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

生活時間と幸福感：
SSDSE-D「社会生活基本調査」を用いた年代別分析

⏱️ 推定読了時間: 約40分
統計データ分析コンペティション 2022 ｜ 大学生・一般の部
📝 3行で分かる要約

目次

  1. 研究概要と背景
  2. データ：SSDSE-D 社会生活基本調査
  3. 生活時間配分の都道府県比較
  4. 性別による生活時間の差異
  5. 生活時間変数間の相関分析
  6. 主成分分析による時間配分パターン
  7. まとめと考察
  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-D-2023.csv　← SSDSE-D（都道府県の指標）📥 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_13_shorei.py ← 実行するスクリプト └── data/ └── raw/ SSDSE-D-2023.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_13_shorei.py
図は html/figures/ に自動保存されます。
概
研究概要と背景

私たちの毎日の時間はどのように配分されているのか。仕事・家事・睡眠・趣味など、生活時間の構成は個人の幸福感や生活の質（QoL）と深く結びついていると考えられる。本研究は SSDSE-D（社会生活基本調査 都道府県別生活時間データ）を活用し、生活時間配分の地域差・性差を統計的に明らかにする。

まず「生活時間と幸福感：SSDSE-D「社会生活基本調査」を用いた年代別分析」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。

研究の問い
  • 都道府県によって生活時間配分はどれほど異なるか？
  • 男女間で生活時間の使い方にどのような差異があるか？
  • 「仕事時間が長い県」は「趣味・娯楽時間」が短いか？ ―― トレードオフ関係の検証
  • 主成分分析で都道府県の生活時間パターンはどう分類されるか？
分析の流れ
SSDSE-D
47都道府県
男女別データ
→
時間配分の
地域差可視化
→
男女比較
差異分析
→
相関分析
散布図
→
PCA
パターン分類

SSDSE-D 社会生活基本調査 相関分析 主成分分析（PCA） 性差・地域差比較

データ：SSDSE-D 社会生活基本調査

データの概要

SSDSE-D は総務省統計局「社会生活基本調査」（5年ごと実施）の都道府県別集計データを、統計数理研究所が教育・研究用に整備したものである。本分析では 2021年実施（2023年公開）版を使用した。

47
都道府県（分析対象）
3
カテゴリ（総数・男・女）
16+
主要生活時間変数
分/週
時間単位（1週間合計分）

主要変数（生活時間カテゴリ）

カテゴリ 変数名（SSDSE-D） 全国平均（総数・分/週） 地域差の大きさ
必需的行動 睡眠 474 分 468〜488（幅 20分）
必需的行動 食事 99 分 94〜105（幅 11分）
拘束的行動 仕事 209 分 186〜227（幅 41分）
拘束的行動 家事 88 分 79〜100（幅 21分）
拘束的行動 通勤・通学 28 分 22〜36（幅 14分）
自由時間 趣味・娯楽 45 分 38〜56（幅 18分）
自由時間 テレビ・ラジオ・新聞・雑誌 133 分 106〜155（幅 49分）
自由時間 スポーツ 13 分 9〜17（幅 8分）
自由時間 学習・自己啓発 11 分 6〜18（幅 12分）

赤字は地域差（幅）が特に大きい変数。仕事・通勤・テレビ時間で都道府県間の差が顕著。

データ読み込み上の注意点 SSDSE-D-2023.csv は encoding='cp932'、header=1（2行目をヘッダ行として使用）で読み込む必要がある。また、「男女の別」列に 0_総数 / 1_男 / 2_女 の3種類の行が混在しており、分析目的に応じて適切にフィルタリングする。
1
生活時間配分の都道府県比較

47都道府県の生活時間配分を積み上げ横棒グラフで可視化した。仕事時間（週あたり分）の短い順に並べることで、生活時間構造の地域差が明確に浮かび上がる。

都道府県別生活時間配分 積み上げ棒グラフ
図1：47都道府県の主要生活時間配分（総数・1週間合計分）。仕事時間の短い順（上から）に並べた積み上げ棒グラフ。色の区分は睡眠・仕事・家事・育児・買い物・テレビ等・休養・趣味・スポーツ・交際を示す。
📌 この棒グラフの読み方
このグラフは
グループ・都道府県・変数ごとの値の大きさを棒の長さで比較するグラフ。
読み方
棒が長いほど値が大きい。エラーバーが付いている場合は95%信頼区間を示し、範囲が重なれば差は有意でない可能性がある。
なぜそう解釈できるか
複数グループの比較には有効だが、時間変化の把握には折れ線グラフの方が適している。

地域差の主要な発見

都道府県（グループ） 仕事時間（分/週） 趣味・娯楽（分/週） 特徴
島根県（最長） 227 38 仕事最長、趣味は少ない
富山県 224 42 勤勉な働き方
石川県 224 49 仕事と趣味のバランス型
全国平均 209 45 基準値
京都府（最短） 186 44 仕事最短、文化的生活
奈良県 189 50 趣味・娯楽が相対的に多い
観察されたパターン 仕事時間の長い県（島根・富山・石川など）は北陸・山陰地方に集中し、短い県（京都・奈良・山口など）は近畿・中国地方に多い。「仕事が多いと趣味が少ない」というトレードオフが全体的な傾向として確認できるが、例外も存在する（石川県は仕事も趣味も多め）。

DS LEARNING POINT 1

積み上げ棒グラフによる多変量時間配分の可視化

生活時間は「1日（または1週）の合計時間」という制約条件下で各活動に配分される。この「固定合計を持つ組成データ（compositional data）」の可視化には積み上げ棒グラフが有効で、各カテゴリの相対的比率と絶対量の両方が一覧できる。

並べ替えの基準変数（ここでは仕事時間）を決めることで、変数間のパターンを効率よく探索できる。

import pandas as pd import matplotlib.pyplot as plt import numpy as np # 仕事時間の短い順に並び替え df_sorted = total.sort_values('仕事', ascending=True) time_cols = ['睡眠', '仕事', '家事', '趣味・娯楽', ...] colors = ['#5C85D6', '#E05C5C', '#F4A261', '#1ABC9C', ...] fig, ax = plt.subplots(figsize=(10, 13)) lefts = np.zeros(len(df_sorted)) for col, color in zip(time_cols, colors): vals = df_sorted[col].values ax.barh(df_sorted['都道府県'], vals, left=lefts, color=color, label=col, alpha=0.85) lefts += vals # 累積して次の棒の開始位置へ ax.set_xlabel('1週間の合計時間（分）') ax.legend(loc='lower right', ncol=2)
2
性別による生活時間の差異

全国計の男女別データを比較し、生活時間配分の性差を可視化した。各活動について「男性 − 女性」の差分を注記し、どの活動で性差が大きいかを直観的に示す。

生活時間の男女差（全国計）
図2：生活時間の男女差（全国計）。青棒=男性、ピンク棒=女性。棒の上の数値は「男性 − 女性」の差（分/週）。青数値は男性が多く、赤数値は女性が多いことを示す。

男女差の定量的まとめ

活動カテゴリ 男性（分/週） 女性（分/週） 差（男−女） 解釈
仕事 267 152 +115 最大の性差。男性が圧倒的に長い
家事 25 146 −121 女性が5.8倍。家事の性的分業を示す
育児 6 21 −15 育児も女性が3.5倍
買い物 18 33 −15 買い物も女性が多い
通勤・通学 38 24 +14 男性の通勤時間が長い（雇用形態の差）
趣味・娯楽 60 37 +23 自由時間の活用でも性差
睡眠 478 469 +9 男性がわずかに長い
交際・付き合い 8 12 −4 女性の社交時間がやや多い
「時間の性的分業」の統計的確認 最も注目すべき発見は「仕事 +115分」「家事 −121分」という対称的な性差である。男性が週115分多く仕事をする一方、女性は週121分多く家事を担う。この「時間の性的分業」は日本社会における家庭内役割分担の不均等さを統計的に裏付けるものである。

DS LEARNING POINT 2

グループ間比較の可視化：差分アノテーションの活用

2グループの棒グラフを並べる際に「差分ラベル」を各棒の上に表示することで、読者は具体的な数値差を一目で把握できる。正負の差を色で区別（青=男性多・赤=女性多）することで、パターンの解読をさらに助ける。

fig, ax = plt.subplots(figsize=(12, 6)) x = np.arange(len(labels)) width = 0.38 ax.bar(x - width/2, male_vals, width, label='男性', color='#4e9af1') ax.bar(x + width/2, female_vals, width, label='女性', color='#f06292') # 差分アノテーション（棒の上に表示） for i, (m, f) in enumerate(zip(male_vals, female_vals)): diff = m - f sign = '+' if diff > 0 else '' color = '#1565C0' if diff > 0 else '#C62828' ax.text(x[i], max(m, f) + 4, f'{sign}{diff}分', ha='center', va='bottom', fontsize=7.5, color=color, fontweight='bold')
3
生活時間変数間の相関分析

「仕事時間と余暇はトレードオフか？」という問いを検証するため、散布図と相関分析を行った。左図は仕事時間 vs 趣味・娯楽時間、右図は家事時間 vs テレビ・ラジオ時間のそれぞれ47都道府県の散布図である。

生活時間変数間の散布図（2パネル）
図3：（左）仕事時間 vs 趣味・娯楽時間の散布図。回帰直線と相関係数・p値を表示。（右）家事時間 vs テレビ・ラジオ等時間の散布図。点の色は地域ブロック（北海道・東北=青、関東=赤、中部=橙、近畿=緑、中国・四国=紫、九州・沖縄=橙黄）を表す。
📌 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。

相関分析の結果

変数の組み合わせ Pearson r p値 統計的有意性 解釈
仕事時間 ↔ 趣味・娯楽時間 −0.295 0.044 ★ 有意（p<0.05） 仕事が多い県は趣味が少ない傾向
仕事時間 ↔ 家事時間 −0.699 <0.001 ★★ 強い負の相関 仕事が多い県は家事が少ない
仕事時間 ↔ 買い物時間 −0.540 <0.001 ★★ 中程度の負の相関 仕事が多い県は買い物が少ない
睡眠 ↔ 学習・自己啓発 −0.642 <0.001 ★★ 強い負の相関 睡眠時間が多い県は学習が少ない
家事時間 ↔ TV時間 0.017 0.910 非有意 関係は見られない
「仕事と趣味のトレードオフ」の確認 仕事時間と趣味・娯楽時間の相関係数は r = −0.295（p = 0.044）であり、統計的に有意な負の相関が確認された。ただし効果量は小〜中程度であり、仕事時間が趣味・娯楽時間を「完全に決定する」わけではなく、地域文化・産業構造なども影響していると考えられる。
地域ブロックの傾向 散布図の色分けから、北海道・東北（青）は全体的に仕事時間が長い傾向、近畿（緑）は仕事時間が短めで趣味・娯楽時間が広く分散していることが読み取れる。関東（赤）は通勤時間が長い分、他の時間が圧縮されている可能性がある。

DS LEARNING POINT 3

Pearson相関係数と無相関検定（N=47）

Pearson の相関係数 r は −1 から +1 の値をとり、2変数の線形関係の強さを表す。N=47 での帰無仮説「相関なし（ρ=0）」の検定では、|r| ≥ 0.288 程度で p < 0.05 となる（両側検定）。Cohen (1988) の基準は r=0.1（小）・0.3（中）・0.5（大）。

from scipy import stats import numpy as np # Pearson相関係数と無相関検定 r, p = stats.pearsonr(total['仕事'], total['趣味・娯楽']) print(f"r = {r:.3f}, p = {p:.3f}") # N=47での有意となる最小の|r|の目安 N = 47 df = N - 2 t_crit = stats.t.ppf(0.975, df) # 両側5%の臨界値 r_crit = t_crit / np.sqrt(df + t_crit**2) print(f"N=47で有意となる最小|r|: {r_crit:.3f}") # Cohen(1988)の効果量判定 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}") # 散布図 + 回帰直線 slope, intercept, r, p, _ = stats.linregress(x_vals, y_vals) xr = np.linspace(x_vals.min(), x_vals.max(), 100) ax.plot(xr, slope * xr + intercept, 'k--', label=f'回帰直線 (r={r:.2f}, p={p:.3f})')
4
主成分分析による時間配分パターン

12種類の生活時間変数を用いた主成分分析（PCA）により、47都道府県の生活時間パターンを2次元平面上に射影した。スコアプロット（左）で都道府県のクラスタ構造を、ローディングプロット（右）で各活動の主成分への寄与方向を確認する。

PCAスコアプロット と ローディングプロット
図4：（左）PCAスコアプロット。各点は都道府県を表し、色は地域ブロックを示す。（右）PCAローディングプロット。矢印の方向と長さは、各生活時間変数が第1・第2主成分に与える寄与の方向と強さを表す。第1主成分寄与率 33.8%、第2主成分 17.9%（累積 51.6%）。
📌 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。

主成分の解釈

主成分 寄与率 正の方向（高い） 負の方向（低い） 解釈
第1主成分（PC1） 33.8% 仕事・通勤 家事・TV・休養 「就労志向 ↔ 家庭・余暇志向」軸
第2主成分（PC2） 17.9% 学習・趣味・育児・スポーツ TV・睡眠 「積極的余暇 ↔ 受動的余暇」軸
累積寄与率 51.6%（2次元で半分強の情報を捕捉）
地域クラスタの解釈
  • PC1 正側（就労志向）：北陸・山陰などの農業・製造業中心の県が集まる傾向。仕事・通勤が多く、家事・TV時間が相対的に短い。
  • PC1 負側（家庭・余暇志向）：近畿圏（京都・奈良・大阪など）が位置しやすい。仕事時間が短く、家事・休養時間が多い。
  • PC2 正側（積極的余暇）：学習・趣味・スポーツに時間を使う都道府県。都市部の大学・文化施設の充実が影響している可能性。
【PCA の数理】

データ行列 X（N×p）を標準化 → 共分散行列 Σ を固有値分解
Σ = VΛV⊤ （V=固有ベクトル行列、Λ=対角固有値行列）

第k主成分スコア: z_k = X · v_k
寄与率: λ_k / Σλ_i × 100 (%)

DS LEARNING POINT 4

主成分分析（PCA）の実装と解釈

PCAは多次元データを少数の主成分に要約する次元削減手法である。スコアプロット（観測値の分布）とローディングプロット（変数の寄与方向）を組み合わせた「バイプロット」で、データ構造を包括的に理解できる。

実装では StandardScaler で標準化を行ってから PCA を適用することが重要。単位や分散スケールが異なる変数を混在させる場合、標準化しないと分散の大きな変数が主成分を支配してしまう。

from sklearn.preprocessing import StandardScaler from sklearn.decomposition import PCA import matplotlib.pyplot as plt import numpy as np # 標準化（必須：変数ごとにスケールが異なる場合） scaler = StandardScaler() X_scaled = scaler.fit_transform(X_raw) # PCA（2成分） pca = PCA(n_components=2, random_state=42) scores = pca.fit_transform(X_scaled) loadings = pca.components_ # shape (n_components, n_features) explained = pca.explained_variance_ratio_ print(f"PC1: {explained[0]*100:.1f}%") print(f"PC2: {explained[1]*100:.1f}%") print(f"累積: {(explained[0]+explained[1])*100:.1f}%") # ローディングプロット（矢印） scale = 3.0 for i, feature in enumerate(feature_names): lx = loadings[0, i] * scale ly = loadings[1, i] * scale ax.arrow(0, 0, lx, ly, head_width=0.06, head_length=0.05, fc='#1565C0', ec='#1565C0', alpha=0.8) ax.text(lx * 1.12, ly * 1.12, feature, fontsize=9, ha='center', color='#0D47A1')

まとめと考察

主要な発見

SSDSE-D（社会生活基本調査 都道府県別生活時間）を用いた分析から、以下の知見が得られた。

  1. 地域差の確認： 仕事時間は都道府県間で最大41分/週（島根227分 ↔ 京都186分）の差があり、地域によって生活時間構造が大きく異なる。特に北陸・山陰は「就労志向」、近畿は「余暇志向」の傾向が示された。
  2. 性差の大きさ： 仕事（+115分）と家事（−121分）の性差は突出しており、「時間の性的分業」が統計的に明確に存在する。育児・買い物も女性の担当時間が長く、仕事と家庭責任の不均等な分担が数値で確認された。
  3. 仕事と余暇のトレードオフ： 仕事時間と趣味・娯楽時間の相関（r = −0.295, p = 0.044）は有意だが中程度の効果量であり、単純なトレードオフだけでは説明できない地域差が存在する。
  4. PCAによるパターン分類： 第1主成分「就労志向 ↔ 家庭・余暇志向」、第2主成分「積極的余暇 ↔ 受動的余暇」という2軸で都道府県の生活時間パターンを整理できた。累積寄与率は51.6%であり、残る約半分の情報は追加の主成分（PC3以降）や地域特有の要因が担っている。
分析上の限界と今後の課題
  • SSDSE-D は都道府県の集計値であり、個人レベルの「幸福感」データは含まれない。幸福感との直接的な関連を示すには、個票データや幸福度調査との接続が必要。
  • 本データは10歳以上の全人口を対象とした平均値であり、年齢層・就業状態別の分析は別途必要（社会生活基本調査の年齢層別集計表の活用を推奨）。
  • 時系列変化（前回調査との比較）や、COVID-19前後での生活時間変化の検討も重要な発展的課題である。
政策・社会的含意 「仕事時間の長い地域で趣味・娯楽や学習が少ない」という知見は、長時間労働が生涯学習・余暇活動を通じた自己実現の機会を制限する可能性を示唆する。また、男女の家事・仕事時間差は働き方改革・育児支援政策の必要性を数量的に裏付けるものである。
教育的価値（この分析から学べること）
  • 時間利用調査：1日24時間をどう使うかのデータ。SSDSE-Dの社会生活基本調査が代表例。
  • 年代別分析：若年・中年・高齢で時間配分は大きく違う。コーホート効果と年齢効果の区別が難しい古典問題。
  • 幸福度の代理変数：主観的幸福度は質問の仕方で大きく変わる。客観指標（時間配分・健康・所得）との関係を見ることで複眼的に評価できる。

データ・コードのダウンロード

分析スクリプト（2022_U5_13_shorei.py）
項目内容・出典
使用データ SSDSE-D-2023.csv（社会生活基本調査 都道府県別生活時間）
データ出典 統計数理研究所 SSDSE / 総務省統計局 社会生活基本調査（2021年実施）
分析手法 記述統計、Pearson相関分析、主成分分析（PCA）
使用ライブラリ pandas, numpy, matplotlib, scipy, scikit-learn
生成図表 fig1: 都道府県別生活時間配分 積み上げ棒グラフ
fig2: 生活時間の男女差（全国計）
fig3: 生活時間変数間の散布図（仕事vs趣味、家事vsTV）
fig4: PCAスコアプロット & ローディングプロット

本コードは SSDSE-D-2023.csv の実データを使用。合成データ・乱数生成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 [大学生・一般の部]
データ出典：SSDSE-D 社会生活基本調査（統計数理研究所・総務省統計局）

⚠️ 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。
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。
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。
🔭 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。
📅 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。
🌲 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) 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
医療アクセスと健康アウトカム：操作変数法によるパネル分析
次の論文 →
地域別賃金水準の決定要因