進学行動に影響することを示す『人的資本投資』の考え方を学べる。
  • 都市と地方の構造的差異：教育機会・経済的余裕・文化的要因が複合的に絡むため、単純な『地方支援』では解決しない複雑性を理解できる。
  • 代理指標としての進学率：学力の直接データがない場合に進学率を使うが、これは『進学希望×経済力』の合成指標であり、純粋な学力ではないことに注意。

データ・コードのダウンロード

分析スクリプト（2022_H4_katsuyo.py）
データ・資料内容出典
SSDSE-B-2026.csv都道府県別社会・人口統計（2012〜2023年）統計数理研究所 SSDSE
高等学校卒業者のうち進学者数大学進学率の分子文部科学省 学校基本調査
消費支出（二人以上の世帯）所得水準の代理変数総務省 家計調査
65歳以上人口・総人口高齢化率の算出総務省 住民基本台帳人口移動報告
中学校教員数・生徒数師弟比（教育資源指標）文部科学省 学校基本調査

本コードはSSDSE-B-2026.csvの実データのみを使用。np.random等の合成データは一切使用していない。

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 統計活用奨励賞 [高校生の部] ｜ 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。
❌ 「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。
🎯 操作変数法（IV）
何？
逆因果や交絡因子の問題を克服して因果関係を推定する手法。条件を満たす別の変数（操作変数）を経由して推定する。
どう使う？
操作変数は「目的変数には直接影響せず、説明変数にのみ影響する」という条件が必要。二段階最小二乗法（2SLS）で推定する。
何がわかる？
「医師が多い → 医療費が高い」vs「医療費が高い地域 → 医師が集まる」という因果の向きを区別できる。
結果の読み方
操作変数の妥当性（弱い操作変数でないか）確認が重要。係数解釈は通常の回帰と同様。
⚠️ 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
投票率の地域差：都道府県別社会経済要因の回帰分析
次の論文 →
少子化と保育環境：都道府県別出生率と保育所整備の関係分析