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 [高校生の部]
2022年度 統計データ分析コンペティション

健康寿命の地域差：
生活習慣・医療環境の重回帰分析

⏱️ 推定読了時間: 約36分
高校生の部 | 相関分析・OLS重回帰・地域比較・時系列分析
📝 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. 時系列分析：保健医療費比率の推移
  4. 相関分析：高齢化率 vs 保健医療費比率
  5. OLS重回帰分析
  6. 地域差分析：医療機関密度の分布
  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_H5_2_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_2_shorei.py
図は html/figures/ に自動保存されます。
概
研究概要と背景

日本は世界有数の長寿国でありながら、健康寿命（日常生活に制限のない期間）には都道府県間で最大3〜5年の差があることが知られている。本研究は、「なぜ健康寿命に地域差が生まれるのか」という問いに対し、生活習慣（食生活）・医療環境（医療機関密度）・高齢化の観点から重回帰分析を用いて実証的に迫った。

まず「健康寿命の地域差：生活習慣・医療環境の重回帰分析」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。

問題意識 健康寿命の都道府県格差は、医療費の地域差や介護需要に直結する。生活習慣や医療アクセスのどの要因が保健医療支出（医療依存度の代理）に影響しているかを統計的に明らかにすることで、地域の健康政策立案に資する知見を提供する。
分析の流れ
SSDSE-B
47都道府県
×12年
→
代理変数
設計
（比率化）
→
相関分析
時系列
地域比較
→
OLS
重回帰
分析

SSDSE-B 相関分析 OLS重回帰 地域比較 時系列分析

データと変数設計

使用データ

社会・人口統計体系（SSDSE-B-2026）の都道府県別パネルデータを使用。2012〜2023年度の12年間、47都道府県の計564観測を分析に用いた。

目的変数：保健医療費比率（医療依存度の代理）

健康寿命は直接データに収録されていないため、「保健医療費比率」を代理変数として設計した。

保健医療費比率（%）= 保健医療費（月） ÷ 消費支出（月） × 100
代理変数としての意味 保健医療費の消費支出に占める割合が高い都道府県は、慢性疾患の罹患率が高く医療サービスへの依存度が強い傾向があると解釈できる。これは「健康でないほど医療に多くを支出する」という仮定に基づく。

説明変数

変数コード変数名計算式・意味
A1303 / A1101 高齢化率（%） 65歳以上人口 ÷ 総人口 × 100。加齢による医療需要増加の代理。
L322101 / L3221 食料費割合（%） 食料費 ÷ 消費支出 × 100。食生活の豊かさ・エンゲル係数類似指標。
I510120 / A1101 医療機関密度（施設/万人） 一般病院数 ÷ 総人口 × 10,000。医療アクセスの代理。
log(L3221) 消費支出_log 消費支出の対数変換。所得水準・生活水準のコントロール変数。

DS LEARNING POINT 1

代理変数（Proxy Variable）の設計

直接測定が困難な概念（健康寿命）を、関連する観測可能な変数（保健医療費比率）で代替するのが代理変数のアイデア。重要なのは「代理変数が本来の概念と正の相関を持つという仮定が妥当か」を明示すること。

import pandas as pd import numpy as np # 代理変数の計算 df['保健医療費比率'] = ( df['保健医療費（二人以上の世帯）'] / df['消費支出（二人以上の世帯）'] * 100 ) # 説明変数も比率化・対数変換 df['高齢化率'] = df['65歳以上人口'] / df['総人口'] * 100 df['食料費割合'] = df['食料費（二人以上の世帯）'] / df['消費支出（二人以上の世帯）'] * 100 df['医療機関密度'] = df['一般病院数'] / df['総人口'] * 10000 df['消費支出_log'] = np.log(df['消費支出（二人以上の世帯）']) print(df[['保健医療費比率', '高齢化率', '医療機関密度']].describe())
1
時系列分析：保健医療費比率の推移

2012〜2023年度の12年間にわたる保健医療費比率の推移を地域ブロック別に可視化した。北海道・東北、九州・沖縄などの地方ブロックと、関東・中部・近畿などの大都市圏ブロックで傾向の違いを確認する。

保健医療費比率の時系列推移（地域ブロック別）
図1：地域ブロック別 保健医療費比率の推移（2012〜2023年度）。地域間の格差と経年変化を示す。
📌 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
  • 保健医療費比率は全地域で概ね上昇傾向にあり、人口高齢化の進行が背景と考えられる。
  • 地域ブロック間でも差異が見られ、特定のブロックで比率が高く推移している。
  • 2020年前後（コロナ禍）には受診控えの影響で一時的に変動する可能性がある。
地域ブロックの分類（本分析） 全47都道府県を6ブロックに分類した： 北海道・東北（7県）、関東（7都県）、中部（9県）、 近畿（7府県）、中国・四国（9県）、九州・沖縄（8県）。
2
相関分析：高齢化率 vs 保健医療費比率

2022年度の断面データを用いて、高齢化率と保健医療費比率の関係を地域ブロック別に色分けした散布図で可視化した。Pearson相関係数と有意性検定も実施している。

高齢化率 vs 保健医療費比率 散布図（2022年）
図2：高齢化率 vs 保健医療費比率の散布図（2022年度, 47都道府県）。各点は1都道府県を表し、地域ブロックで色分け。破線は全体の回帰直線。
📌 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。

相関分析結果（2022年度, n=47）

説明変数相関係数 rp値有意性解釈
高齢化率 -0.379 0.009 ** 高齢化率が高い県で比率が低い（後述で解説）
食料費割合 -0.103 0.492 n.s. 単純相関では有意差なし
医療機関密度 +0.014 0.924 n.s. 単純相関では有意差なし
消費支出_log +0.310 0.034 * 消費水準が高い県で医療費比率も高い
高齢化率と保健医療費比率の負の相関について 直感に反して「高齢化率が高い県では保健医療費比率が低い」という負の相関が現れた。これは「高齢化率が高い地方では、そもそも消費支出全体が少なく、医療費絶対額が少ないため比率が低下する」という交絡（Confounding）の可能性を示唆する。重回帰分析で他の変数をコントロールする必要がある。

DS LEARNING POINT 2

Pearson相関係数と無相関検定

相関係数は2変数の線形関係の強さと方向を示す（-1〜+1）。「統計的有意」と「実質的意義（効果量）」は別物であり、n=47では|r|≥0.29程度でp<0.05となる。符号（正負）の方向性も仮説と照合することが重要。

from scipy import stats # Pearson相関係数と有意性検定 x = df22['高齢化率'].values y = df22['保健医療費比率'].values r, p = stats.pearsonr(x, y) print(f"r = {r:.4f}, p = {p:.4f}") # Cohen (1988) 効果量基準 if abs(r) >= 0.5: effect = "大（Large）" elif abs(r) >= 0.3: effect = "中（Medium）" elif abs(r) >= 0.1: effect = "小（Small）" else: effect = "微小" print(f"効果量: {effect}") # 回帰直線のプロット from scipy.stats import linregress m, b, r_val, p_val, _ = linregress(x, y) print(f"回帰直線: y = {m:.4f}x + {b:.4f}")
3
OLS重回帰分析

4つの説明変数（高齢化率、食料費割合、医療機関密度、消費支出_log）を同時投入したOLS重回帰モデルを構築し、各変数の独立した効果を推定した。

保健医療費比率 = β₀ + β₁×高齢化率 + β₂×食料費割合
　　　　　　　　+ β₃×医療機関密度 + β₄×消費支出_log + ε
OLS回帰係数プロット
図3：OLS重回帰の標準化回帰係数（95%信頼区間付き）。赤は p<0.001、オレンジは p<0.05、グレーはn.s.。
📌 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。

回帰分析結果（2022年度, n=47）

変数標準化係数p値有意性解釈
高齢化率 -0.079（/1%） 0.005 ** 高齢化率↑→保健医療費比率↓（交絡の抑制後も有意）
食料費割合 -0.003 0.968 n.s. 他変数コントロール後は影響なし
医療機関密度 +0.695 0.047 * 病院が多い県で保健医療費比率が高い
消費支出_log +2.059 0.122 n.s. 単変量有意も多変量では消える（多重共線性の可能性）
モデル全体: R² = 0.271, 調整済みR² = 0.201, F = 3.90, p(F) = 0.009
重回帰結果の解釈
  • 高齢化率（負・有意）：他変数をコントロールした上でも有意な負の効果。これは「高齢化率が高い地域では医療費比率が下がる」という逆説的な構造を示し、絶対的な医療費ではなく「消費支出に占める割合」という代理変数の特性が影響している。
  • 医療機関密度（正・有意）：病院が多い地域では医療アクセスが良く、受診行動が活発なため保健医療費比率が高くなる「誘発需要」の可能性を示唆。
  • モデルの説明力（R²=0.27）：保健医療費比率の約27%を4変数で説明。残り73%はここに含まれない要因（生活習慣の詳細、遺伝、環境等）による。

DS LEARNING POINT 3

OLS重回帰の実装と標準化係数

非標準化係数は単位が異なる変数間の比較に不向き。標準化係数（各変数をz変換してから回帰）を使うと「どの変数が相対的に強く効いているか」を比較できる。statsmodels では手動でz変換してから回帰するのが一般的。

import statsmodels.api as sm # 非標準化 OLS X = sm.add_constant(df22[['高齢化率', '食料費割合', '医療機関密度', '消費支出_log']]) model = sm.OLS(df22['保健医療費比率'], X).fit() print(model.summary()) # 標準化係数の計算（z変換してから回帰） df_std = df22[x_cols + [y_col]].copy() for c in df_std.columns: df_std[c] = (df_std[c] - df_std[c].mean()) / df_std[c].std() X_std = sm.add_constant(df_std[x_cols]) model_std = sm.OLS(df_std[y_col], X_std).fit() # 標準化係数 + 95%信頼区間 coefs = model_std.params[x_cols] ci = model_std.conf_int().loc[x_cols] print(pd.DataFrame({'beta': coefs, 'CI_low': ci[0], 'CI_high': ci[1]}))
4
地域差分析：医療機関密度の分布

医療機関密度（一般病院数/総人口×1万）の地域ブロック別分布を箱ひげ図で可視化した。重回帰で有意な説明変数となった医療機関密度について、地域間でどのような格差があるかを確認する。

地域別 医療機関密度の箱ひげ図
図4：地域ブロック別 医療機関密度の分布（2012〜2023年度全データ）。各点は1都道府県×1年度のデータ。ジッタープロットを重ねて個別値も示す。
医療機関密度の地域差
  • 中国・四国ブロックや九州・沖縄ブロックでは医療機関密度が相対的に高い傾向がある。地方では人口当たりの病院数が多く維持される一方、関東などの大都市圏では人口が多いため密度が下がる。
  • 箱ひげ図の幅（IQR）が大きいブロックは、ブロック内の都道府県間格差も大きいことを示す。
  • 外れ値（ひげの外の点）は特殊な医療提供体制を持つ都道府県が該当する可能性がある。

DS LEARNING POINT 4

箱ひげ図とジッタープロットによる分布可視化

箱ひげ図は中央値・IQR・外れ値を一目で把握できる。ただしデータが少ない場合、個別値が見えないという欠点がある。ジッター（小さなランダム横ずれ）を加えた散布図を重ねることで、データ点の分布をより正確に伝えられる。

import matplotlib.pyplot as plt import numpy as np fig, ax = plt.subplots(figsize=(11, 6)) data_by_region = [df_b[df_b['地域ブロック'] == r]['医療機関密度'].dropna().values for r in REGION_ORDER] # 箱ひげ図（patch_artist=True で塗りつぶし） bp = ax.boxplot(data_by_region, labels=REGION_ORDER, patch_artist=True, medianprops=dict(color='white', linewidth=2.5)) # 色の設定 for patch, color in zip(bp['boxes'], colors): patch.set_facecolor(color) patch.set_alpha(0.78) # ジッタープロットを重ねる（個別値の可視化） for i, (vals, color) in enumerate(zip(data_by_region, colors)): rng = np.random.default_rng(42) jitter = rng.uniform(-0.18, 0.18, size=len(vals)) ax.scatter(np.full(len(vals), i+1) + jitter, vals, color=color, alpha=0.45, s=20, zorder=3) plt.tight_layout() plt.savefig('fig4_boxplot.png', dpi=150)

まとめと政策的示唆

主要な発見

SSDSE-B（都道府県別パネルデータ, 2012〜2023年度）を用いた保健医療費比率の分析から、以下が明らかになった：

  1. 高齢化率（負の効果）：他変数コントロール後も有意（p=0.005）。保健医療費の「比率」という代理変数の特性上、消費支出全体が大きい地域では比率が低くなるメカニズムが働いている可能性がある。
  2. 医療機関密度（正の効果）：病院が多い地域（人口当たり）では保健医療費比率が有意に高い（p=0.047）。医療アクセスの良さが受診行動を促進する「誘発需要」のメカニズムを示唆する。
  3. 食料費割合は有意でない：食生活の豊かさ指標は、保健医療費比率への単独効果は確認できなかった。より詳細な食習慣データの活用が今後の課題。
  4. モデルの限界（R²=0.27）：4変数で説明できるのは分散の約27%。喫煙率・運動習慣・気候など未観測の交絡因子を追加した分析が必要。
政策的示唆 医療機関密度が保健医療費比率に正の影響を持つことは、単に「病院を増やせば医療費が上がる」だけでなく、「医療アクセス格差の是正が健康行動を変える」という両面的な解釈が必要。地域の健康格差縮小には、医療施設の量的整備と同時に、住民の健康リテラシー向上や予防施策の充実が求められる。
高校生論文としての評価ポイント
  • 「健康寿命」という公衆衛生上の重要テーマを、公開統計データで実証的に分析しようとした着眼点が高く評価された。
  • 直接測定できない概念を代理変数で近似する工夫は、実際の研究でも頻繁に用いられる手法である。
  • 相関分析から重回帰分析へと段階的に進める分析フローが論理的に構成されている。
教育的価値（この分析から学べること）
  • 健康寿命：『日常的に介護を必要としない期間』を示す指標。平均寿命より重要視されつつある。
  • 生活習慣の地域差：食塩摂取・運動習慣・喫煙率など生活習慣の県差は大きく、健康寿命の格差を説明する主要因。
  • 交絡の制御：医療資源が多い県は健康寿命も長いが、医療資源だけが原因ではない。所得・教育などを同時に制御する重回帰が必要。

データ・コードのダウンロード

分析スクリプト（2022_H5_2_shorei.py）
データ・リソース出典・説明
SSDSE-B-2026（都道府県別データ） 統計数理研究所 SSDSE（社会・人口統計体系）。47都道府県×12年度のパネルデータ。
L322106 保健医療費（二人以上の世帯） 家計調査（総務省統計局）。月間保健医療費支出（円）。
I510120 一般病院数 医療施設調査（厚生労働省）。病床20床以上の一般病院の施設数。
A1303 65歳以上人口 / A1101 総人口 国勢調査・人口推計（総務省統計局）。

本教育用コードは SSDSE-B-2026.csv の実データを使用しています。合成データは一切使用していません。

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] ｜ 健康寿命の地域差：生活習慣・医療環境の重回帰分析

⚠️ 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。
📅 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
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
次の論文 →
気象条件と地域経済：降水量・気温が消費行動に与える影響