論文一覧に戻る 統計データ分析コンペ 教育用再現集
審査員奨励賞
2022年度 統計データ分析コンペティション ｜ 高校生の部

地方移住と地域活性化
転入増加要因の分析

⏱️ 推定読了時間: 約41分
相関分析 ｜ PanelOLS 固定効果モデル ｜ 時系列分析 ｜ SSDSE-B 都道府県データ
📝 3行で分かる要約

目次

  1. 研究概要と背景
  2. データと変数設計
  3. 純移動率の時系列推移：東京一極集中とCOVID後変化
  4. 求人倍率と転入率の関係
  5. 固定効果パネルモデル：転入率の決定要因
  6. COVID前後の純移動率変化
  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_13_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_13_shorei.py
図は html/figures/ に自動保存されます。
概
研究概要と背景

日本の人口移動は長年にわたり「東京一極集中」の構造を維持してきた。若者は就職を機に地方を離れ、東京・神奈川・埼玉・千葉の首都圏に集積する。しかし2020年以降、COVID-19パンデミックによるテレワーク普及が人口移動のパターンを変えつつある。

まず「地方移住と地域活性化転入増加要因の分析」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、どのような地域特性が転入者数の増加と関連しているのかを多角的に分析した。SSDSE-B の12年分（2012〜2023年）のパネルデータを活用し、固定効果モデルで地域固有の特性を除去した上で、雇用・住宅・保育・人口構造の各要因を検証している。

リサーチクエスチョン 「地方への転入を増加させる要因は何か？」 — 求人倍率・住宅地価・保育所密度・高齢化率・消費支出を説明変数とし、都道府県固定効果パネルモデルで転入率を分析する。
分析の流れ
SSDSE-B
47都道府県
2012〜2023年
→
変数構築
転入率・純移動率
求人倍率 等
→
時系列分析
地域別
推移確認
→
PanelOLS
固定効果
係数推定
→
COVID前後
変化
ランキング

SSDSE-B 都道府県 相関分析 PanelOLS 固定効果 時系列分析 COVID前後比較

データと変数設計

データソース

SSDSE-B-2026（統計数理研究所）は都道府県別の主要統計を年度別に収録したパネルデータセットである。本分析では2012〜2023年の12年間、47都道府県、計564観測値を使用する。

47
都道府県（エンティティ）
12
年度（2012〜2023年）

変数の定義

人口移動の分析では、転入者の絶対数でなく人口規模で割った「率」を用いることで都道府県間の比較が可能になる。

転入率 [‰] = 転入者数（日本人移動者）/ 総人口 × 1,000
純移動率 [‰] = (転入者数 − 転出者数) / 総人口 × 1,000
求人倍率 = 月間有効求人数（一般）/ 月間有効求職者数（一般）
住宅地価_log = log（標準価格〔平均価格〕〔住宅地〕）
保育所密度 = 保育所等数 / 総人口 × 10,000
高齢化率 [%] = 65歳以上人口 / 総人口 × 100
消費支出_log = log（消費支出〔二人以上の世帯〕）
変数名 SSDSE-B 列 単位 想定する効果の方向
転入率（目的変数） A5101 / A1101 ‰ —
純移動率（参考） (A5101-A5102) / A1101 ‰ —
求人倍率 F3103 / F3102 倍 正（雇用機会の多さ）
住宅地価_log log(C5401) — 負（居住コスト）or 正（経済活力）
保育所密度 J2503 / A1101 所/万人 正（子育て環境）
高齢化率 A1303 / A1101 % 負（若者が少ない地域）
消費支出_log log(L3221) — 正（生活水準の高さ）
なぜ「率」を使うのか 東京都の転入者数は絶対数では圧倒的に多いが、人口1000人あたりで見ると（転入率 ≒ 28.4‰、2022年）、千葉県（23.1‰）や沖縄県とも比較可能になる。絶対数での比較は「大都市が有利」になり、地域の構造的な吸引力を見誤る可能性がある。

DS LEARNING POINT 1

転入率・純移動率の計算（社会移動の指標設計）

「転入率」と「純移動率」は似ているが意味が異なる。転入率は「どれだけ人が来るか」、純移動率は「差し引きで人口が増えるか」を表す。地域活性化の評価には純移動率が有用だが、要因分析には転入率が適している（転出は別のメカニズムで決まる可能性があるため）。

# SSDSE-B-2026.csv から変数を構築 import pandas as pd, numpy as np df = pd.read_csv('SSDSE-B-2026.csv', encoding='cp932', header=0, skiprows=[1]) df.rename(columns={'SSDSE-B-2026': 'year'}, inplace=True) # 都道府県のみ抽出（Rxxxxxxx000 形式） df = df[df['Code'].str.startswith('R') & df['Code'].str.endswith('000')].copy() # 転入率・純移動率 df['転入率'] = df['A5101'] / df['A1101'] * 1000 df['純移動率'] = (df['A5101'] - df['A5102']) / df['A1101'] * 1000 # 求人倍率 = 月間有効求人数 / 月間有効求職者数 df['求人倍率'] = df['F3103'] / df['F3102'] # 保育所密度（人口1万対） df['保育所密度'] = df['J2503'] / df['A1101'] * 10000 # 住宅地価・消費支出は対数変換してスケールを調整 df['住宅地価_log'] = np.log(df['C5401']) df['消費支出_log'] = np.log(df['L3221'])
1
純移動率の時系列推移：東京一極集中とCOVID後変化

まず都道府県を地域ブロックに分類し、2012〜2023年の純移動率の平均推移を確認する。

純移動率の時系列推移（地域別）
図1：地域別純移動率の時系列推移（2012〜2023年）。東京圏（赤）は2020年まで一貫してプラス（転入超）を維持。COVID後（2021年）に大きく変化。
📌 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

東京圏の圧倒的な転入超過（〜2019年） 東京圏（東京都・神奈川県・埼玉県・千葉県）の純移動率は2012〜2019年にかけて一貫して正（転入超）であり、他地域との格差が明確。2019年の東京圏各県の純移動率は東京都 +6.2‰、埼玉県 +2.1‰、千葉県 +2.1‰ 程度と推定される。
COVID後（2020〜2022年）の構造変化 2020〜2021年、東京都の純移動率が急低下（一時転出超に）。テレワーク普及と都市密集リスク回避による地方移住の増加が要因と考えられる。東北・九州など地方圏の純移動率がやや改善する傾向が見られる。
2022年以降：東京圏への回帰 経済活動の再開に伴い、2022年には東京圏への転入超過が再拡大する傾向が確認される。地方移住ブームは一時的であった可能性があり、構造的変化として定着したかは引き続き観察が必要。
地域 2019年 純移動率（推計） 2021年 純移動率（推計） 2022年 純移動率 トレンド
東京都 +6.2‰ ▼ 急低下 +2.4‰ 回復傾向
埼玉・千葉・神奈川 +2〜3‰ 維持・やや増 +2.4〜3.0‰ 堅調
東北（平均） −3〜−5‰ やや改善 −3〜−4‰ 依然マイナス
九州・沖縄（平均） −1〜−2‰ わずかに改善 −1〜−2‰ 緩やかにマイナス
2
求人倍率と転入率の関係

2022年の47都道府県を対象に、求人倍率（月間有効求人数 / 求職者数）と転入率の関係を散布図で確認する。

求人倍率 vs 転入率 散布図（2022年）
図2：求人倍率 vs 転入率（2022年・47都道府県）。地域別に色分け。黒破線は単純回帰直線。
相関係数の結果（2022年単年） 求人倍率と転入率の相関係数 r = −0.456（p = 0.001）。
意外にも負の相関が統計的に有意。これは単純な「仕事が多い = 転入が多い」という解釈が成り立たないことを示す。
求人倍率が高い傾向にある農業・中小製造業中心の地方県では転入率が低く、逆に求人倍率がやや低くても東京圏・大阪圏は転入率が高い。
交絡因子の問題 求人倍率は雇用需給の目安だが、転入率に影響する要因は他にも多い（賃金水準、住宅コスト、都市機能の集積度、交通利便性など）。単純な二変量相関では「都市性」という交絡因子が強く作用している可能性がある。これを解決するためにパネルモデルを用いる（次節）。

2022年 主要都道府県の概況

都道府県 求人倍率 転入率（‰） 純移動率（‰）
東京都 1.99 28.4 +2.4
神奈川県 1.12 23.3 +2.4
千葉県 1.21 23.1 +3.0
埼玉県 1.07 22.4 +2.6
秋田県 1.27 9.6 −6.4
青森県 1.13 10.3 −5.1

求人倍率の出典：SSDSE-B 月間有効求人数（F3103）/ 月間有効求職者数（F3102）

3
固定効果パネルモデル：転入率の決定要因

時系列のある都道府県データを「パネルデータ」として扱い、各都道府県の観測できない固有要因（立地・気候・歴史的経緯など）を「固定効果」として制御した上で、説明変数の純効果を推定する。

転入率ᵢₜ = μᵢ（都道府県固定効果）+ β₁·求人倍率ᵢₜ + β₂·住宅地価_logᵢₜ
　　　　　　+ β₃·保育所密度ᵢₜ + β₄·高齢化率ᵢₜ + β₅·消費支出_logᵢₜ + εᵢₜ

ここで μᵢ は都道府県 i の固定効果（時間不変の地域特性を全て吸収する）。この項のおかげで「東京は元々転入が多い」という見えない要因を除去できる。

PanelOLS固定効果係数プロット
図3：転入率の決定要因（標準化回帰係数 β）。赤色の変数は p < 0.05 で統計的に有意。誤差線は95%信頼区間。
📌 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。

PanelOLS 推定結果

PanelOLS（エンティティ固定効果、クラスター標準誤差）
N = 564（47都道府県 × 12年）
R-squared (Within): 0.087

変数　　　　　　　　係数（生）　　t統計量　　p値
求人倍率　　　　　　+0.128　　　0.673　　0.501
住宅地価_log　　　 −0.894　　 −0.784　　0.433
保育所密度　　　　　+0.031　　　0.253　　0.800
高齢化率　　　　　　−0.083　　 −2.494　　0.013 *
消費支出_log　　　　+0.854　　　1.417　　0.157
固定効果モデルの主要な発見 都道府県固定効果を制御した後に統計的に有意なのは高齢化率（負）のみ（p = 0.013）。高齢化が進む都道府県では、時間とともに転入率が低下する傾向がある。求人倍率・住宅地価・保育所密度は固定効果除去後には有意でない。これは「これらの変数の効果の多くが都道府県固有の時間不変要因によるもの」であることを示唆する。
プーラビリティ検定（F検定）の結果 F統計量 = 327.3（p ≈ 0）：固定効果の存在が統計的に強く支持される。つまり「都道府県ごとに切片が異なる（固定効果が必要）」ことが確認された。OLSのみでは地域間の不均一性を無視してしまう。
変数 標準化係数 β p値 解釈
住宅地価_log +2.336 0.000 *** 地価が高い都市圏ほど転入率が高い（OLS）
高齢化率 −0.884 0.000 *** 高齢化が進む地域は転入が少ない（OLS）
保育所密度 +0.553 0.000 *** 保育所が多い地域は転入が多い（OLS）
消費支出_log +0.478 0.000 *** 生活水準の高い地域は転入が多い（OLS）
求人倍率 −0.156 0.219 有意でない（交絡の可能性）

上表はOLS（プーリング）の標準化係数。固定効果除去後は高齢化率のみ有意（詳細は図3）。

DS LEARNING POINT 3

固定効果パネルモデル（地域固有要因を除去した純効果の推定）

パネルデータでは「観測できない個体固有の要因」（例：東京の利便性、秋田の気候）が結果変数と説明変数の両方に影響しているケースが多い（交絡）。固定効果モデルはこの問題を「各個体内の時間変動」のみを使って係数を推定することで解決する。

from linearmodels.panel import PanelOLS import statsmodels.api as sm # パネルデータ構造を設定 df_panel = df.set_index(['Prefecture', 'year']) endog = df_panel['転入率'] exog = sm.add_constant(df_panel[['求人倍率', '住宅地価_log', '保育所密度', '高齢化率', '消費支出_log']]) # entity_effects=True: 都道府県固定効果を組み込む # cluster_entity=True: エンティティレベルのクラスタリング model = PanelOLS(endog, exog, entity_effects=True, drop_absorbed=True) result = model.fit(cov_type='clustered', cluster_entity=True) print(result.summary) # F-test for Poolability: 固定効果が必要かを検定 # p < 0.05 なら固定効果モデルが支持される
4
COVID前後の純移動率変化

COVID-19パンデミック（2020年〜）が人口移動に与えた影響を定量的に評価する。2019年（コロナ前）と2022年（コロナ後、行動制限緩和後）の純移動率を比較し、変化が大きかった都道府県をランキングで示す。

COVID前後の純移動率変化ランキング
図4：2019年→2022年の純移動率変化（上位・下位10都道府県）。赤：流入増加、青：流入減少または流出拡大。単位は‰（千分率）。

変化のトップ10（増加・減少）

最大増加（転入超過改善）

都道府県変化（‰）
山梨県+2.87
熊本県+2.05
長野県+2.03
茨城県+1.98
宮城県+1.76
鹿児島県+1.62
奈良県+1.58
和歌山県+1.55
高知県+1.50
宮崎県+1.48

最大減少（転入超過縮小）

都道府県変化（‰）
東京都−3.77
沖縄県−1.04
愛知県−0.82
大阪府−0.37
広島県−0.30
香川県−0.23
岡山県−0.16
神奈川県−0.15
京都府±0.02
福島県±0.02
COVID後の地方移住促進：どこが恩恵を受けたか 最大の改善は東京都心から近くアクセスが良い「山梨県・長野県・茨城県」、および「九州内陸部（熊本・宮崎・鹿児島）」。山梨・長野はテレワーク移住の目的地として人気が上昇し、熊本はTSMC進出（2021年発表）による将来への期待も人口移動を後押しした可能性がある。
東京の純移動率が最大幅で低下 東京都の純移動率は2019年比で −3.77‰ と最大の低下。ただし2022年でも純移動率は +2.4‰（転入超過）を維持しており、「東京一極集中の終焉」ではなく「集中度の緩和」と解釈するのが適切。
沖縄の特殊要因 沖縄県は近年転入率が高かったが、COVID-19による観光業の壊滅的打撃（関連雇用の激減）と、若者の都市部離脱が相まって純移動率が大きく悪化。

DS LEARNING POINT 2

COVID後の人口移動変化（東京一極集中の緩和とデータの読み方）

「COVID後に地方移住が増えた」という主張を検証するには、①単年ではなく前後の比較をすること、②「転入の増加」と「転出の減少」を区別すること、③一時的変動と構造変化を見分けることが重要。時系列データを適切に分析することで、センセーショナルな報道と実際のデータを峻別できる。

# COVID前後の純移動率変化を計算・ランキング df19 = df[df['year'] == 2019][['Prefecture', '純移動率']]\ .set_index('Prefecture') df22 = df[df['year'] == 2022][['Prefecture', '純移動率']]\ .set_index('Prefecture') # 差分を計算してランキング化 change = (df22['純移動率'] - df19['純移動率'])\ .dropna().sort_values(ascending=False) print("最大改善トップ5:") print(change.head(5).round(3)) print("\n最大悪化ワースト5:") print(change.tail(5).round(3)) # ポイント: 符号の方向性だけでなく「絶対的な水準」も確認 df_both = pd.concat([df19, df22], axis=1) df_both.columns = ['2019', '2022'] df_both['変化'] = df_both['2022'] - df_both['2019'] # 「まだマイナス圏にある地域」を区別する df_both['2022水準'] = df_both['2022'].apply( lambda x: '転入超' if x > 0 else '転出超' )

まとめと政策的含意

分析結果の要点

  1. 東京一極集中はCOVID後に緩和されたが消滅はしていない： 2020〜2021年に東京都の純移動率が大幅低下したが、2022年には転入超過が再拡大。「地方移住ブーム」は構造変化というより一時的な変動の性格が強い。
  2. 固定効果除去後に有意なのは「高齢化率（負）」のみ： 求人倍率・住宅地価・保育所密度の効果は、地域固有の時間不変要因（地理的立地・都市規模など）を除去すると有意でなくなる。つまり「保育所を増やせば転入が増える」は短期的には成立しにくい可能性がある。
  3. COVID後に恩恵を受けた地域の特徴： 東京近郊（山梨・長野・茨城）と産業投資が期待される地域（熊本）。地方移住促進には「テレワーク環境の整備」と「地域内産業の魅力向上」の組み合わせが重要と考えられる。
  4. 求人倍率と転入率の逆相関： 単純な相関では「求人倍率高 = 転入少」という逆説的な結果。これは都市圏（求人倍率は高くないが転入多）vs 地方（求人倍率は高めでも転入少）というパターンを反映しており、交絡因子（都市機能の集積度）の重要性を示している。
地方創生政策への示唆 固定効果モデルの結果が示すように、転入率の決定要因の多くは「その地域が元々持つ時間不変の特性」に依存している。短期的な政策（保育所増設、求人数拡大）だけでは転入率を大きく動かすことは難しい。一方で「高齢化率の悪化」は転入率の低下と関連しており、高齢化を抑制する根本的な施策（若者を残す仕組み）が重要になる。

DS LEARNING POINT 4

地方創生政策の評価（統計から見える移住促進の課題）

統計分析が「政策の限界」を示すことがある。固定効果モデルで交絡を除去したら効果が消えた — これは「変数の効果がゼロ」を意味するのではなく、「その効果は地域の構造的特性と分離できない」ことを示している。政策評価には観察データだけでなく、自然実験・差の差分析（DiD）・回帰不連続デザイン（RDD）といった准実験的手法が有効。

# 固定効果モデルのwithin R-squared が小さい場合の解釈 # R-squared(within) = 0.087 → 「時間変動の8.7%しか説明できない」 # これは「モデルが悪い」ではなく # 「転入率の変動の大部分が都道府県固有の時間不変要因で決まる」ことを示す # 比較: プーリングOLS (fixed effects なし) # R-squared = 0.558 → 「55.8%を説明」 # しかしこのR²は地域間の差 (固有効果) も含めた見かけ上の高さ # 政策的解釈のポイント: # - within R² が低い → 政策変数（求人倍率、保育所密度）を変えても # 転入率への短期効果は限定的 # - pooling R² が高い → 地域間の格差を縮小すること自体が重要 # - 高齢化率（有意・負） → 人口構造の悪化が転入率を下げるダイナミクス # 准実験的アプローチ（将来の研究課題） # DiD: 例）移住促進補助金の導入前後 × 対象・非対象自治体の比較 # df['treated'] = (df['pref'].isin(補助金対象県)) & (df['year'] >= 2015) # df['did'] = df['treated'] * df['post'] # 交差項が政策効果を識別
教育的価値（この分析から学べること）
  • 地方移住の決定要因：賃金・住環境・自然・地縁など複数要因の絡みを定量的に分析する考え方。
  • プッシュ・プル要因：送り出し側（都市の生活コスト等）と受入側（地方の魅力）の両面を考慮する移住モデルの基本。
  • 自己選択バイアス：移住者は『移住したい人』なので、政策効果と自己選択が混ざりやすい。

データ・コードのダウンロード

分析スクリプト（2022_H5_13_shorei.py）
データ 出典・列コード
転入者数（日本人移動者） SSDSE-B-2026: A5101
転出者数（日本人移動者） SSDSE-B-2026: A5102
総人口 SSDSE-B-2026: A1101
65歳以上人口 SSDSE-B-2026: A1303
月間有効求人数・求職者数（一般） SSDSE-B-2026: F3103, F3102
標準価格（平均価格）（住宅地） SSDSE-B-2026: C5401
保育所等数 SSDSE-B-2026: J2503
消費支出（二人以上の世帯） SSDSE-B-2026: L3221

分析には実データ（SSDSE-B-2026.csv）のみを使用。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 審査員奨励賞 [高校生の部]
地方移住と地域活性化：転入増加要因の分析

⚠️ 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。
🌿 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。
📅 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
気候と健康：気温・降水量が死亡率に与える影響の分析
次の論文 →
都市農村間の所得格差