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
審査員奨励賞 [高校生の部]

空き家問題と人口減少
転出超過・高齢化が住宅に与える影響

⏱️ 推定読了時間: 約36分
2022年度 審査員奨励賞（高校生の部）
📝 3行で分かる要約

目次

  1. 研究概要と背景
  2. データと代理変数の設計
  3. 転出超過率の時系列推移
  4. 高齢化率と転出超過率の関係
  5. OLS回帰：着工新設住宅率の決定要因
  6. 住宅地地価の都道府県別比較
  7. まとめと政策的含意
  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_H5_11_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/2022_H5_11_shorei.py
図は html/figures/ に自動保存されます。
概
研究概要と背景

日本の空き家問題は深刻化しており、2018年時点で空き家数は約849万戸、空き家率は13.6%に達している。この問題の背景には人口減少・転出超過・高齢化という構造的な要因がある。本研究は都道府県別の統計データを用いて、これらの人口動態要因が住宅建設と地価に与える影響を定量的に分析する。

まず「空き家問題と人口減少転出超過・高齢化が住宅に与える影響」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。

空き家問題の現状 空き家率は都市部より地方で高い傾向がある。人口が流出し（転出超過）、高齢化が進む地域では住宅の需要が落ちる一方、老朽化した住宅が「空き家予備軍」として積み上がる。新築着工が続く地域でも中古住宅の余剰が生じやすい。
分析の流れ
SSDSE-B
47都道府県
2012〜2022年
→
代理変数
設計・計算
→
時系列分析
散布図
→
OLS回帰
相関分析

SSDSE-B 転出超過率 高齢化率 OLS回帰 住宅地地価

データと代理変数の設計

使用データ

SSDSE-B（都道府県別社会・人口統計体系データセット）を使用。直接的な「空き家数・空き家率」のデータは同データセットに含まれないため、下記の代理変数を用いて空き家問題の構造を分析する。

変数名定義SSDSE-Bの元変数空き家との関係
着工新設住宅率 着工新設住宅戸数 / 総人口 × 10,000 H1800, A1101 高いほど供給過剰リスク（→空き家増加）
転出超過率 (転出者数 − 転入者数) / 総人口 × 1,000 A5102, A5101, A1101 正値（転出超過）ほど空き家増加
高齢化率 65歳以上人口 / 総人口 × 100 A1303, A1101 高いほど将来的空き家予備軍が多い
住宅地地価 標準価格（平均価格）（住宅地） C5401 地域の住宅需要・活力の指標
消費支出_log log(消費支出（二人以上の世帯）) L3221 所得水準の代理
求人倍率 月間有効求人数 / 月間有効求職者数 F3103, F3102 雇用環境→人口定着力

DS LEARNING POINT 1

空き家代理変数の設計：着工戸数と転出超過の組み合わせ

直接指標（空き家数）が入手困難な場合、理論的に関連する変数を「代理変数（proxy variable）」として使う。重要なのは「どの代理変数が空き家のどの側面を捉えているか」を明確にすることだ。

本分析では2つの軸で代理変数を設計する：

供給側：着工新設住宅率 → 新規建設が需要を上回ると既存住宅が余剰に
需要側：転出超過率・高齢化率 → 人口が減ると住宅需要が低下

# 代理変数の計算（SSDSE-Bより） df['着工新設住宅率'] = df['着工新設住宅戸数'] / df['総人口'] * 10000 df['転出超過率'] = ( df['転出者数（日本人移動者）'] - df['転入者数（日本人移動者）'] ) / df['総人口'] * 1000 # 千人あたり（正値=転出超過、負値=転入超過） df['高齢化率'] = df['65歳以上人口'] / df['総人口'] * 100

2022年のデータ概要

変数平均標準偏差最小最大
着工新設住宅率（万人あたり戸数）59.912.339.796.4
転出超過率（‰）1.311.76−3.04.0
高齢化率（%）31.43.322.838.6
住宅地地価（万円/m²）5.346.201.3238.9
消費支出（二人以上世帯、万円/月）29.02.024.733.1
求人倍率（倍）1.390.250.881.94

着工新設住宅率との相関係数（2022年、n=47）

変数着工新設住宅率との相関解釈
転出超過率−0.754**転出超過が多いと着工が少ない（需要低迷）
高齢化率−0.790**高齢化が進む地域ほど着工が少ない
住宅地地価+0.659**地価が高い地域ほど着工が多い
消費支出_log+0.281*所得水準が高いと着工も多い
求人倍率−0.206　弱い負相関（非有意）

** p<0.01, * p<0.05, 無印 n.s.（非有意）

1
転出超過率の時系列推移

2012〜2022年にわたる転出超過率（‰ = 千人あたり）の推移を、代表的な4都道府県（東京・大阪・秋田・島根）で比較する。転出超過率が正の場合は「人口流出」、負の場合は「人口流入」を意味する。

転出超過率の時系列推移
図1：転出超過率の時系列推移（2012〜2022年）。東京・大阪は転入超過（負値）、秋田・島根は転出超過（正値）が続く。新型コロナ（2020〜21年）の影響で東京の転入超過が縮小していることにも注目。
📌 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。
読み取れるパターン
  • 東京都：一貫して転入超過（負値）。コロナ禍（2020〜21年）に転入超過が縮小した後、2022年に再拡大。
  • 大阪府：ほぼ均衡に近いが、近年わずかに転入超過傾向。
  • 秋田県：慢性的な転出超過（正値）。高齢化率が全国最高水準であり、若年層の流出が止まらない。
  • 島根県：転出超過が続くが、2010年代後半に「UIターン施策」の効果で若干改善の傾向。
コロナ禍の影響（2020〜2021年） 新型コロナウイルス感染症の拡大期に、大都市への転入が一時的に減少した。これは「地方移住ブーム」や「テレワーク普及」の反映と見られる。統計分析においてこうした外生的ショックへの注意が必要。

DS LEARNING POINT 2

転出超過率の計算：絶対数 vs 相対数の重要性

東京の転出超過者数（絶対数）は秋田より多くなることがある。しかし「問題の深刻さ」を比較するには人口規模で割った「相対数（‰）」が適切だ。

# 間違い：絶対数での比較（人口規模バイアスあり） net_out_abs = df['転出者数（日本人移動者）'] - df['転入者数（日本人移動者）'] # 正しい：人口規模で割った転出超過率 df['転出超過率'] = net_out_abs / df['総人口'] * 1000 # 単位：‰（千人あたり） # 例：2022年 # 東京都: 転出超過 −33909人 → 転出超過率 −2.42‰（転入超過） # 秋田県: 転出超過 +2958人 → 転出超過率 +3.18‰（転出超過） # → 絶対数では東京の方が多く「転出」するが、人口比では秋田の方が深刻

統計分析では「実数」と「人口あたり比率」の使い分けが重要。政策論議では比率を使わないと「大きい県が常に問題」という誤解が生じる。

2
高齢化率と転出超過率の関係

2022年の47都道府県データを用いて、高齢化率（横軸）と転出超過率（縦軸）の散布図を描く。両変数が空き家問題とどのように関連しているかを視覚的に確認する。

高齢化率 vs 転出超過率 散布図（2022年）
図2：高齢化率 vs 転出超過率（2022年、47都道府県）。赤点は転出超過（流出）、青点は転入超過（流入）。オレンジ破線は回帰直線。

相関分析の結果

指標値解釈
相関係数 r+0.725強い正の相関（高齢化 → 転出超過）
決定係数 r²0.526転出超過率の変動の52.6%を高齢化率で説明
p値<0.001統計的に高度に有意
観測数 n47都道府県全都道府県網羅
散布図から読み取れること
  • 高齢化率が高い県（秋田・高知・島根）ほど転出超過率が高い
  • 高齢化率が低い都市部（東京・沖縄・神奈川）は転入超過（負値）
  • 沖縄県は高齢化率が比較的低いが、経済的理由による転出超過傾向
「高齢化が進む → 転出超過」のメカニズム 若年層が雇用を求めて都市部へ転出 → 地方では高齢者比率が上昇（高齢化率が高い） → さらに若年層が少なくなる → 転出超過が継続。この「負のスパイラル」が地方の住宅余剰（空き家増加）につながる。
3
OLS回帰：着工新設住宅率の決定要因

転出超過率・高齢化率・消費支出（対数）・求人倍率を説明変数として、着工新設住宅率をOLS（最小二乗法）重回帰で分析する。係数は標準化済みのため、各変数の「相対的な影響力」を比較できる。

着工新設住宅率 = β₀ + β₁×転出超過率 + β₂×高齢化率 + β₃×消費支出_log + β₄×求人倍率 + ε

※ 係数比較のため全説明変数を標準化（平均0・標準偏差1）
OLS回帰係数プロット（着工新設住宅率の決定要因）
図3：OLS回帰係数プロット（標準化係数、95%CI）。赤バーは有意（p<0.05）、グレーは非有意。Adj.R²=0.721, n=47都道府県。
📌 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。

回帰分析の結果サマリー

説明変数標準化係数p値有意性解釈
転出超過率 −6.41 <0.001 ** 転出超過が多いほど着工が少ない
高齢化率 −6.71 <0.001 ** 高齢化が進むほど着工が抑制
消費支出（対数） −1.64 0.136 n.s. 非有意（単独では効果不明瞭）
求人倍率 +3.07 0.008 ** 求人倍率が高い（雇用が豊富）ほど着工増加

モデル適合: Adj.R²=0.721, F(4,42)=30.66, p<0.001。** p<0.01, n.s. 非有意。

回帰分析からの主な知見
  • 高齢化率と転出超過率が着工新設住宅率に最も強い負の影響（標準化係数で−6〜−7）を与えている
  • 求人倍率（雇用環境）が正の効果：雇用が豊富な地域では住宅建設が活発
  • 4変数で着工新設住宅率の分散の約72%を説明できる（Adj.R²=0.721）
注意：逆因果・多重共線性 転出超過率と高齢化率は互いに強く相関（r=+0.725）しており、多重共線性の懸念がある。また「着工が少ないから人口が流出する」という逆因果の可能性も考慮が必要。横断面データ（1時点）での回帰分析には因果の特定が難しい制約がある。

DS LEARNING POINT 3

住宅地地価と地域活力：地価を指標として使う根拠

住宅地地価は「住宅を買いたい人がいる場所」を反映する。地価が高い = 需要が旺盛 = 人口が集まっている = 空き家が少ない、というロジックで「住宅需要の代理変数」として機能する。

# 地価と着工新設住宅率の相関（2022年） from scipy import stats r, p = stats.pearsonr(df2022['住宅地地価'], df2022['着工新設住宅率']) print(f"r = {r:.3f}, p = {p:.4f}") # → r = 0.659, p < 0.001 # 解釈：地価が高い都市部ほど新規着工が多い # ただし地価が高い = 既存住宅が売れやすい = 空き家が少ない # 地価の低い地方 = 需要が乏しい = 既存住宅が売れない = 空き家リスク大

地価データを分析に使うメリット：①市場参加者の期待を反映している、②都道府県単位で公式統計として入手できる、③住宅の「使われ方」（居住需要）を間接的に示す。

4
住宅地地価の都道府県別比較

2022年の標準価格（平均価格）（住宅地）を都道府県別にランキング表示する。住宅地地価は地域の住宅需要・経済活力の代理指標として、空き家問題の深刻さを逆から照らす。

住宅地地価の都道府県別ランキング（2022年）
図4：住宅地地価（標準価格・平均価格）の都道府県別ランキング（2022年）。赤は上位5県（高い）、青は下位5県（低い）。単位：万円/m²。

地価の地域格差

順位都道府県住宅地地価（万円/m²）空き家問題との関連
1位（最高）東京都38.9需要旺盛・空き家率低
2位神奈川県16.3都市部・需要安定
3位大阪府14.9都市部・需要安定
45位鳥取県1.4需要低迷・空き家リスク大
46位秋田県1.3高齢化最高・転出超過
47位（最低）島根県1.3人口流出・住宅余剰
地価格差と空き家問題 東京都と秋田県・島根県の住宅地地価の格差は約30倍に達する。地価が低い地域では住宅の市場価値が低く、売却・賃貸も難しいため空き家が「負の資産」として放置されやすい。地価の低い地域で空き家対策を進めるには、市場メカニズムだけでなく行政の積極的介入が必要になる。

DS LEARNING POINT 4

人口減少と空き家政策：統計から見える地方創生の課題

本分析で明らかになった構造：
「高齢化 → 転出超過 → 住宅需要低下 → 地価下落 → 空き家増加」

この悪循環を断ち切るためにはどのような政策が有効か、統計データは示唆を与える。

# 政策介入の効果を評価するための分析枠組み # 例：求人倍率が着工新設住宅率に有意な正の効果(β=+3.07) # → 雇用創出（求人倍率向上）が住宅需要回復につながる # 政策仮説の検証 policy_vars = ['求人倍率', '保育所等数', '旅館営業施設数（ホテルを含む）'] # 雇用・子育て・観光が人口定着に貢献するか？ for var in policy_vars: r, p = stats.pearsonr(df2022[var], df2022['転出超過率']) print(f"{var}: r={r:.3f}, p={p:.4f}")

統計分析の限界：相関分析・OLS回帰では「政策の効果（因果）」を証明するには不十分。RCT（ランダム化比較試験）や差分の差分法（DID）などの因果推論手法と組み合わせることで、より説得力のある政策提言が可能になる。

まとめと政策的含意

主要な発見

SSDSE-B（都道府県別データ）を用いた分析の結果、以下の知見が得られた：

  1. 高齢化率と転出超過率は強く相関（r=+0.725）： 高齢化が進む地方ほど若年層が転出し、住宅需要が低下する。空き家問題の根本原因は人口の偏在にある。
  2. OLS回帰で着工新設住宅率の72%を説明： 転出超過率・高齢化率（負）と求人倍率（正）が有意。雇用環境の改善が住宅需要の維持に重要。
  3. 住宅地地価の地域格差は約30倍： 東京（38.9万円/m²）vs 秋田・島根（1.3万円/m²）。地価の低い地域では空き家が「負の資産」化しやすい。
  4. コロナ禍は大都市への転入超過を一時的に縮小： 2020〜21年の転入超過の縮小は「地方移住」の一時的な増加を示すが、2022年に都市集中が再拡大。
政策への示唆 空き家問題を解決するには「住宅政策」単独では不十分で、雇用創出（求人倍率向上）・少子化対策・移住促進の総合的な施策が必要。統計分析は「どの要因がどの程度重要か」を示す羅針盤として機能する。
本分析の限界と発展的課題
  • 空き家数の直接データがないため代理変数を使用（測定誤差の懸念）
  • 横断面データ（1時点）では因果関係の特定が困難
  • 都道府県単位の集計データでは市区町村レベルの局所的差異が見えない
  • 発展的課題：市区町村単位のデータやパネルデータで時系列因果分析を行う
教育的価値（この分析から学べること）
  • 空き家率の構造：人口減・高齢化・転出超過が複合的に作用する。単一原因では説明できない。
  • ストックとフローの区別：空き家率（ストック）と新規空き家発生率（フロー）は別物。両方見ることが重要。
  • 外部不経済：空き家は景観・治安・防災に負の外部性を生む。市場メカニズムだけでは解決しにくいので政策介入の余地がある。

データ・コードのダウンロード

分析スクリプト（2022_H5_11_shorei.py）
データ出典変数例
SSDSE-B-2026（都道府県別） 統計数理研究所 SSDSE（社会・人口統計体系） 人口、転入・転出者数、着工住宅戸数、地価など
標準価格（住宅地・商業地） 国土交通省 地価公示（SSDSE-Bに収録） C5401（住宅地）、C5403（商業地）
月間有効求人数・求職者数 厚生労働省 職業安定業務統計（SSDSE-Bに収録） F3103、F3102
消費支出（二人以上の世帯） 総務省 家計調査（SSDSE-Bに収録） L3221

本教育用コードは実データ（SSDSE-B-2026.csv）のみを使用し、合成データ・np.random等は一切使用していない。

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 審査員奨励賞 [高校生の部] ｜ 空き家問題と人口減少：転出超過・高齢化が住宅に与える影響

⚠️ 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
女性就労と少子化：女性就業率・育児環境と合計特殊出生率の関係
次の論文 →
気候と健康：気温・降水量が死亡率に与える影響の分析