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］

ごみ排出量とリサイクル率の
社会経済的要因：都道府県別パネル分析

⏱️ 推定読了時間: 約39分
高校生の部
相関分析 OLS回帰 時系列分析 散布図 SSDSE-B
📝 3行で分かる要約

目次

  1. 研究概要と背景
  2. データ：SSDSE-B 47都道府県パネル
  3. 時系列トレンド：排出量とリサイクル率の推移
  4. 散布図：消費支出とごみ排出量の関係
  5. OLS回帰：ごみ排出量の決定要因
  6. 都道府県別リサイクル率ランキング
  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_16_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_16_shorei.py
図は html/figures/ に自動保存されます。
概
研究概要と背景

日本では家庭ごみの削減とリサイクル率の向上が長年の環境政策課題となっている。しかし「なぜある都道府県は他より排出量が少ないのか」「リサイクル率の地域格差はどう説明できるか」という問いには、単純な人口規模だけでは答えられない。本論文では SSDSE-B の47都道府県パネルデータを用い、高齢化率・消費支出水準・観光地密度がごみ排出量とリサイクル率にどう影響するかを統計的に分析した。

まず「ごみ排出量とリサイクル率の社会経済的要因：都道府県別パネル分析」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。

着目した3つの社会経済的仮説
  1. 高齢化仮説：高齢者が多い地域は消費活動が少なく、ごみ排出量も少ない（負の相関）
  2. 環境クズネッツ仮説：消費水準が高いほど廃棄物も多いが、ある水準を超えると減少に転じる可能性
  3. 観光地仮説：旅館・ホテル密度が高い地域は観光客由来のごみが増える（正の相関）
分析の流れ
SSDSE-B
2012〜2023年
47都道府県
→
時系列
トレンド分析
(twinx)
→
相関分析
散布図
(2022年)
→
OLS
重回帰
係数解釈
→
都道府県別
リサイクル率
ランキング

SSDSE-B（都道府県） パネルデータ OLS回帰 環境統計

データ：SSDSE-B 47都道府県パネル

使用データの概要

SSDSE（社会・人口統計体系データセット）-B は都道府県レベルの社会経済統計を年度別にまとめたパネルデータである。本分析では2012〜2023年度（12年間）×47都道府県 = 564件のデータを使用した。

564
総観測数（47都道府県 × 12年度）
906 g
1人1日あたりごみ排出量（2022年全国平均）

分析に使用した変数

変数名 定義・計算方法 SSDSEコード 単位
ごみ排出量（目的変数） 1人1日当たりの排出量 H5610 g/人/日
リサイクル率（目的変数） ごみのリサイクル率 H5614 %
高齢化率 65歳以上人口 ÷ 総人口 × 100 A1303 / A1101 %
消費支出_log log（消費支出：二人以上の世帯） L3221 log(円/月)
旅館密度 旅館営業施設数 ÷（総人口/10,000） C3801 / A1101 施設/万人
パネルデータとは 「横断面データ（複数の都道府県）」と「時系列データ（複数の年度）」を組み合わせたデータ構造。都道府県間の差異と、年度ごとの変化の両方を同時に分析できる。本分析では各年度のクロスセクション分析と全期間の集計を組み合わせた。

DS LEARNING POINT 1

環境指標の統計的測定：1人1日あたり排出量の計算と標準化

「ごみ総排出量」を都道府県間で比較するには、人口規模の違いを除去する必要がある。1人1日あたり排出量（g/人/日）は最も直感的な標準化指標だが、さらに統計分析のために変数を「標準化（z-score化）」すると、係数の大きさで変数の影響力を直接比較できる。

import pandas as pd, numpy as np # SSDSE-B 読み込み（cp932エンコーディング） df_raw = pd.read_csv('SSDSE-B-2026.csv', encoding='cp932', header=None) col_names = df_raw.iloc[1].tolist() # 2行目が変数名 df = df_raw.iloc[2:].reset_index(drop=True) df.columns = col_names # 数値型に変換 df['1人1日当たりの排出量'] = pd.to_numeric(df['1人1日当たりの排出量'], errors='coerce') # 派生変数：高齢化率 df['高齢化率'] = pd.to_numeric(df['65歳以上人口'], errors='coerce') \ / pd.to_numeric(df['総人口'], errors='coerce') * 100 # 標準化（z-score）：平均0、標準偏差1に変換 def standardize(s): return (s - s.mean()) / s.std() df22 = df[df['年度'] == '2022'].copy() df22['高齢化率_z'] = standardize(df22['高齢化率']) # 標準化後の係数は「説明変数が1標準偏差増加すると、 # ごみ排出量が何g増減するか」を直接示す
1
時系列トレンド：排出量とリサイクル率の推移

まず2012〜2023年度の全国平均（47都道府県の単純平均）でごみ排出量とリサイクル率がどのように推移したかを確認する。2つの指標を同時に示すために2軸グラフ（twinx）を使用した。

ごみ排出量とリサイクル率の時系列推移
図1：1人1日あたりごみ排出量（青線・左軸）とごみのリサイクル率（赤破線・右軸）の時系列推移（2012〜2023年度、47都道府県平均）。
📌 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。
時系列分析の主要な発見
  • ごみ排出量：2012年の約970 g/人/日から2023年の約912 g/人/日へ、12年間で約6%減少。一貫した下降トレンドを示す。
  • リサイクル率：2012年〜2017年頃に上昇し、その後やや横ばい〜微減の傾向。排出量の減少とリサイクル率の伸び悩みは、廃棄物政策の課題を示唆する。
  • 2020年のコロナ影響：外出自粛により在宅時間が増え、家庭ごみが増加した可能性がある。

DS LEARNING POINT 2

2軸グラフ（twinx）の作り方と解釈

単位や数値範囲が異なる2つの指標を同じグラフで比較するには、matplotlib の twinx() を使う。ただし「2軸グラフは読み手を誤解させやすい」という批判もある。右軸のスケール設定により見かけ上の相関が変わるため、凡例の色分けと軸ラベルの明示が必須。

import matplotlib.pyplot as plt fig, ax1 = plt.subplots(figsize=(9, 5)) ax2 = ax1.twinx() # ax1 と x軸を共有する第2のy軸 # 左軸：ごみ排出量 ax1.plot(years, gomi, color='#1565C0', linewidth=2.5, marker='o', label='1人1日排出量（g）') ax1.set_ylabel('排出量（g/人/日）', color='#1565C0') ax1.tick_params(axis='y', labelcolor='#1565C0') # 右軸：リサイクル率 ax2.plot(years, recycle, color='#C62828', linewidth=2.5, linestyle='--', marker='s', label='リサイクル率（%）') ax2.set_ylabel('リサイクル率（%）', color='#C62828') ax2.tick_params(axis='y', labelcolor='#C62828') # 凡例を1つにまとめる lines1, labels1 = ax1.get_legend_handles_labels() lines2, labels2 = ax2.get_legend_handles_labels() ax1.legend(lines1 + lines2, labels1 + labels2, loc='upper right') plt.tight_layout() plt.savefig('fig1_timeseries.png', dpi=150)
2
散布図：消費支出とごみ排出量の関係

消費水準とごみ排出量の関係を2022年度データで確認する。横軸に消費支出（対数変換）、縦軸にごみ排出量をとり、各点は都道府県を表す。地域ブロックによって色分けし、外れ値となる都道府県の識別も行った。

消費支出 vs ごみ排出量 散布図
図2：log（消費支出）とごみ排出量の散布図（2022年度・47都道府県）。色は地域ブロックを示す。回帰直線（灰色破線）の傾きは負（r=−0.285）。
📌 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。
指標値解釈
ピアソン相関係数 r −0.285 弱い負の相関：消費が高いほどやや排出量少
p値 0.052 有意水準5%でぎりぎり非有意（境界例）
観測数 N 47 都道府県数（標本小さく統計力が限定的）
環境クズネッツ曲線（EKC）との関係 相関係数が負（消費が高いほど排出量が少ない傾向）という結果は、「経済水準が一定以上になると環境負荷が減少する」という環境クズネッツ曲線（EKC）仮説と整合的である。ただし47都道府県のデータでは逆U字の「山」を識別するほどのバリエーションがなく、今後の追加検証が必要。
対数変換（log変換）の理由 消費支出は右に裾の長い分布（高支出の都道府県が少数ある）を示す。対数変換することで、分布を正規分布に近づけ、外れ値の影響を緩和できる。また「消費が1%増加したときの排出量変化」という解釈（弾力性）が自然に得られる。

DS LEARNING POINT 3

環境クズネッツ曲線（EKC）：消費水準と環境負荷の逆U字仮説

EKCは「経済成長の初期段階では環境負荷が増大するが、所得水準が十分高くなると環境改善が起きる」という仮説。都道府県間の所得格差が小さい日本では逆U字の「右側（下降部分）」のみ観察される可能性がある。二次曲線で検定するには消費支出の二乗項を追加する。

import numpy as np import statsmodels.api as sm from scipy import stats # 線形モデル（EKC未考慮） r, p = stats.pearsonr(log_consumption, gomi) print(f"線形相関: r={r:.3f}, p={p:.4f}") # EKC検定：二次項を追加 X_ekc = np.column_stack([ log_consumption, log_consumption ** 2 # 二次項：逆U字ならこれが負 ]) X_ekc = sm.add_constant(X_ekc) model_ekc = sm.OLS(gomi, X_ekc).fit() beta_sq = model_ekc.params[2] # 二次項係数 p_sq = model_ekc.pvalues[2] if beta_sq < 0 and p_sq < 0.05: print("EKC仮説を支持：消費水準と排出量は逆U字関係") elif beta_sq > 0 and p_sq < 0.05: print("U字関係：低消費域では排出量減、高消費域では増") else: print(f"EKC検定：非有意（β={beta_sq:.3f}, p={p_sq:.3f}）")
3
OLS回帰：ごみ排出量の決定要因

ごみ排出量（g/人/日）を目的変数として、高齢化率・消費支出（log）・旅館密度を説明変数とするOLS重回帰分析を2022年度データで実施した。各説明変数は標準化（z-score変換）し、係数の大きさを直接比較できるようにした。

Y_i = β₀ + β₁ × 高齢化率_z_i + β₂ × log消費支出_z_i + β₃ × 旅館密度_z_i + ε_i

Y: ごみ排出量（g/人/日）　　N = 47都道府県（2022年度）
OLS回帰係数プロット
図3：標準化OLS回帰係数と95%信頼区間。赤は有意（p<0.05）、灰色は非有意。R²=0.336。
📌 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 標準化係数 β p値 有意性 解釈
高齢化率（%） +32.7 0.000 *** 高齢化率が高い県ほどごみが多い（予想に反して正）
log消費支出（円） −4.3 0.618 n.s. 消費支出との関係は統計的に有意ではない
旅館密度（1万人対） +6.0 0.457 n.s. 観光地仮説も有意な支持が得られなかった
モデル全体：F検定 0.0005 *** モデル全体は有意（R²=0.336）
高齢化率が「正」という予想外の結果 高齢化率が高いほどごみ排出量が多いという結果は、当初の仮説（高齢者はごみが少ない）と逆である。この背景として考えられる要因：（1）高齢化が進む地域は農村部が多く、使い捨て包装の多いスーパーより地域商店が多い、（2）高齢者は家庭にいる時間が長く家庭ごみが多い、（3）農業・漁業由来の廃棄物が多い農村部との相関、などが挙げられる。交絡変数（confounding variable）の可能性を常に検討することが重要。
R²=0.336の解釈 決定係数R²=0.336 は「モデルがごみ排出量の分散の33.6%を説明できる」ことを意味する。3変数のみで約3分の1を説明できたが、残り約2/3は本モデルに含まれない要因（分別の文化・自治体の条例・廃棄物処理施設の整備状況など）による。

DS LEARNING POINT 4

廃棄物政策の効果評価：リサイクル率向上の要因分析

リサイクル率の向上は「廃棄物処理政策」と「住民の分別行動」の両方が絡む複雑な問題。統計分析で政策効果を評価する際には、「政策変数」（例：分別区分の数、収集頻度）を追加した分析や、政策変更前後の差分（difference-in-differences）が有効。都道府県レベルではリサイクル率の決定要因として「分別品目数」「焼却炉の有無」「住民教育の充実度」が先行研究で報告されている。

import statsmodels.api as sm import pandas as pd # 2022年クロスセクション回帰（標準化係数） def z_score(s): return (s - s.mean()) / s.std() df22 = df[df['年度'] == 2022].copy() df22['高齢化率_z'] = z_score(df22['高齢化率']) df22['消費支出_z'] = z_score(df22['消費支出_log']) df22['旅館密度_z'] = z_score(df22['旅館密度']) X = sm.add_constant(df22[['高齢化率_z', '消費支出_z', '旅館密度_z']]) y = df22['ごみ排出量_g'] model = sm.OLS(y, X).fit() print(model.summary()) # 係数の解釈： # β > 0 → その変数が大きいほどごみ増 # β < 0 → その変数が大きいほどごみ減 # |β| の大きさで影響力の強さを比較できる
4
都道府県別リサイクル率ランキング

2022年度のリサイクル率を都道府県別にランキング化し、地域ブロックごとに色分けして表示した。全国平均（18.2%）を基準線として、各都道府県の位置を視覚化する。

リサイクル率都道府県別ランキング
図4：2022年度ごみのリサイクル率 都道府県別ランキング。黄破線は全国平均（18.2%）。色は地域ブロックを示す。

ランキングの主要発見

順位都道府県リサイクル率特徴
1位（最高） 鳥取県 28.3% 中国地方：小規模・農村部でリサイクル意識が高い
2〜3位 福岡県・鹿児島県周辺 25%前後 九州地方に高率の県が集中する傾向
全国平均 18.2% 47都道府県の単純平均
最低 和歌山県 12.4% 近畿地方：リサイクル体制の整備状況が課題
地域ブロックによる傾向
  • 中国・四国：上位に複数の県が入る。農村型コミュニティでの分別意識の高さが要因か。
  • 九州・沖縄：上位から中位に分布。リサイクル施設の整備が進んでいる県が多い。
  • 関東：東京都を含む大都市圏は中位から下位。人口密度が高く分別の徹底が難しい側面がある。
  • 近畿：大阪府・和歌山県が下位に位置し、大都市圏特有の課題を示す。
リサイクル率格差の政策的含意 最高28.3%（鳥取県）と最低12.4%（和歌山県）の差は約15.9ポイント。これは「ごみ分別品目数」「資源ごみ収集頻度」「住民への環境教育」などの自治体間格差を反映していると考えられる。政策立案には、先進自治体の成功要因を他県へ移転するベンチマーキングが有効。

まとめと政策的含意

主要な発見事項

  1. ごみ排出量の長期減少トレンド（Fig1）： 2012〜2023年の12年間で1人1日あたり排出量は約6%減少。3Rの浸透と人口構造変化（少子高齢化）が背景にある。
  2. 消費支出との弱い負の相関（Fig2）： 消費水準が高い都道府県ほどごみがやや少ない傾向（r=−0.285, p=0.052）。EKC仮説と整合的だが、統計的有意性はギリギリの境界例。
  3. 高齢化率が最強の決定要因（Fig3）： OLS回帰では高齢化率のみが有意（p<0.001）。ただし係数は「正」（高齢化が進む県ほどごみ多）という予想外の結果。農村部との交絡が疑われる。
  4. リサイクル率の都道府県間格差（Fig4）： 鳥取県（28.3%）から和歌山県（12.4%）まで約16ポイントの格差。地域ブロックごとに傾向があり、政策や地域文化の差が反映されている可能性。
高校生の研究として評価されたポイント
  • 社会的に身近な「ごみ」問題を統計的手法で分析した点
  • 時系列・散布図・回帰・ランキングという複数のアプローチを組み合わせた総合分析
  • 仮説が支持されなかった場合も正直に示し、その理由を考察した点（科学的誠実さ）
  • 環境クズネッツ曲線という理論的枠組みを応用した点

今後の発展可能性

分析手法の発展
  • 固定効果モデル（都道府県固有効果を制御）
  • 差分の差分法（政策変更の効果評価）
  • EKC検定（二次項の追加）
  • 空間自己回帰モデル（隣接県の影響）
データの拡張
  • 分別品目数・収集頻度（自治体別）
  • 焼却炉・リサイクル施設数
  • 住民の環境意識調査データ
  • 一般廃棄物処理実態調査（環境省）
教育的価値（この分析から学べること）
  • ごみ排出量とリサイクル率：環境意識の代理指標として頻用される。所得・人口密度・政策との関係を分析できる。
  • EKC仮説：環境クズネッツ曲線。所得増→環境負荷は逆U字を描く。リサイクル率にも応用できる仮説。
  • 自治体政策の役割：分別ルール・有料化の有無で大きく変わる。政策のばらつきを活用した分析が可能。

データ・コードのダウンロード

分析スクリプト（2022_H5_16_shorei.py）
データ出典変数
SSDSE-B-2026（都道府県別社会経済統計） 統計数理研究所 H5609, H5610, H5614, A1101, A1303, L3221, C3801
ごみ総排出量（総量） 環境省 一般廃棄物処理実態調査（SSDSE-B 経由） H5609（トン/年）
1人1日当たりの排出量 環境省（SSDSE-B 経由） H5610（g/人/日）
ごみのリサイクル率 環境省（SSDSE-B 経由） H5614（%）
消費支出（二人以上の世帯） 総務省 家計調査（SSDSE-B 経由） L3221（円/月）

本教材は実データ（SSDSE-B-2026）のみを使用。合成データ（np.random等）は一切使用していない。

分析環境：Python 3.x, pandas, numpy, matplotlib, statsmodels, scipy

⚠️ 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
SDGs指標の地域比較：都道府県別の持続可能性スコア分析
次の論文 →
COVID-19が地域経済に与えた影響：消費支出・雇用指標の…