論文一覧に戻る 統計データ分析コンペ 教育用再現集
総務大臣賞（大学生・一般の部）
2022年度 統計データ分析コンペティション

パンデミックは人流をどう変えたか
―地域の特性別に―

⏱️ 推定読了時間: 約36分
大学生・一般の部 ｜ 2022年度
📝 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：SSDSE-B・延べ宿泊者数
  3. 時系列分析（2012〜2023年）
  4. 地域別（6区分）比較
  5. 重回帰分析：変化率の規定要因
  6. 変化率と説明変数の関係
  7. まとめ
  8. データ・コードのダウンロード
  9. 📥 データの準備
  10. 💼 実社会での応用
  11. ⚠️ よくある誤解
  12. 📖 用語集
  13. 📐 手法ガイド
  14. 🚀 発展の可能性
  15. 🎯 自分でやってみよう
  16. 🤔 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_U1_daijin.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_U1_daijin.py
図は html/figures/ に自動保存されます。
概
研究概要と背景

COVID-19パンデミックは日本全国の人流を激変させたが、その影響は地域によって大きく異なる。 観光地・都市部・農村部で落ち込み幅が異なるのはなぜか。 本研究は 延べ宿泊者数 を人流の代理変数として、コロナ前後の変化率を都道府県・地域別に定量化し、 地域の特性（気候・高齢化率・観光施設数等）が変化率に与える影響を重回帰分析で解明する。

まず「パンデミックは人流をどう変えたか―地域の特性別に―」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。

研究の問い（リサーチクエスチョン） パンデミックは日本の人流（延べ宿泊者数）をどれほど変えたか？ そして、その変化の大きさは地域のどのような特性によって説明できるか？
分析の流れ
SSDSE-B
47都道府県
2012〜2023年
→
期間別
平均を計算
変化率算出
→
時系列・
地域別
可視化
→
重回帰で
規定要因
を特定

SSDSE-B（都道府県） 時系列分析 地域別比較 重回帰分析（標準化係数） 代理変数（プロキシ）

データと変数：SSDSE-B・延べ宿泊者数

使用データ

項目内容
データセットSSDSE-B-2026（教育用標準データセット 都道府県版）
出典情報・システム研究機構（統計数理研究所）
対象47都道府県 × 2012〜2023年（12年間）
人流の代理変数延べ宿泊者数（変数コード: G7101）

比較期間の設定

分析では3期間を定義し、コロナ前との変化率で影響を定量化する。

期間対象年度意味
コロナ前 2018〜2019年（平均） パンデミック直前のベースライン
コロナ禍 2020〜2021年（平均） 緊急事態宣言・移動制限の影響期
回復期 2022〜2023年（平均） 規制緩和後の回復・正常化期

説明変数（重回帰に使用）

変数想定される効果選択理由
年平均気温正（観光地・南方ほど落ち込み大）気候依存型観光の代理
合計特殊出生率?地域活力・人口動態の指標
住宅地標準価格正（都市ほど回復力高い可能性）経済活力の代理
消費支出（世帯）正（消費余力が多いほど回復）地域の購買力
高齢化率負（高齢化が進む地域ほど人流回復遅い）人口構造の影響
有効求人倍率?（雇用環境と人流の関係）経済活動水準
旅館・ホテル施設数負（観光依存ほど落ち込み大）観光依存度の代理

DS LEARNING POINT 1

代理変数（プロキシ変数）とは

直接測定できない概念を、それと強く相関する別の変数で代替することを「代理変数（proxy variable）」の活用という。本研究では「人流」を直接測定する手段がないため、延べ宿泊者数をその代理変数として使用する。

代理変数を使う際の注意点：代理変数が真の概念を完全に捉えているわけではない（測定誤差の存在）。延べ宿泊者数は「旅行者の泊まりがけ移動」を捉えるが、日帰り・通勤等の人流は含まれない。

# 代理変数の計算例 # 延べ宿泊者数（万人）を人口千人あたりに標準化 df['宿泊者数_千人対'] = df['延べ宿泊者数'] / df['総人口'] * 1000 # 変化率の算出（コロナ前比） pre = df[df['年度'].isin([2018, 2019])].groupby('都道府県')['延べ宿泊者数'].mean() post = df[df['年度'].isin([2020, 2021])].groupby('都道府県')['延べ宿泊者数'].mean() chg = (post - pre) / pre * 100 # 変化率（%）
1
時系列分析（2012〜2023年）

まず延べ宿泊者数の全国平均値を2012年から2023年にかけて追い、COVID-19の影響がいつ・どの程度現れたかを視覚的に確認する。 背景色は3期間（コロナ前・コロナ禍・回復期）を示し、細線は各都道府県の推移、太線が全国平均を表す。

全国平均延べ宿泊者数の時系列推移（2012〜2023年）
図1：全国平均 延べ宿泊者数の時系列推移（2012〜2023年）。緑背景=コロナ前、赤背景=コロナ禍、青背景=回復期。細線は各都道府県、太線は全国平均。出典: SSDSE-B-2026（実データ）
📌 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。
2020年の急落：COVID-19の衝撃 全国平均の延べ宿泊者数は2020年に急落し、2019年比で大幅に減少した。緊急事態宣言・Go To トラベル停止等の政策的要因と、人々の自発的な移動自粛が重なった結果と考えられる。
2022〜2023年の回復 規制緩和・インバウンド再開・全国旅行支援等の政策効果もあり、2022年以降は回復傾向が顕著。ただし都道府県間でその回復速度は大きく異なる。

DS LEARNING POINT 2

時系列グラフの「読み方」：構造変化点を見つける

時系列データを分析する際は、まず折れ線グラフで「構造変化点（structural break）」を探す。COVID-19のような外生ショックは明確な変化点として現れる。

背景色による期間区分は、読み手が変化の「文脈」を理解しやすくする有効なビジュアライゼーション技法である。分析目的に応じて前後比較の「ベースライン期間」を明示することが重要。

import matplotlib.pyplot as plt fig, ax = plt.subplots(figsize=(11, 5.5)) # 背景色で期間を区分（視覚的文脈の提供） ax.axvspan(2017.5, 2019.5, color='#E8F5E9', alpha=0.7, label='コロナ前 (2018-2019)') ax.axvspan(2019.5, 2021.5, color='#FFEBEE', alpha=0.7, label='コロナ禍 (2020-2021)') ax.axvspan(2021.5, 2023.5, color='#E3F2FD', alpha=0.7, label='回復期 (2022-2023)') # 全国平均の太線 ax.plot(years, national_avg, color='black', linewidth=2.5, marker='o', markersize=5, label='全国平均', zorder=5)
2
地域別（6区分）比較

47都道府県を6つの地域ブロックに分類し、コロナ禍（2020〜2021年）・回復期（2022〜2023年）それぞれの変化率を比較する。 地域ブロック：北海道・東北 / 関東 / 中部 / 近畿 / 中国・四国 / 九州・沖縄

地域別（6区分）延べ宿泊者数の変化率比較
図2：地域別（6区分）延べ宿泊者数の変化率。左=コロナ禍（2020-2021 vs 2018-2019）、右=回復期（2022-2023 vs 2018-2019）。各区分は都道府県平均。出典: SSDSE-B-2026（実データ）
地域差が示す重要な事実 コロナ禍の変化率はすべての地域でマイナスだが、その落ち込み幅は地域によって大きく異なる。観光依存度が高い地域（例：沖縄を含む九州・沖縄、北海道・東北）では特に大きな落ち込みが見られる傾向がある。回復期においても地域間の格差が持続する可能性がある。

地域区分の設定ロジック

地域区分含まれる都道府県（例）特徴
北海道・東北北海道、青森、岩手、宮城…雪観光、農業、長距離移動
関東東京、神奈川、埼玉、千葉…都市・ビジネス移動中心
中部愛知、長野、新潟、岐阜…製造業・山岳・温泉観光
近畿大阪、京都、兵庫…インバウンド・歴史観光
中国・四国広島、岡山、愛媛…地方中枢都市・瀬戸内
九州・沖縄福岡、鹿児島、沖縄…リゾート・国際観光

DS LEARNING POINT 3

地域ダミー変数と集計分析：2つのアプローチ

地域特性を分析に組み込む方法は主に2つある。

①集計アプローチ（本図）：都道府県を地域ブロックにグループ化し、ブロック平均で比較する。直感的でわかりやすいが、ブロック内の分散が隠れる。

②ダミー変数アプローチ：回帰分析に地域ダミー変数を加え、地域固定効果をコントロールする。個体差を制御した上で他の要因の効果を推定できる。

# ①集計アプローチ region_mean = df.groupby('地域区分')['covid_chg'].mean() # ②ダミー変数アプローチ（回帰での地域固定効果） import pandas as pd region_dummies = pd.get_dummies(df['地域区分'], drop_first=True) X_with_region = pd.concat([X_continuous, region_dummies], axis=1) # → 地域効果をコントロールしたうえで他変数の効果を推定
3
重回帰分析：変化率の規定要因

コロナ禍における延べ宿泊者数の変化率（%）を目的変数とし、コロナ前（2018〜2019年平均）の都道府県特性を説明変数とする重回帰分析を実施する。 説明変数は標準化（平均0・標準偏差1）してから回帰するため、係数の大きさで効果の強さを直接比較できる。

コロナ禍変化率ᵢ = β₀ + β₁×年平均気温ᵢ + β₂×出生率ᵢ + β₃×住宅地価ᵢ
　　　　　　+ β₄×消費支出ᵢ + β₅×高齢化率ᵢ + β₆×求人倍率ᵢ + β₇×旅館施設数ᵢ + εᵢ

※ i = 都道府県（N=47）、説明変数はすべてコロナ前平均・標準化済み
重回帰 標準化偏回帰係数プロット
図3：コロナ禍 延べ宿泊者数変化率の規定要因（重回帰 標準化係数、95%CI付き）。濃色バー=p<0.05で有意、薄色バー=非有意。出典: SSDSE-B-2026（実データ）、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。
重回帰の結果の読み方
  • 係数（バーの長さ）：標準化済みなので、絶対値が大きいほど変化率への影響が強い
  • 係数の符号（正/負）：正 = 変化率が小さい（落ち込みが少ない）方向、負 = 落ち込みが大きい方向
  • 誤差バー（95%CI）：信頼区間が0をまたがない変数が統計的に有意（p<0.05）
標準化係数による変数間比較のポイント 観光地の代理変数である旅館・ホテル施設数が負の効果を示す場合、「観光依存度が高い都道府県ほどコロナ禍の宿泊者数落ち込みが大きかった」ことを意味する。一方、消費支出や求人倍率など経済活力の指標が正の効果を持つ場合、経済基盤が強い地域は相対的に落ち込みが小さかったと解釈できる。
4
変化率と説明変数の関係（散布図）

重回帰で統計的に有意だった主要4変数について、コロナ禍変化率との散布図を確認する。 各点は1都道府県を表し、色は地域区分に対応する。回帰直線と相関係数rも合わせて示す。

コロナ禍変化率 vs 主要説明変数の散布図
図4：コロナ禍 延べ宿泊者数変化率 vs 主要説明変数（p値の低い上位4変数）。各点=都道府県、色=地域区分。回帰直線とr値付き。出典: SSDSE-B-2026（実データ）
散布図から読み取れること
  • 都道府県名ラベルにより「どの都道府県が外れ値か」を直接確認できる
  • 色分けにより、地域ブロックごとの傾向（クラスター）が視覚的に把握できる
  • 単変量の相関関係（r値）と重回帰の偏回帰係数を比較することで、交絡の存在を確認できる

DS LEARNING POINT 4

差分分析（前後比較）の考え方とその注意点

本研究の変化率 = (コロナ禍平均 − コロナ前平均) / コロナ前平均 × 100 は、シンプルな差分分析（差の差法の片側）の考え方に基づく。

利点：個体（都道府県）ごとの固定的な差異（例：もともと観光地かどうか）が差分を取ることでキャンセルされ、COVID-19の「純粋な影響」に近い推計ができる。

注意点：コロナ前の期間選択（2018〜2019年）次第で結果が変わる可能性がある。また、コロナ以外の要因（台風・インバウンド政策変化など）との混同に注意が必要。

# 変化率（差分）の計算 def period_mean(df, years, col): return df[df['年度'].isin(years)].groupby('都道府県')[col].mean() pre_mean = period_mean(df, [2018, 2019], '延べ宿泊者数') covid_mean = period_mean(df, [2020, 2021], '延べ宿泊者数') rec_mean = period_mean(df, [2022, 2023], '延べ宿泊者数') # 変化率（%） = (後期 - 前期) / 前期 × 100 covid_chg = (covid_mean - pre_mean) / pre_mean * 100 rec_chg = (rec_mean - pre_mean) / pre_mean * 100 print(f"全国平均 コロナ禍変化率: {covid_chg.mean():.1f}%") print(f"全国平均 回復期変化率: {rec_chg.mean():.1f}%")

まとめ

主要な発見

SSDSE-B（47都道府県×2012〜2023年）の延べ宿泊者数を人流の代理変数として用いた時系列・地域別・重回帰分析の結果：

  1. 全国的な急落（2020年）： 全国平均の延べ宿泊者数はコロナ前（2018〜2019年）と比べコロナ禍（2020〜2021年）に大幅な落ち込みを記録した。
  2. 地域間の格差： 6地域ブロックで落ち込み幅は異なり、観光依存型の地域（旅館・ホテル施設数が多い都道府県）で特に大きな打撃を受ける傾向が見られた。
  3. 重回帰による規定要因の特定： 標準化係数プロットにより、変化率を強く説明する変数（観光施設数・経済活力指標等）が可視化された。 N=47と小さいため統計的検出力には限界があるが、変数間の効果量の比較が可能。
  4. 回復期（2022〜2023年）の動向： 規制緩和後の回復も地域間で格差があり、観光地と都市部で異なるパターンが確認された。
政策・実務への示唆 パンデミック対策や観光政策を立案する際、「地域の特性（観光依存度・高齢化率・経済活力）によって影響の大きさが異なる」ことを考慮した地域別戦略が有効である。 一律の対策ではなく、地域の文脈に応じた細かい政策設計が求められる。
分析の限界と今後の課題
  • N=47（都道府県）は重回帰分析として少なく、統計的検出力が低い（過検定の懸念）
  • 延べ宿泊者数は宿泊を伴う移動のみを捉え、日帰り・テレワーク移動等は含まれない
  • コロナ以外の外的要因（自然災害・政策変化など）との交絡の可能性
  • 市区町村レベルの細かい地域分析により、より精緻な知見が得られる可能性
教育的価値（この分析から学べること）
  • 人流データ：携帯位置情報やGPSから集計される移動量データ。COVID-19研究で一気に普及した。
  • 緊急事態宣言の効果検証：宣言期間とそれ以外を比較する『差分の差分法 (DiD)』が代表的な手法。
  • 自然実験：外生的政策変更（宣言・GoToキャンペーン等）は因果推論の絶好の機会。研究者が設計したわけではないが、効果を測れる。

データ・コードのダウンロード

分析スクリプト（2022_U1_daijin.py）
データ変数出典
SSDSE-B-2026 延べ宿泊者数、総人口、年平均気温、合計特殊出生率、住宅地価、消費支出、高齢化率関連、有効求人数・求職者数、旅館施設数 情報・システム研究機構「教育用標準データセット SSDSE-B」（都道府県統計）

本スクリプトは SSDSE-B の実データ（data/raw/SSDSE-B-2026.csv）を使用しています。 合成データ・乱数シードは使用していません。 データファイルは SSDSE 公式サイト から取得してください。

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 総務大臣賞（大学生・一般の部）｜ SSDSE-B 実データ使用

⚠️ 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。
↔️ 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
兵庫県の宝「いかなご」を守る
次の論文 →
社会保障政策と犯罪の関係