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 [大学生・一般の部] 2022年度

大学進学率の地域格差
地理的異質性と集積効果のパネル分析

⏱️ 推定読了時間: 約43分
2022年 統計データ分析コンペティション | 大学生・一般の部
📝 3行で分かる要約

目次

  1. 研究背景：教育格差という問題
  2. データと変数設計
  3. 地域別 大学進学率の時系列推移
  4. 都道府県別進学率ランキング
  5. OLS回帰分析：進学率の決定要因
  6. Ward法クラスタリング：都道府県の類型化
  7. まとめ・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_U5_10_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_U5_10_shorei.py
図は html/figures/ に自動保存されます。
背
研究背景：教育格差という問題

日本の大学進学率は1990年代以降に急上昇し、2022年には全国平均で約56.6%に達した。しかし、この「高い進学率」という集計数値の背後には、都道府県間で最大27ポイント以上に達する大きな地域格差が隠れている。

まず「大学進学率の地域格差地理的異質性と集積効果のパネル分析」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。

56.6%
全国平均進学率（2022年）
73.0%
最高：京都府（2022年）
46.2%
最低：沖縄県（2022年）
なぜ地域格差が問題か 大学進学率の地域格差は、単なる「好み」の違いではなく、家庭の経済力・大学へのアクセス・地域の雇用構造・教育投資インセンティブなど複合的な要因を反映している。格差が拡大し固定化すると、地域間の人的資本蓄積の差が長期的な経済格差をさらに拡大させる悪循環（教育格差の世代間連鎖）に陥る可能性がある。

本研究は、地理的異質性（都道府県の位置・周辺環境）と集積効果（大学集中による進学促進効果）の2つの視点からこの格差を解剖する。SSDSE都道府県別パネルデータ（2012〜2023年）を活用し、OLS回帰、地域別時系列分析、Ward法クラスタリングを組み合わせた多角的なアプローチを取る。

分析の流れ
SSDSE-B
47都道府県
12年間
→
進学率
変数設計
→
時系列・
地域比較
→
OLS回帰
(VIF診断)
→
Ward法
クラスタ

SSDSE-B（都道府県） OLS回帰 地域別分析 Ward法クラスタリング 時系列分析

データと変数設計

使用データ：SSDSE-B（都道府県別統計）

本分析では、統計数理研究所が公開するSSDSE-B-2026（社会・人口統計体系データセット・都道府県版）を使用する。47都道府県 × 12年度（2012〜2023）の計564レコードを含む縦断（パネル）データである。

項目内容
データソースSSDSE-B-2026.csv（社会・人口統計体系）
対象全47都道府県
期間2012〜2023年度（12年間）
総レコード数564件（47都道府県 × 12年）
欠損値主要変数は欠損なし

被説明変数：大学進学率の定義

進学率は以下の式で計算する比率変数である。分母に0が入らないよう前処理を行う。

大学進学率 (%) =
高等学校卒業者のうち進学者数 ÷ 高等学校卒業者数 × 100
注意：「進学者数」の定義 SSDSE-Bの「高等学校卒業者のうち進学者数」は大学・短期大学・専修学校等への進学者を含む広義の進学者数である。本分析では大学教育へのアクセスの代理指標として使用する。

説明変数の一覧

変数名元データ列変換想定される効果
大学数 大学数 そのまま（校） 正（集積効果：大学が多いほど進学しやすい）
高齢化率 65歳以上人口 / 総人口 × 100 (%) 負（高齢化地域ほど若年人口が少なく進学率低下）
消費支出_log 消費支出（二人以上の世帯） 自然対数変換 正（消費水準が高い地域ほど教育投資が多い）
教育費_千円 教育費（二人以上の世帯） ÷ 1000（千円） 正（教育支出が多い世帯ほど進学促進）

DS LEARNING POINT 1

大学進学率の計算方法：比率変数の定義とデータ加工

比率変数（割合・率）を正しく定義することは、教育統計分析の出発点である。「進学率」のように「分母が何か」によって数値の意味が変わる点に注意。

  • 分母の選択：高校卒業者数 vs 同年齢人口では、意味が異なる（本分析は前者）
  • ゼロ除算の防御：.replace(0, np.nan) でゼロをNaNに変換し、後続のdropnaで対処
  • 対数変換：消費支出は右裾が長い分布なのでlog変換し正規性を改善
import numpy as np import pandas as pd # 大学進学率の計算（比率変数） df['大学進学率'] = ( df['高等学校卒業者のうち進学者数'] / df['高等学校卒業者数'].replace(0, np.nan) # ゼロ除算防御 * 100 ) # 高齢化率（65歳以上人口の割合） df['高齢化率'] = df['65歳以上人口'] / df['総人口'] * 100 # 消費支出は対数変換（右裾の長い分布を正規化） df['消費支出_log'] = np.log(df['消費支出（二人以上の世帯）'].clip(lower=1)) # 教育費を千円単位に（係数の解釈を簡単に） df['教育費_千円'] = df['教育費（二人以上の世帯）'] / 1000 # 欠損確認 print(df[['大学進学率', '高齢化率', '消費支出_log', '教育費_千円']].isnull().sum())
1
地域別 大学進学率の時系列推移

2012〜2023年の12年間にわたる都道府県別大学進学率を、6つの地域区分（北海道・東北、関東、中部、近畿、中国・四国、九州・沖縄）で集計した地域平均を折れ線グラフで示す。

地域別大学進学率の時系列推移（2012〜2023年）
図1：地域別 大学進学率の推移（2012〜2023年）。各線は地域内都道府県の平均値。全国的に上昇傾向が見られる中、関東・近畿が高位を維持し、九州・沖縄・東北が低位に留まる。
📌 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
  • 上昇トレンド：全国平均は2012年の約49.8%から2022年の56.6%へと約7ポイント上昇した。
  • 地域間格差の持続：関東・近畿と九州・東北の間の格差は縮小せず、約10〜15ポイント程度の差が持続している。
  • 近畿の高さ：大学集積が特に高い京都・大阪を含む近畿は一貫して高い進学率を示す（集積効果の証拠）。
  • 東日本大震災の影響：北海道・東北は2011〜2013年にかけて若干の変動が見られる可能性がある。
地域区分の定義
地域含まれる都道府県
北海道・東北北海道・青森・岩手・宮城・秋田・山形・福島
関東茨城・栃木・群馬・埼玉・千葉・東京・神奈川
中部新潟・富山・石川・福井・山梨・長野・岐阜・静岡・愛知
近畿三重・滋賀・京都・大阪・兵庫・奈良・和歌山
中国・四国鳥取・島根・岡山・広島・山口・徳島・香川・愛媛・高知
九州・沖縄福岡・佐賀・長崎・熊本・大分・宮崎・鹿児島・沖縄
2
都道府県別進学率ランキング（2022年）

2022年時点の47都道府県の大学進学率を横棒グラフでランキング表示する。色は地域区分を表し、赤の破線は全国平均（56.6%）を示す。

都道府県別大学進学率ランキング（2022年）
図2：都道府県別 大学進学率ランキング（2022年）。棒の色は地域区分を示す。赤破線は全国平均（56.6%）。上位に近畿・関東が集中し、下位に東北・九州・沖縄が多い。

2022年 主要都道府県の進学率

順位都道府県地域大学進学率（%）全国平均比
1位京都府近畿73.0%+16.4ポイント
2位東京都関東高位全国有数
—全国平均—56.6%—
最低沖縄県九州・沖縄46.2%-10.4ポイント
格差の主な要因（仮説）
  • 大学の集積：京都・東京は大学数が多く、地元進学のハードルが低い（移動コストが不要）
  • 経済力の差：高所得地域では家庭の教育投資能力が高い
  • 雇用構造：大学学歴が重視される産業が集積する地域では進学インセンティブが高い
  • 文化的要因：進学を重視する地域風土・教育熱（関西の受験文化など）
3
OLS回帰分析：進学率の決定要因

2022年の横断データ（47都道府県）を用いたOLS（普通最小二乗法）回帰で、大学進学率の決定要因を特定する。左パネルに回帰係数（95%信頼区間付き）、右パネルにVIF（分散拡大要因）を示す。

OLS回帰係数とVIF（2022年）
図3：OLS回帰係数（左）と分散拡大要因・VIF（右）（2022年、N=47）。赤色の棒はp<0.05で統計的に有意な変数を示す。VIF > 10 の変数は多重共線性の懸念あり。
📌 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

変数回帰係数p値有意性VIF解釈
大学数 +0.100 0.028 **（p<0.05） 2.59 大学が1校増えると進学率が0.10%上昇（集積効果）
高齢化率 -0.574 0.090 †（p<0.10） 182.2 高齢化が進むほど進学率が低下（符号は想定通り）
消費支出_log +17.06 0.261 ns 239.3 有意でないが、多重共線性の疑いあり（VIF極大）
教育費_千円 +0.190 0.460 ns 10.63 単変量では関連があるが、他変数と重複
（定数項） -143.7 0.446 ns — —

N=47, R²=0.480, Adj.R²=0.431, F(4,42)=9.70, p=0.0000120. **: p<0.05, †: p<0.10, ns: 有意でない

多重共線性の問題（VIFが異常に高い） 消費支出_logのVIF=239.3、高齢化率のVIF=182.2 は多重共線性の存在を強く示唆する（目安：VIF > 10 が懸念、VIF > 30 は深刻）。これは消費支出と高齢化率が都道府県レベルで強く相関しているためである。多重共線性があると、個々の係数の推定は不安定になるが、モデル全体の予測力（R²）への影響は小さい。
解釈のまとめ
  • 大学数（有意）：都道府県内の大学数が多いほど進学率が上昇する。これは「集積効果」（大学が身近にあると進学障壁が低下）を支持する結果である。
  • 高齢化率（限界有意）：高齢化が進む地域では若年人口が少なく、大学への需要も減少する傾向がある。
  • モデル全体：R²=0.48 はこれら4変数で進学率のばらつきの約半分を説明できることを示す。

DS LEARNING POINT 2

多重共線性の診断：VIF（分散拡大要因）の読み方

VIF（Variance Inflation Factor）は、ある説明変数が他の説明変数で「どれだけ説明されるか」を測る指標で、多重共線性の深刻さを診断する。

  • VIF = 1：他の変数と全く相関なし（理想）
  • VIF = 1〜5：軽微な多重共線性（許容範囲）
  • VIF = 5〜10：中程度の多重共線性（注意が必要）
  • VIF > 10：深刻な多重共線性（係数推定が不安定）

対処法としては、(1) 相関の高い変数を1つ除外、(2) 主成分分析で次元圧縮、(3) リッジ回帰などの正則化手法が有効。

import statsmodels.api as sm from statsmodels.stats.outliers_influence import variance_inflation_factor xvars = ['大学数', '高齢化率', '消費支出_log', '教育費_千円'] df_reg = df_2022[['大学進学率'] + xvars].dropna() # OLS回帰の実行 X = sm.add_constant(df_reg[xvars]) res = sm.OLS(df_reg['大学進学率'], X).fit() # VIF計算（各変数について） vif_df = pd.DataFrame({ '変数': xvars, 'VIF': [variance_inflation_factor(df_reg[xvars].values, i) for i in range(len(xvars))] }) print(vif_df) # VIF > 10 の変数を警告 high_vif = vif_df[vif_df['VIF'] > 10] if not high_vif.empty: print(f"警告: 以下の変数に多重共線性の疑い\n{high_vif}")
4
Ward法クラスタリング：都道府県の類型化

大学進学率・高齢化率・消費支出・教育費の4変数を標準化し、Ward法（階層型クラスタリング）で47都道府県を類型化する。デンドログラム（樹形図）によって都道府県間の類似性を可視化する。

Ward法クラスタリング・デンドログラム（2022年）
図4：Ward法クラスタリング・デンドログラム（2022年、47都道府県）。縦軸の距離が小さいほど類似性が高い。色の異なるブランチは主要なクラスターを示す。
📌 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。

クラスター分析から見えるグループ構造

主要クラスターの特徴
  • 高進学率・高消費クラスター（関東・近畿中心）：東京・神奈川・大阪・京都などの大都市圏。大学数が多く、消費支出も高い。集積効果が最も顕著なグループ。
  • 中位クラスター（中部・一部近畿）：名古屋圏・北陸など。経済力は中程度で、産業構造（製造業）が特徴的。
  • 低進学率・高齢化クラスター（東北・中国山陰・九州一部）：高齢化が進み、若年人口が少ない地域。大学も少なく、進学率が低い。
  • 沖縄（独立型）：低進学率だが、高齢化率は低い特異なプロフィール。経済格差と地理的孤立が要因。
地域的パターンの地理的解釈 クラスタリング結果は地理的連続性を反映している点が興味深い。隣接する都道府県が同じクラスターに分類される傾向は、「地理的異質性」（近隣の経済・文化環境が進学行動に影響する）を示唆する。これは空間計量経済学的な視点から見ると、空間的自己相関（Moran's I 統計で検証可能）として捉えられる。

DS LEARNING POINT 3

Ward法クラスタリングの仕組み：距離行列からデンドログラムへ

Ward法は階層型クラスタリングの一手法で、「グループ内分散を最小化」するようにクラスターを結合していく。手順は以下の通り：

  • Step 1：各データを1つのクラスターとして出発（47都道府県 → 47クラスター）
  • Step 2：結合したときの「グループ内分散の増加量」が最小になる2クラスターを選んで結合
  • Step 3：クラスター数が1つになるまで繰り返す
  • Step 4：結合の履歴をデンドログラム（樹形図）で可視化。縦軸の高さが「結合コスト（距離）」

標準化（StandardScaler）は変数間のスケール差をなくすための必須前処理。単位の異なる変数（%と千円など）をそのまま使うとスケールの大きい変数が距離計算を支配してしまう。

from scipy.cluster.hierarchy import dendrogram, linkage from sklearn.preprocessing import StandardScaler import matplotlib.pyplot as plt # 使用変数 cluster_vars = ['大学進学率', '高齢化率', '消費支出_log', '教育費_千円'] df_clust = df_2022[['都道府県'] + cluster_vars].dropna().set_index('都道府県') # Step 1: 標準化（平均0, 標準偏差1に変換） scaler = StandardScaler() X_scaled = scaler.fit_transform(df_clust) # Step 2: Ward法でリンケージ行列を計算 Z = linkage(X_scaled, method='ward') # Z の各行: [クラスタA, クラスタB, 距離, 結合後のサイズ] # Step 3: デンドログラムを描画 fig, ax = plt.subplots(figsize=(12, 6)) dendrogram( Z, labels=df_clust.index.tolist(), ax=ax, color_threshold=Z[-3, 2], # 上位3回の結合の距離で色分け leaf_rotation=90, leaf_font_size=8 ) ax.set_title('Ward法クラスタリング') ax.set_xlabel('都道府県') ax.set_ylabel('距離（Ward法）') # Step 4: k個のクラスターに切断してラベルを取得 from scipy.cluster.hierarchy import fcluster labels = fcluster(Z, t=4, criterion='maxclust') # 4クラスターに分類 df_clust['cluster'] = labels print(df_clust.groupby('cluster')['大学進学率'].mean())

まとめ・政策的示唆

主要な発見事項

本研究はSSDSE都道府県別パネルデータ（2012〜2023年）を用い、大学進学率の地域格差を多角的に分析した。主な発見は以下の通りである。

  1. 格差の持続性：全国平均進学率は2012年（49.8%）から2022年（56.6%）にかけて上昇したが、地域間の格差（関東・近畿 vs 東北・九州・沖縄の約10〜15ポイント差）は縮小していない。
  2. 集積効果の確認：OLS回帰において「大学数」は統計的に有意（p=0.028）な正の効果を示した。都道府県内の大学が1校増えると進学率が約0.10%上昇する。大学が身近にあることで進学障壁（移動コスト・情報コスト）が低下する「集積効果」の存在が示唆される。
  3. 地理的異質性：Ward法クラスタリングにより、高進学率の大都市圏グループ、中位の中部グループ、低進学率・高齢化の地方グループという明確な類型が確認された。クラスター構造は地理的連続性（隣接県が同クラスター）を持つ。
  4. 多重共線性の課題：消費支出と高齢化率のVIFが極めて高く（182〜239）、個々の係数解釈には注意が必要。変数選択または正則化手法の導入が今後の課題。
政策的示唆
  • 大学アクセスの改善：地方における大学・サテライトキャンパスの設置・維持は、集積効果を通じて進学率を底上げする可能性がある。
  • 奨学金・生活費支援：地方から都市圏に進学する際の「移動コスト（下宿費・交通費）」を補填する経済的支援が格差縮小に有効と考えられる。
  • 地方高校のキャリア教育：進学率が低い地域では「大学進学という選択肢」の認知が低い可能性がある。高校段階での情報提供・進路指導の充実も重要。
  • 産業構造の改革：高齢化・人口流出が進む地方では、大学学歴を活かせる産業（IT・サービス業等）の誘致が進学インセンティブを高める。

分析の限界と今後の課題

  • 本分析は横断データ（2022年）と地域平均ベースの集計値を使用しており、個票データ（個人・世帯レベル）での分析が望ましい。
  • 空間的自己相関（隣接する都道府県の影響）を考慮した空間計量モデル（SAR, SEM）の導入が精度を高める。
  • 多重共線性への対処として、主成分分析によるリッジ回帰やLASSOへの拡張が必要。
  • パネルデータの固定効果モデル（FE推定）で都道府県固有の不観測効果を制御した分析が推奨される。

DS LEARNING POINT 4

地域格差指標の解釈：格差の定量化と政策的含意

「格差」を定量化する際には、複数の指標を使い分けることが重要。それぞれが「格差のどの側面」を捉えているかを理解したうえで使う。

  • レンジ（最大 - 最小）：最も単純だが外れ値に敏感。例：73.0% - 46.2% = 26.8ポイント
  • 標準偏差：分布全体のばらつきを捉える。都道府県間の標準偏差が大きければ格差が大きい。
  • 変動係数（CV = 標準偏差 / 平均）：平均に対する相対的な格差。異なる年度・指標の比較に適する。
  • ジニ係数：所得格差で有名。0（完全平等）から1（完全不平等）で格差を表現。
import numpy as np import pandas as pd # 2022年の大学進学率でさまざまな格差指標を計算 rates = df_2022['大学進学率'].dropna() # 基本的な格差指標 print(f"レンジ: {rates.max() - rates.min():.2f} ポイント") print(f"標準偏差: {rates.std():.2f} %") print(f"変動係数: {rates.std() / rates.mean() * 100:.1f} %") print(f"四分位範囲(IQR): {rates.quantile(0.75) - rates.quantile(0.25):.2f} ポイント") # ジニ係数の計算（lorenz曲線のGINI） def gini(x): x = np.sort(x) n = len(x) return (2 * np.sum((np.arange(1, n+1)) * x) / (n * x.sum())) - (n + 1) / n print(f"ジニ係数: {gini(rates.values):.4f}") # 経年変化での格差トレンド確認 gap_by_year = df_b.groupby('年度')['大学進学率'].agg(['std', 'mean']) gap_by_year['CV'] = gap_by_year['std'] / gap_by_year['mean'] * 100 print("\n変動係数の推移（格差トレンド）:") print(gap_by_year[['CV']].round(2))
教育的価値（この分析から学べること）
  • 地理的異質性：都道府県は地理的に隣接するため、空間的相関がある。空間計量経済学の出番。
  • 集積効果：大学・産業の集積が進学・就職を引き寄せる効果。Marshall以来の経済学的伝統。
  • パネルデータ：時間軸を入れることで、政策効果と地理的固定要因を分離できる。

データ・コードのダウンロード

分析スクリプト（2022_U5_10_shorei.py）
データ出典備考
SSDSE-B-2026.csv 統計数理研究所 SSDSE（社会・人口統計体系）都道府県版 47都道府県 × 2012〜2023年
高等学校卒業者のうち進学者数 文部科学省 学校基本調査（SSDSE-B収録） 大学進学率の分子
高等学校卒業者数 文部科学省 学校基本調査（SSDSE-B収録） 大学進学率の分母
大学数・消費支出・教育費等 SSDSE-B-2026.csv（総務省・文部科学省 等） 説明変数として使用

必要なPythonライブラリ

ライブラリ用途インストール
pandas / numpyデータ操作・数値計算pip install pandas numpy
matplotlibグラフ描画pip install matplotlib
statsmodelsOLS回帰・VIF計算pip install statsmodels
scipyWard法クラスタリングpip install scipy
scikit-learnStandardScaler（標準化）pip install scikit-learn
実行方法
cd /path/to/2026\ 統計・データ解析コンペ
python3 code/2022_U5_10_shorei.py
教育用再現コード ｜ 2022年 統計データ分析コンペティション 審査員奨励賞 [大学生・一般の部]
データ出典：SSDSE-B-2026（統計数理研究所・社会・人口統計体系）

⚠️ 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。
🏛️ 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。
🔭 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) 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。
✂️ LASSO回帰（L1正則化）
何？
多数の候補変数の中から「重要な変数だけを自動選択」しながら係数を推定する。不要変数の係数を正確にゼロにする。
どう使う？
通常の回帰に「係数の絶対値合計へのペナルティ」を加え、λ（ラムダ）で絞り込みの強さを調整する。λは交差検証で最適化。
何がわかる？
変数が50個あっても「実質的に効く5〜10変数」を自動選択できる。過学習も防げる。
結果の読み方
ゼロでない係数を持つ変数が「選ばれた変数」。符号と大きさで影響の方向・強さを読む。
⚠️ 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。
📊 ジニ係数・ローレンツ曲線
何？
所得や医療資源などの「不平等度（格差）」を0〜1の数値で表す指標。0が完全平等、1が完全不平等。
どう使う？
データを昇順に並べ、累積シェアの曲線（ローレンツ曲線）と完全平等線との面積から計算する。
何がわかる？
「都道府県間の医師数の格差は大きいか」「格差は拡大・縮小しているか」を客観的に測れる。
結果の読み方
ジニ係数 0.3 以上は格差が大きい水準。時系列変化で格差のトレンドを読む。
⚠️ 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
出生率の地域差：男性育児参加と女性社会進出のパネル分析
次の論文 →
地域格差と人口移動：固定効果パネルモデルによる転出入要因の分析