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 統計数理賞 ｜ 大学生・一般の部
統計数理賞（大学生・一般の部）

リサイクル活動に対する地域・政策要因の研究

⏱️ 推定読了時間: 約37分
-主成分分析・階層的クラスタリングを用いた市町村別分析-
2022年度 統計データ分析コンペティション
📝 3行で分かる要約

目次

  1. 研究背景と概要
  2. データと変数
  3. 相関分析（ヒートマップ）
  4. 主成分分析（PCA）
  5. Ward法 階層的クラスタリング
  6. クラスター別プロファイルと解釈
  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_U3_suri.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_U3_suri.py
図は html/figures/ に自動保存されます。
概
研究背景と概要

日本では「循環型社会形成推進基本法」のもとごみのリサイクル推進が重要政策とされているが、都道府県・市町村レベルでリサイクル率には大きなばらつきが存在する。本研究は 47 都道府県の 2022 年度データを用い、どのような地域・政策要因がリサイクル率の高低を説明するかを多変量統計手法で探索した。

まず「リサイクル活動に対する地域・政策要因の研究」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。

なぜリサイクル率に差が生まれるのか？ リサイクル率はごみの分別回収体制・自治体の施策・住民意識・人口構成・消費行動など複合的要因に規定される。単純な相関分析だけでなく、変数間の構造を次元削減（PCA）で把握し、都道府県を類型化（クラスタリング）することで政策立案に役立つパターンを抽出する。
分析の流れ
SSDSE-B
47都道府県
2022年度
→
相関分析
ヒートマップ
→
PCA
バイプロット
寄与率
→
Ward法
階層的
クラスタリング
→
クラスター別
プロファイル
解釈

SSDSE-B 主成分分析 Ward法クラスタリング リサイクル率分析 政策要因

データと変数

データソース

統計数理研究所 SSDSE（社会・人口統計体系）の都道府県別データ SSDSE-B-2026 から 2022 年度の 47 都道府県分を抽出して使用した。

項目内容
データソースSSDSE-B-2026（統計数理研究所）
対象年度2022 年度
観測単位47 都道府県
目的変数ごみのリサイクル率（%）

分析変数一覧

変数（短縮名）元の変数名カテゴリ
ごみ総排出量ごみ総排出量（総量）廃棄物
1人1日排出量1人1日当たりの排出量廃棄物
消費支出消費支出（二人以上の世帯）消費
食料費食料費（二人以上の世帯）消費
光熱・水道費光熱・水道費（二人以上の世帯）消費
教養娯楽費教養娯楽費（二人以上の世帯）消費
年平均気温年平均気温気候
高齢化率65歳以上人口 / 総人口（計算値）人口
高齢化率の計算 SSDSE-B の「65歳以上人口」と「総人口」から高齢化率 = 65歳以上人口 / 総人口 × 100として計算した派生変数。高齢化率はごみ排出量やリサイクル意識と相関する可能性がある。

分析前に全説明変数を StandardScaler で標準化（平均0・標準偏差1）し、変数間のスケール差を除去した上で PCA とクラスタリングを実施した。

1
相関分析（ヒートマップ）

リサイクル率・ごみ関連変数・消費支出系変数・気候・人口変数の間の相関係数を行列で可視化した。

相関係数行列ヒートマップ
図1：相関係数行列ヒートマップ（2022年度 47都道府県・SSDSE-B）。赤系が正の相関、青系が負の相関を示す。数値はセル内に表示。
📌 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。
リサイクル率との相関の読み方
  • 消費支出・教養娯楽費などと正の相関 → 生活水準が高い都道府県ほどリサイクルに取り組む傾向
  • ごみ総排出量・1人1日排出量と負の相関 → 排出量が少ないほどリサイクル率が高い可能性
  • 高齢化率・年平均気温との関係 → 地域特性がリサイクル行動に影響
ヒートマップの注意点 N=47 は小標本のため、相関係数が大きくても偶然変動の可能性がある。また変数間に多重共線性（消費支出系変数同士の強い正相関など）が見られ、これが PCA を用いる動機となる。
2
主成分分析（PCA）

標準化した 8 変数に対して主成分分析を実施し、PC1・PC2 の バイプロット と各主成分の 寄与率・累積寄与率 を可視化した。

PCA バイプロット・寄与率
図2：PCA バイプロット（左）と主成分の寄与率・累積寄与率（右）。左図の矢印は各変数の因子負荷量ベクトル（赤）、点は47都道府県のスコア（クラスター色）。
📌 この主成分散布図の読み方
このグラフは
主成分分析で抽出した第1・第2主成分を軸に、各サンプルを点で描いたグラフ。
読み方
点の位置が近いサンプルほど元の変数プロフィールが似ている。軸の端に位置するサンプルが強い特徴を持つ。
なぜそう解釈できるか
矢印（バイプロット）が付いている場合、矢印の向きが「その変数が影響する方向」。矢印が長いほど主成分への寄与が大きい。

PCA の結果の読み方

主成分解釈（負荷量が高い変数）寄与率の目安
PC1消費支出・ごみ排出量・生活規模系（都市規模・豊かさ軸）最大（第1成分）
PC2気温・高齢化率など PC1 と直交する軸（地域特性軸）第2成分
PC1+PC2 累積2成分でデータの分散をどの程度説明できるか目安：70〜80%以上が望ましい
バイプロットの読み方
  • 矢印の方向：その変数と主成分軸の関係（矢印が右を向けば PC1 で高スコア）
  • 矢印の長さ：その変数が主成分空間でどれだけ情報を持つかの指標
  • 矢印の角度が近い変数：正の相関関係にある（例：消費支出と食料費）
  • 矢印が反対方向の変数：負の相関関係にある
  • 点（都道府県）の位置：その都道府県の主成分スコア——近い点は似た特徴を持つ

DS LEARNING POINT 1

PCAの仕組み・固有値・寄与率

PCA（主成分分析）は高次元データの分散を最大化する方向（主成分）を順番に求める次元削減手法。共分散行列の固有値分解によって実装される。

  • 固有値（eigenvalue）：各主成分が説明する分散の大きさ。第1固有値が最大
  • 寄与率：固有値 / 全固有値の和（= その成分が全分散の何%を説明するか）
  • 累積寄与率：PC1〜PCk の寄与率の和——「何成分で十分か」の判断基準（70〜80%超が目安）
  • 因子負荷量（loadings）：各変数が各主成分にどの程度寄与するか
from sklearn.preprocessing import StandardScaler from sklearn.decomposition import PCA # 標準化（スケール差を除去） scaler = StandardScaler() X_scaled = scaler.fit_transform(X_raw) # PCA 実施 pca = PCA() pca.fit(X_scaled) # 固有値・寄与率・累積寄与率 eigenvalues = pca.explained_variance_ # 固有値 exp_ratio = pca.explained_variance_ratio_ # 寄与率 cumulative = exp_ratio.cumsum() # 累積寄与率 loadings = pca.components_ # 因子負荷量 shape:(n_comp, n_feat) for i in range(4): print(f"PC{i+1}: 固有値={eigenvalues[i]:.3f}, " f"寄与率={exp_ratio[i]*100:.1f}%, " f"累積={cumulative[i]*100:.1f}%")

DS LEARNING POINT 2

バイプロットの読み方

バイプロット（biplot）はサンプル（点）と変数（矢印）を同一グラフに重ね描きする可視化手法。変数間の関係とサンプルの分布を一度に把握できる。

  • 矢印の向き・長さ：因子負荷量をベクトルとして描画。長さが長いほど主成分軸への貢献大
  • 矢印間の角度：小さいほど正相関、180°に近いほど負相関、90°は無相関
  • サンプルと矢印の位置関係：矢印方向にあるサンプルはその変数が高い値を持つ
import matplotlib.pyplot as plt fig, ax = plt.subplots(figsize=(8, 6)) # サンプルのスコアを散布図 X_pca = pca.transform(X_scaled) ax.scatter(X_pca[:, 0], X_pca[:, 1], alpha=0.7) # 変数の矢印（因子負荷量） scale = 2.5 for j, feat in enumerate(feature_names): ax.annotate('', xy=(loadings[0,j]*scale, loadings[1,j]*scale), xytext=(0, 0), arrowprops=dict(arrowstyle='->', color='red', lw=1.5)) ax.text(loadings[0,j]*scale*1.12, loadings[1,j]*scale*1.12, feat, fontsize=8, color='red', fontweight='bold') ax.set_xlabel(f'PC1 ({exp_ratio[0]*100:.1f}%)') ax.set_ylabel(f'PC2 ({exp_ratio[1]*100:.1f}%)') ax.set_title('PCA バイプロット')
3
Ward法 階層的クラスタリング

標準化した 8 変数を用いて 47 都道府県を Ward 法による階層的クラスタリング で分類した。デンドログラムのカット高さを検討し、k=4 クラスターを採用した。

Ward法デンドログラム
図3：Ward法 階層的クラスタリング デンドログラム（47都道府県）。赤の破線がk=4のカット高さ。各ブランチの色はクラスター割り当てに対応。
📌 このデンドログラム（樹形図）の読み方
このグラフは
階層的クラスタリングの過程を樹木状に示した図。どのサンプルが先に統合されたかがわかる。
読み方
縦軸（高さ）は統合時の距離（非類似度）を示す。低い位置で結合したサンプルほど似ている。水平線を引いた高さでクラスター数が決まる。
なぜそう解釈できるか
水平線の高さを「大きなジャンプ」の直前に設定することでクラスター数を決める。切り取った後の各グループを変数平均で特徴づけする。
k=4 クラスターの根拠
  • デンドログラムで k=4 → k=3 への結合（最後の合流前）の距離ジャンプが大きい
  • 距離ジャンプが大きいほど「無理に合流させた」ことを意味し、そこでカットするのが妥当
  • 4 クラスターにより都道府県の特性差（都市部・農村部・寒冷地など）を解釈しやすく分類できる
47都道府県のクラスター分類（概略）
クラスター1（赤）
大都市・高消費支出型
クラスター2（青）
中規模・バランス型
クラスター3（緑）
地方・高齢化型
クラスター4（橙）
温暖・農村型

※クラスター名は各クラスターの変数プロファイル（図4参照）に基づく解釈的ラベル。実際の所属都道府県は分析結果を参照。

DS LEARNING POINT 3

Ward法の原理

Ward 法は「クラスターを統合した際にクラスター内分散がどれだけ増加するか」を最小化する凝集型クラスタリング手法。

  • 凝集型（agglomerative）：最初に全サンプルを個別クラスターとし、距離が近いものから順次統合していく
  • Ward距離：2つのクラスター C_i, C_j を統合したとき増加するクラスター内 SS（偏差平方和）
  • 特徴：コンパクトで均等なクラスターを生成しやすい。外れ値に敏感な面も
  • 他の連結法との違い：単連結（最小距離）はチェーン状に伸びやすく、完全連結（最大距離）は球状クラスター向き
from scipy.cluster.hierarchy import linkage, dendrogram, fcluster # Ward法で連結行列を作成 Z = linkage(X_scaled, method='ward') # デンドログラムを描画 fig, ax = plt.subplots(figsize=(14, 6)) ddata = dendrogram(Z, labels=pref_names, ax=ax, leaf_rotation=90, leaf_font_size=8, color_threshold=Z[-3, 2]) # k=4のカット高さ # カット高さの赤線 cut_height = (Z[-4, 2] + Z[-3, 2]) / 2 ax.axhline(y=cut_height, color='red', linestyle='--', linewidth=2, label=f'カット高さ（k=4クラスター）') # k=4でクラスター番号を割り当て labels = fcluster(Z, t=4, criterion='maxclust')

DS LEARNING POINT 4

クラスター数の選択

クラスター数 k の選択は客観的な基準と実質的解釈の両方から判断する。階層的クラスタリングでは以下の方法が使われる。

  • デンドログラムの目視検討：統合距離（Ward距離）が急激に増加する直前でカット——「肘（elbow）」を探す
  • 距離ジャンプ法：連続する統合距離の差が最大になる k を選ぶ（Z[-k, 2] の差分を確認）
  • 実質的解釈：k を変えて各クラスターが「意味のある集団」になっているか確認
# デンドログラムの距離ジャンプを確認 last_merges = Z[-10:, 2] # 最後の10回の統合距離 # 距離の差分（ジャンプ量） jumps = np.diff(last_merges) # k（最大ジャンプの位置から逆算） best_k = len(last_merges) - np.argmax(jumps[-5:]) + 1 print(f"推奨クラスター数: k = {best_k}") # 参考：Z[-k, 2] の値で確認 for k in [3, 4, 5, 6]: print(f"k={k}: カット高さ候補 = {Z[-k, 2]:.3f}, " f"距離ジャンプ = {Z[-k,2] - Z[-k-1,2]:.3f}")
4
クラスター別プロファイルと解釈

k=4 クラスターそれぞれについて、目的変数（リサイクル率）と説明変数の平均値を比較した棒グラフで各クラスターの特徴を解釈する。

クラスター別プロファイル比較
図4：Ward法クラスター別プロファイル比較（k=4）。各サブグラフは変数ごとの4クラスター間の平均値を示す（エラーバー：±1 SD）。破線は全国平均。

クラスター別の特徴（解釈）

クラスター 想定される特徴 リサイクル率の傾向 代表的な特徴変数
CL1（赤） 大都市圏・高消費型 高め 消費支出・教養娯楽費が高い
CL2（青） 中規模・バランス型 中程度 特定変数に偏りが少ない
CL3（緑） 地方・高齢化型 変動あり 高齢化率が全国平均より高い
CL4（橙） 温暖地方・農村型 低め 年平均気温が高い、ごみ排出量多め
プロファイル比較から読み取れること
  • リサイクル率の差がクラスター間で有意に存在する場合、地域特性や政策が影響している可能性を示す
  • 消費支出水準が高いクラスターでリサイクル率が高い傾向は「環境意識と経済的余裕の相関」を示唆
  • ごみ排出量が多いクラスターでリサイクル率が低い場合、分別・回収インフラの整備が政策課題
  • 高齢化率の高いクラスターでは分別意識が高い都道府県もあり、一概に低リサイクルとは言えない
PCA とクラスタリングの統合解釈 バイプロット（図2）でクラスター色を付けることで、PCA の次元縮約空間内でクラスターがどのように分布するかが視覚化できる。クラスターが PCA 空間上でまとまっていれば、主成分が都道府県の類型を良く捉えていることを意味する。

まとめと政策的示唆

主要な発見

SSDSE-B の 47 都道府県 2022 年度データを用い、PCA と Ward 法クラスタリングの組み合わせにより以下の知見が得られた：

  1. 多変量構造の把握（PCA）：消費支出系変数は PC1 方向に強く負荷し、「生活水準・都市規模軸」として解釈できる。気温・高齢化率は PC2 方向に寄与し、「地域気候・人口構造軸」を形成する。
  2. 都道府県の類型化（Ward 法）：k=4 クラスターにより大都市型・地方農村型などの類型が明確に分離され、それぞれリサイクル率に差異が見られる。
  3. リサイクル率の規定要因：消費支出水準（生活の豊かさ）と 1 人 1 日ごみ排出量がリサイクル率と相関を示し、単純な行政施策だけでなく社会経済的背景が重要。
  4. 政策的示唆：同じクラスターに属する都道府県間でリサイクル率に差がある場合、そのベンチマーキングが政策改善の手がかりとなる。
政策への示唆 画一的な政策ではなく、各都道府県が属するクラスターの特性に合わせた対策が有効と考えられる。大都市型では分別インフラの効率化、農村型では回収体制の整備と啓発活動の強化、高齢化型では高齢者向けの分別支援が求められる。
分析の限界と今後の課題
  • N=47 は小標本のため統計的検定の検出力が低く、相関の偶然変動には注意が必要
  • 市区町村レベルへの詳細化（SSDSE-A 活用）により、より細かな政策単位での分析が可能
  • 時系列データの活用による「政策介入前後のリサイクル率変化」の評価が望まれる
  • 因果関係の推定には操作変数法など追加的な手法が必要
教育的価値（この分析から学べること）
  • リサイクル率の決定要因：個人意識・自治体政策・産業構造の3層から分析できる多層的問題。
  • 政策評価の難しさ：リサイクル率の差が政策のおかげか、もともとの住民意識の高さかは区別が難しい。
  • 有料化の効果：ごみ袋有料化はリサイクル率を上げる代表的な政策。導入時期の差を活用すれば DiD で効果検証できる。

データ・コードのダウンロード

分析スクリプト（2022_U3_suri.py）
データ出典
SSDSE-B-2026 都道府県別統計（2022年度）統計数理研究所 SSDSE（社会・人口統計体系）
ごみのリサイクル率（都道府県別）SSDSE-B 廃棄物関連変数
消費支出・食料費等（世帯統計）SSDSE-B 家計関連変数（総務省 家計調査ベース）
年平均気温（都道府県別）SSDSE-B 気候関連変数（気象庁ベース）

本分析コードは SSDSE-B-2026 の実データを使用（合成データ・乱数生成は一切使用しない）。

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 統計数理賞（大学生・一般の部）

⚠️ 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

🔗 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) 因果関係ではない—相関は方向や原因を示さない。(2) 外れ値に弱い—1点で r が劇的に変わることも。(3) Pearson は線形のみ—非線形ならSpearman相関を使う。(4) 第三変数の存在を疑う—疑似相関を見抜く視点が必要。
🔭 主成分分析（PCA）
何？
多数の変数を情報の損失を最小限にしながら少数の合成指標（主成分）に圧縮する手法。
どう使う？
変数間の相関を利用して「最も分散が大きい方向」を第1主成分、以下順に直交する軸を抽出する。
何がわかる？
30変数あるデータを2〜3成分に要約して散布図で可視化したり、多重共線性の回避に使う。
結果の読み方
各主成分の「負荷量」を見て、どの変数がその成分を特徴づけるか解釈する。累積寄与率 70〜80% 以上なら要約として十分。
⚠️ 注意点
(1) 因果関係ではない—相関は方向や原因を示さない。(2) 外れ値に弱い—1点で r が劇的に変わることも。(3) Pearson は線形のみ—非線形ならSpearman相関を使う。(4) 第三変数の存在を疑う—疑似相関を見抜く視点が必要。
🌿 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) 因果関係ではない—相関は方向や原因を示さない。(2) 外れ値に弱い—1点で r が劇的に変わることも。(3) Pearson は線形のみ—非線形ならSpearman相関を使う。(4) 第三変数の存在を疑う—疑似相関を見抜く視点が必要。
📅 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) 因果関係ではない—相関は方向や原因を示さない。(2) 外れ値に弱い—1点で r が劇的に変わることも。(3) Pearson は線形のみ—非線形ならSpearman相関を使う。(4) 第三変数の存在を疑う—疑似相関を見抜く視点が必要。
🎯 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) 因果関係ではない—相関は方向や原因を示さない。(2) 外れ値に弱い—1点で r が劇的に変わることも。(3) Pearson は線形のみ—非線形ならSpearman相関を使う。(4) 第三変数の存在を疑う—疑似相関を見抜く視点が必要。
🌲 ランダムフォレスト + SHAP（機械学習による変数重要度）
何？
多数の決定木を組み合わせた予測モデル（RF）と、各変数の寄与度を個別に説明する SHAP値の組み合わせ。
どう使う？
RFで予測モデルを構築し、SHAPでゲーム理論的アプローチによって各変数の寄与を計算する。
何がわかる？
線形モデルでは捉えにくい非線形・交互作用関係も含めて「どの変数が重要か」を視覚的に示せる。
結果の読み方
SHAP値プラスが予測値を上昇させる貢献、マイナスが低下させる貢献。変数重要度グラフの上位変数が最も影響力が大きい。
⚠️ 注意点
(1) 因果関係ではない—相関は方向や原因を示さない。(2) 外れ値に弱い—1点で r が劇的に変わることも。(3) Pearson は線形のみ—非線形ならSpearman相関を使う。(4) 第三変数の存在を疑う—疑似相関を見抜く視点が必要。
↔️ 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) 因果関係ではない—相関は方向や原因を示さない。(2) 外れ値に弱い—1点で r が劇的に変わることも。(3) Pearson は線形のみ—非線形ならSpearman相関を使う。(4) 第三変数の存在を疑う—疑似相関を見抜く視点が必要。

🚀 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：相関分析 の次のステップ
結果 X
本論文は 相関分析 を用いた推定を行った。
新仮説 Y
重回帰分析による多変数同時検証 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）重回帰分析による多変数同時検証 を実装し、本論文の係数推定と比較する。（2）交絡変数を統制した偏相関分析 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
社会保障政策と犯罪の関係
次の論文 →
生活系ごみ排出量と事業系ごみ排出量による回帰分析