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

観光業と地域経済
延べ宿泊者数が消費支出に与える影響

⏱️ 推定読了時間: 約39分
Tourism and the Regional Economy: How Overnight Stays Affect Consumption
高校生の部 | 都道府県データ（SSDSE-B） | 2012〜2022年
📝 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：COVID-19の衝撃と回復
  4. 散布図分析：宿泊密度と消費支出
  5. OLS回帰：消費支出の決定要因
  6. 外国人比率の地域比較
  7. まとめと政策含意
  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_5_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_5_shorei.py
図は html/figures/ に自動保存されます。
概
研究概要と背景

観光業は「地域経済の起爆剤」と言われる。旅行者が宿泊施設・飲食店・土産店などにお金を使うことで、地域の消費が活性化し、雇用が生まれ、所得が増える。これを観光の乗数効果（Tourism Multiplier Effect）という。本研究は、都道府県レベルの延べ宿泊者数が消費支出に与える影響を統計的に分析した。

まず「観光業と地域経済延べ宿泊者数が消費支出に与える影響」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。

2020〜2021年はCOVID-19により宿泊者数が急減した。この「観光業の外生的ショック」は、観光と地域経済の因果関係を検証する自然実験（Natural Experiment）の機会ともなった。

リサーチクエスチョン 延べ宿泊者数（観光強度）は都道府県の消費支出水準を押し上げるか？ 外国人旅行者（インバウンド需要）はどの地域で特に重要か？ COVID-19による宿泊者数の急減は消費支出にどう影響したか？
分析の流れ
SSDSE-B
都道府県
2012〜2022年
→
指標設計
（宿泊密度
外国人比率）
→
時系列
分析
（COVID影響）
→
OLS回帰
（2022年）

相関分析 OLS回帰 時系列分析 パネルデータ インバウンド需要

データと変数設計

使用データ：SSDSE-B（都道府県データ）

統計数理研究所が公開するSSDSE-B（社会・人口統計体系、都道府県版）を使用。2012〜2022年の47都道府県、合計517件のパネルデータ（都道府県×年度）。

47
都道府県
2012〜2022
分析年度範囲

原変数と派生指標

指標名 定義式 SSDSE-B列名 役割
消費支出_万円 消費支出（二人以上の世帯）÷ 10000 L3221 目的変数（万円/月）
宿泊密度 延べ宿泊者数 ÷ 総人口 G7101, A1101 観光強度（主要説明変数）
外国人比率（%） 外国人延べ宿泊者数 ÷ 延べ宿泊者数 × 100 G7102, G7101 インバウンド需要の強さ
旅館密度 旅館営業施設数 ÷ 総人口 × 10000 C3801, A1101 観光インフラの充実度
高齢化率（%） 65歳以上人口 ÷ 総人口 × 100 A1303, A1101 人口構造のコントロール変数
人口比による標準化の意義 東京都と鳥取県では総人口が20倍以上異なる。延べ宿泊者数の絶対値を比較すると大都市が常に有利になるため、総人口で割った「宿泊密度」を用いて都道府県間を公平に比較する。これは「人口あたり指標」による標準化（Normalization）である。

DS LEARNING POINT 4

宿泊密度指標の設計：人口比による標準化の意味

異なるスケールの地域を比較するとき、絶対値ではなく「人口1人あたり」や「面積あたり」の指標を使うことが重要。これをNormalization（正規化・標準化）という。

# 宿泊密度 = 延べ宿泊者数 / 総人口 （観光強度の指標） df['宿泊密度'] = df['G7101'] / df['A1101'].clip(1) # 旅館密度 = 旅館数 / 総人口 × 10000（万人あたり旅館数） df['旅館密度'] = df['C3801'] / df['A1101'].clip(1) * 10000 # 高齢化率 = 65歳以上 / 総人口 × 100（%） df['高齢化率'] = df['A1303'] / df['A1101'].clip(1) * 100 # 比較：東京都2022年 # 延べ宿泊者数 ≈ 5,500万人泊 → 宿泊密度 ≈ 3.97 # 北海道2022年 # 延べ宿泊者数 ≈ 2,466万人泊 → 宿泊密度 ≈ 4.80 # 絶対値では東京>北海道、密度では北海道>東京 print("宿泊密度 = 延べ宿泊者数 ÷ 総人口") print("→ 人口に対して何人の宿泊者が訪れるかを表す観光強度指標")
1
時系列分析：COVID-19の衝撃と回復

2012年から2019年にかけて、日本全体の延べ宿泊者数は増加傾向にあった。訪日外国人（インバウンド）の急増が主な要因である。しかし2020年のCOVID-19感染拡大により、宿泊者数は約半減するという歴史的な急落を経験した。

延べ宿泊者数の時系列推移（地方別）
図1：延べ宿泊者数の時系列推移（地方別, 2012〜2023年）。赤シェード部分がCOVID-19急減期（2020〜2021年）。
📌 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。

観察できる主な特徴

COVID-19による2019→2020年の変化（全国合計、参考値） 国内の延べ宿泊者数は2019年の約5.9億人泊から、2020年には約3.4億人泊へと約42%の急減を記録。 特に都市型・観光型の地域ほど打撃が大きく、地方によって回復速度に差異が見られた。

DS LEARNING POINT 2

COVID-19を自然実験として使う発想：差の差推定の基礎

「自然実験（Natural Experiment）」とは、研究者が操作しない外生的ショックを、あたかも実験の「処置」として使う分析手法である。COVID-19による観光業の急落は典型的な自然実験と見なせる。

「差の差推定（Difference-in-Differences, DiD）」は、ショックの影響を「ショック前後の変化量の差」で測る方法。観光依存度が高い都道府県（処置群）と低い都道府県（対照群）に分けて比較する。

# 差の差推定の考え方（概念コード） # 観光依存度による都道府県分類 median_tourism = df_2019['宿泊密度'].median() df['処置群'] = (df['宿泊密度_2019'] > median_tourism).astype(int) # 高観光依存 # 時間ダミー（2020年以降 = 1） df['post_covid'] = (df['年度'] >= 2020).astype(int) # DiD推定式: # 消費支出 = β0 + β1×処置群 + β2×post_covid # + β3×（処置群×post_covid） + ε # # β3 が「差の差」推定量（処置効果） # β3 < 0 → 観光依存度が高い地域でCOVID後に消費支出が相対的に大きく減少 import statsmodels.formula.api as smf # did_model = smf.ols( # '消費支出_万円 ~ 処置群 + post_covid + 処置群:post_covid', # data=df_panel # ).fit() print("DiD推定: β3 = 処置群×post_covidの交差項係数") print("β3 < 0 → 観光依存度が高い地域ほどCOVID後の消費減少が大きい")
2
散布図分析：宿泊密度と消費支出（2022年）

2022年データを用いて、都道府県別の宿泊密度（観光強度）と消費支出の関係を散布図で可視化する。点の色は外国人宿泊比率を表し、インバウンドの影響も同時に把握できる。

宿泊密度と消費支出の散布図（2022年）
図2：宿泊密度（横軸）と消費支出（縦軸）の関係（2022年、47都道府県）。点の色は外国人延べ宿泊比率。

散布図の読み方

右上の都道府県（高宿泊密度・高消費） 長野県・山梨県・石川県など観光地として確立した地域。高原リゾートや温泉地として知られ、一人あたりの観光消費が高い。
左上（低宿泊密度・高消費） 神奈川県・東京都などの大都市圏。宿泊者数よりも高い所得水準が消費を押し上げる傾向が見られる。
相関係数の解釈に注意 宿泊密度と消費支出の相関係数は r ≈ −0.28（2022年）と弱い負の相関を示す。 これは「観光が消費を押し下げる」という意味ではなく、高齢化率・都市化・所得水準などの交絡因子（Confounders）が存在するためと考えられる。多変量回帰で交絡をコントロールすることが必要。
3
OLS回帰：消費支出の決定要因（2022年）

宿泊密度・外国人比率・旅館密度・高齢化率を説明変数とし、消費支出を目的変数とするOLS（最小二乗法）重回帰分析を実施する。係数は解釈しやすいよう標準化（平均0・標準偏差1）してから推定する。

消費支出_万円 = β₀ + β₁×宿泊密度* + β₂×外国人比率* + β₃×旅館密度* + β₄×高齢化率* + ε

＊は標準化済み（z-score）変数。係数βは「1標準偏差の変化に対する消費支出の変化量（万円）」
OLS回帰係数プロット
図3：消費支出のOLS回帰係数（2022年, N=47都道府県）。エラーバーは±1.96SE（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。

推定結果のまとめ

変数 係数（標準化） p値 解釈
宿泊密度 −0.577 0.189 非有意（交絡の影響）
外国人比率 +0.007 0.985 非有意
旅館密度 −0.118 0.779 非有意
高齢化率 −0.767 0.019* 有意に負（高齢化が消費を抑制）
発見：高齢化率の抑制効果 47都道府県の2022年データでは、宿泊密度よりも高齢化率が消費支出に有意な負の影響（β＝−0.767, p=0.019）を持つ。高齢者は貯蓄・医療費が中心となり、旅行・飲食などの消費が相対的に少ない傾向があり、地域の観光消費を測る際に年齢構成のコントロールが重要であることを示す。
モデルの限界（R²=0.25） 全体の説明力は R²=0.25 と中程度。観光変数だけで消費支出の分散を説明するのは難しく、所得・雇用・産業構造などの変数を追加するか、複数年度のパネルデータ分析を行うことで精度が向上する可能性がある。

DS LEARNING POINT 1

観光の乗数効果：経済波及効果の概念と統計的測定

観光客が1万円使うと、受け取った宿泊業者・飲食店はその一部を仕入れや人件費に使い、さらにその受け取り手が消費を行う……この連鎖を「乗数効果（Multiplier Effect）」という。

統計的に乗数効果を測るには、観光支出を説明変数、地域のGDPや消費支出を目的変数としたOLS回帰が基本。ただし観光需要自体が地域の豊かさに影響されるため（同時性バイアス）、操作変数法やパネル分析での対処が必要になる。

import statsmodels.api as sm # OLS回帰（2022年, 47都道府県） # 目的変数: 消費支出_万円 # 説明変数: 宿泊密度, 外国人比率, 旅館密度, 高齢化率（全て標準化） X_std = (X - X.mean(axis=0)) / X.std(axis=0) # 標準化 X_with_const = sm.add_constant(X_std) model = sm.OLS(y, X_with_const).fit() print(model.summary()) # 係数の解釈: 宿泊密度が1標準偏差増加すると消費支出が何万円変化するか # 標準化係数はそのまま各変数の「相対的な影響力」の比較に使える # 観光の乗数効果の推定（簡易） beta_lodging = model.params['宿泊密度'] print(f"宿泊密度1SD増加 → 消費支出 {beta_lodging:.3f}万円/月の変化") print(f"（注: 交絡要因がある場合は因果解釈不可。パネル分析が必要）")
4
外国人比率の地域比較：インバウンド需要の定量化

COVID-19は国内旅行と外国人旅行に異なる影響を与えた。入国制限により外国人宿泊者はほぼゼロになり（2021年）、その後の回復速度も地域によって大きく異なる。2019年（コロナ前）と2022年（回復期）を比較することで、各都道府県のインバウンド依存度の変化が明確になる。

外国人宿泊比率のランキング（2019年 vs 2022年）
図4：外国人延べ宿泊比率の都道府県別ランキング（上位20都道府県）。2019年基準でソート。青=2019年（コロナ前）、橙=2022年（回復期）。

地域別インバウンドの特徴

2019年コロナ前のインバウンド強豪地域 東京・大阪・京都などの大都市観光地に加え、北海道・沖縄・長野などのリゾート地でも外国人比率が高かった。特にスキーリゾートや温泉地は欧米・豪州からの富裕層旅行者に人気が高い。
2021年の外国人比率の崩壊と2022年の不完全回復 2021年は入国制限によりほぼ全ての地域で外国人比率が1%以下に。2022年は10月の水際緩和以降、徐々に回復したが、2019年水準には戻っていない地域が多い。特にアジア系旅行者が多かった都市部ほど回復が早い傾向が見られる。

DS LEARNING POINT 3

外国人比率の計算と解釈：インバウンド需要の定量化

「インバウンド需要の強さ」を表す指標として、外国人延べ宿泊者数を全延べ宿泊者数で割った「外国人比率」を使う。この指標により都道府県間の比較が可能になる。

外国人旅行者は国内旅行者より一般的に消費単価が高い傾向があるため、外国人比率が高い地域では宿泊業・飲食業の売上への波及効果も大きい可能性がある。

# 外国人比率 = 外国人延べ宿泊者数 / 延べ宿泊者数 × 100 df['外国人比率'] = df['G7102'] / df['G7101'].clip(1) * 100 # コロナ前後の比較 df_compare = pd.merge( df_2019[['都道府県', '外国人比率']].rename( columns={'外国人比率': '外国人比率_2019'}), df_2022[['都道府県', '外国人比率']].rename( columns={'外国人比率': '外国人比率_2022'}), on='都道府県' ) # 回復率 = 2022年 / 2019年 df_compare['回復率'] = df_compare['外国人比率_2022'] / \ df_compare['外国人比率_2019'].clip(0.001) * 100 print("外国人比率の回復率（2022/2019）:") print(df_compare.sort_values('回復率', ascending=False).head(10)[ ['都道府県', '外国人比率_2019', '外国人比率_2022', '回復率'] ].to_string(index=False))

まとめと政策含意

主要な発見

  1. 宿泊者数とCOVID-19（図1）： 2020〜2021年に全地方で延べ宿泊者数が急減し、特に外国人宿泊者が壊滅的に減少した。この時系列変化は、観光業が外部ショックに対して脆弱であることを示す。
  2. 宿泊密度と消費支出（図2）： 宿泊密度と消費支出の単純相関は弱い（r ≈ −0.28）。高齢化率・都市規模・所得水準などの交絡因子が大きく、観光の影響を単純な2変量相関で測ることには限界がある。
  3. OLS回帰の結果（図3）： 多変量回帰では高齢化率が最も有意な説明変数（β=−0.77, p=0.019）となり、観光変数（宿泊密度・外国人比率・旅館密度）はいずれも非有意であった。交絡のコントロールの重要性が確認された。
  4. 外国人比率の地域差（図4）： 2019年時点で外国人比率が高かった地域（東京・大阪・長野・北海道など）でも、2022年時点では回復が不完全。インバウンドに依存した観光産業の脆弱性と回復の地域差が明らかになった。
政策への示唆 観光業が地域経済に与える影響は、単純な宿泊者数の増加だけでは測れない。高齢化率のような構造的要因をコントロールしたうえで、観光消費の質（外国人旅行者の高単価消費、滞在期間の延長など）を高める政策が有効と考えられる。また、COVID-19のような外生的ショックへの備えとして、インバウンド依存度と国内需要のバランスを意識した観光戦略が重要である。
分析手法の発展的課題
  • パネルデータ分析（固定効果・変量効果モデル）で時系列の変動も活用する
  • 差の差推定（DiD）によるCOVID-19の因果効果の推定
  • 操作変数法（IV）による宿泊者数の内生性への対処
  • 地域間の空間的相関（空間計量経済学）の検討
教育的価値（この分析から学べること）
  • 観光業の経済効果：宿泊者数は地域消費・雇用に直結する重要指標。インバウンドと国内観光で性質が異なる。
  • 外生ショックの影響：コロナ前後の宿泊者数を見ることで『観光依存型経済』の脆弱性が定量的に分かる。
  • 乗数効果の考え方：宿泊1泊が周辺消費（食事・土産・交通）を生む効果を計算する『経済波及効果』の入門になる。

データ・コードのダウンロード

分析スクリプト（2022_H5_5_shorei.py）
データ変数名（SSDSE-B）出典
延べ宿泊者数G7101観光庁 宿泊旅行統計調査（SSDSE-B経由）
外国人延べ宿泊者数G7102観光庁 宿泊旅行統計調査（SSDSE-B経由）
消費支出（二人以上の世帯）L3221総務省 家計調査（SSDSE-B経由）
旅館営業施設数（ホテルを含む）C3801厚生労働省 衛生行政報告例（SSDSE-B経由）
総人口・65歳以上人口A1101, A1303総務省 住民基本台帳（SSDSE-B経由）

本教育用コードはSSDSE-B-2026.csv（実公的データ）のみを使用。合成データ（np.random.seed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）
観光業と地域経済：延べ宿泊者数が消費支出に与える影響

⚠️ 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。
🌿 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。
🎯 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
食料費支出と健康：都道府県別食生活指標の回帰分析
次の論文 →
高齢化と医療費：都道府県別パネルデータによる要因分析