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

地域別賃金水準の決定要因
消費支出・雇用指標を用いたパネル分析

⏱️ 推定読了時間: 約37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. データと変数の設計
  3. 時系列分析：地域別消費支出の推移
  4. 雇用環境の地域分布：求人倍率の箱ひげ図
  5. パネルOLS 固定効果モデルの推定結果
  6. 散布図：求人倍率 vs 消費支出（2022年）
  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-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_14_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_14_shorei.py
図は html/figures/ に自動保存されます。
概
研究概要と背景

日本の地域間賃金格差は長年の政策課題となっている。本研究は「なぜ地域によって賃金水準（生活水準）が異なるのか」という問いに対し、都道府県別パネルデータを用いた固定効果回帰モデルで統計的に迫った。

まず「地域別賃金水準の決定要因消費支出・雇用指標を用いたパネル分析」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。

賃金水準の直接データとして最低賃金・平均賃金データが理想的だが、SSDSE-B のような統合公開データセットには含まれない。そこで本研究では 消費支出（二人以上の世帯）を賃金・生活水準の代理変数として使用する。消費支出は可処分所得（≒賃金）と強く連動するという経済学的根拠（ケインズの消費関数）がある。

研究の問い 都道府県別の消費支出水準（賃金の代理変数）を決定する要因は何か？
雇用環境（求人倍率）・高齢化・人的資本・人口移動という4つの仮説を、パネルデータで検証する。
分析の流れ
SSDSE-B
47都道府県
×12年
→
時系列
地域別比較
→
求人倍率
地域分布
→
FEパネルOLS
決定要因推定
→
散布図
直感的検証

SSDSE-B パネルOLS 固定効果モデル 代理変数 地域比較

データと変数の設計

使用データ

項目内容
データソースSSDSE-B-2026（社会・人口統計体系 都道府県データ）
対象全47都道府県
期間2012〜2023年（12年間）
観測数47 × 12 = 564
パネル構造バランスドパネル（欠損なし）

目的変数（被説明変数）

消費支出（二人以上の世帯）[円/月] → log変換 賃金水準の直接データが公開統計では入手困難なため、消費支出を代理変数として使用。 ケインズの消費関数 C = α + βY に基づき、消費支出は可処分所得（≈賃金）の線形関数であることが経済理論の前提となる。 log変換により係数を「弾力性」として解釈できる。

説明変数

求人倍率
= 月間有効求人数 ÷ 月間有効求職者数
労働市場の需給を表す指標。倍率が高いほど求人超過（労働者有利）で賃金上昇圧力がかかる。
高齢化率（%）
= 65歳以上人口 ÷ 総人口 × 100
高齢化が進むと現役世代の負担増・生産性低下が起こり賃金水準に負の影響を与える仮説。
大学学生数（log）
= log（大学学生数）
人的資本の代理変数。教育水準が高い地域では高スキル労働者が集積し、賃金水準を押し上げる。
純移動率（‰）
= (転入 − 転出) ÷ 総人口 × 1000
人口の流入超過 → 労働供給増加 → 賃金抑制、という仮説（あるいは経済的魅力の反映）。

推定モデル

log(消費支出it) = αi + β₁ × 求人倍率it + β₂ × 高齢化率it
　　　　　　　 + β₃ × log(大学学生数it) + β₄ × 純移動率it + εit

αi：都道府県固定効果　　i=1,...,47（都道府県）　　t=2012,...,2023（年度）
1
時系列分析：地域別消費支出の推移

まず、目的変数である消費支出（賃金代理）が6地域でどのように推移してきたかを確認する。地域間の水準差と、コロナ禍（2020〜2021年）の影響も観察できる。

地域別消費支出の時系列推移
図1：地域別 消費支出（賃金代理）の推移（2012〜2023年）。関東が最高水準を維持。2020年のコロナ禍で全国的に一時的な低下が見られる。
📌 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。
読み取りポイント
  • 水準格差の持続：関東・近畿が全期間を通じて高水準。九州・沖縄・北海道東北は低水準で、地域間格差が固定的に続いている。
  • コロナ禍（2020〜2021）：外出自粛・収入減少の影響で消費支出が全国的に低下。地域格差は縮まらず、むしろ開く傾向。
  • 固定効果モデルの意義：こうした「地域固有の水準差（固定効果）」を取り除いた上で、動態（年次変化）の影響を推定する必要がある。

DS LEARNING POINT 1

代理変数（Proxy Variable）の利用

分析したい概念（賃金水準）を直接測定できないとき、理論的に強く相関する別の変数（消費支出）で代替することを「代理変数の利用」という。有効な代理変数の条件は2つ：(1) 目的概念と高い相関を持つ、(2) 代理変数自体が独立した意味を持つ誤差源を持たない。

# ケインズの消費関数の確認：消費 C ≈ α + β × 可処分所得 Y # β（限界消費性向）は通常 0.6〜0.8 の範囲 # # 代理変数の妥当性チェック： # 消費支出 vs 平均賃金（別ソースがあれば）の相関確認 import pandas as pd from scipy import stats # 2022年断面での相関（例示） # r = stats.pearsonr(消費支出, 平均賃金)[0] # print(f"消費支出 vs 平均賃金の相関: r = {r:.3f}") # → r > 0.8 程度であれば代理変数として妥当
2
雇用環境の地域分布：求人倍率の箱ひげ図

賃金水準の主要な説明変数として採用した「求人倍率」が、地域によってどのように分布しているかを確認する。求人倍率は労働市場の需給バランスを示す最も基本的な雇用指標である。

地域別求人倍率の箱ひげ図
図2：地域別 求人倍率の分布（2012〜2023年）。赤破線は倍率=1.0（需給均衡）。関東・中部が高倍率、北海道・東北が低倍率の傾向。
地域別求人倍率の特徴
  • 関東・中部：中央値が1.0を超え、求人超過（労働者有利）。製造業や都市型サービス業が集積し、労働需要が旺盛。
  • 北海道・東北：1.0前後で推移し、ばらつきも小さい。求職者と求人がほぼ均衡しているが、低賃金職が多い構造的問題もある。
  • 九州・沖縄：分布の幅が広く、県による異質性が高い（福岡県が押し上げ）。

DS LEARNING POINT 2

有効求人倍率の計算と解釈

有効求人倍率は公共職業安定所（ハローワーク）に登録された求人・求職のデータから算出される。1.0を境に「求人超過（売り手市場）」か「求職超過（買い手市場）」かが決まる。ただし、ハローワーク経由でない民間求人・求職は含まれないため、実態より低めに出る傾向がある。

# 求人倍率の計算 df['求人倍率'] = (df['月間有効求人数（一般）'] / df['月間有効求職者数（一般）'].replace(0, float('nan'))) # 解釈の目安 # 倍率 > 1.0 → 求人超過（企業が人材を取り合う）→ 賃金上昇圧力 # 倍率 < 1.0 → 求職超過（労働者が職を取り合う）→ 賃金抑制圧力 # 倍率 = 1.0 → 需給均衡（理論上の均衡点） # 注意：パートタイム求人が多い地域は見かけ上高倍率になりやすい # → 一般（フルタイム等）と「一般」区分を使うことで一定程度補正
3
パネルOLS 固定効果モデルの推定結果

固定効果モデル（PanelOLS, entity_effects=True）を推定し、各説明変数が消費支出（賃金代理）に与える影響を定量化する。都道府県固定効果により「東京は消費が高い」といった地域固有の水準差は除去され、各都道府県内での年次変動が係数を識別する。

固定効果パネルOLSの係数プロット
図3：消費支出（賃金代理）の決定要因 — FEパネルOLS（47都道府県 × 12年 = 564観測）。赤=p<0.05, 灰=非有意。95%信頼区間（1.96σ）を表示。

推定結果の数値表

説明変数 係数 標準誤差 t統計量 p値 解釈
求人倍率 0.013 0.014 0.93 0.352 非有意
高齢化率（%） −0.001 0.002 −0.28 0.777 非有意
大学学生数（log） −0.172 0.080 −2.15 0.032 有意（負）
純移動率（‰） 0.002 0.004 0.37 0.713 非有意

クラスター標準誤差（都道府県クラスター）による推定。F検定（固定効果の同時有意性）: p<0.0001（固定効果の必要性が強く支持）。

固定効果モデルの解釈上の注意

今回の固定効果モデルでは、求人倍率・高齢化率・純移動率は非有意。これは「これらの変数が重要でない」のではなく、固定効果（都道府県の恒常的差異）を除去した後のwithin変動では有意差が検出されなかったことを意味する。つまり、「東京は求人が多くて消費も高い」という関係はwithinでなくbetween（都道府県間）に存在している可能性が高い。

大学学生数が有意な負の係数となったのは、学生が増加すると若年低所得者が増え、世帯平均消費支出を押し下げるという構成効果の可能性がある。

DS LEARNING POINT 3

固定効果モデルが「除去」するものの直感的理解

固定効果（entity effects）とは「各都道府県が時代を通じて持つ固有の特性（地理・産業構造・文化等）」を丸ごとコントロールする手法。固定効果を入れることで、観察できない変数による omitted variable bias（脱落変数バイアス）を防げる。

# 固定効果モデルの推定（linearmodels） from linearmodels.panel import PanelOLS import statsmodels.api as sm # インデックスを [都道府県, 年度] に設定 df_panel = df.set_index(['都道府県', '年度']) y = df_panel['消費支出_log'] X = sm.add_constant(df_panel[['求人倍率', '高齢化率', '大学学生_log', '純移動率']]) # entity_effects=True → 都道府県固定効果を吸収 mod = PanelOLS(y, X, entity_effects=True, drop_absorbed=True) res = mod.fit(cov_type='clustered', cluster_entity=True) # ↑ クラスター標準誤差：同一都道府県内の誤差相関を許容 # 固定効果が必要かどうかのF検定 # F-test for Poolability: p < 0.001 → 固定効果は必要 print(res.summary)
4
散布図：求人倍率 vs 消費支出（2022年断面）

パネル分析（within推定）に対して、2022年の断面データで求人倍率と消費支出の関係を直感的に確認する。断面での相関はbetween（都道府県間）の差を示すため、固定効果モデルの結果と異なる情報を与える。

求人倍率vs消費支出の散布図（2022年）
図4：求人倍率 vs 消費支出（2022年, N=47都道府県）。回帰直線と相関係数を表示。色は地域区分。都道府県名の略称でラベリング。
📌 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。
散布図からの読み取り
  • 断面相関（between）では求人倍率と消費支出に正の関係が見られる都道府県が多い。
  • 関東諸県（東京・神奈川・埼玉・千葉）は高消費支出グループ。愛知（中部）も高い。
  • 九州・沖縄・東北の各県は消費支出が低い傾向。
  • 固定効果モデル（within推定）では求人倍率が非有意だったが、断面では相関が見える → これは「都道府県固有の構造的差異」が消費格差の大部分を説明していることを示す。
Within vs Between：パネル分析の核心 固定効果モデルの「within推定量」は、各都道府県内での時系列変動のみから係数を識別する。断面での相関（between）と乖離する場合、それは「都道府県間の恒常的差異」と「各都道府県内の動態変化」が異なる構造を持つことを意味する。パネルデータ分析の強みは、この2つを分離できる点にある。

DS LEARNING POINT 4

ケインズの消費関数と統計的検証

ケインズ（1936）の提唱した消費関数 C = α + βY は、消費C が所得Y の線形関数であるという理論。β は限界消費性向（MPC）と呼ばれ、所得が1単位増えたとき消費がどれだけ増えるかを示す（通常0.6〜0.8）。この理論的関係が代理変数利用の経済学的根拠となる。

# ケインズ型消費関数の単純確認（2022年断面） from scipy import stats import numpy as np df_2022 = df[df['年度'] == 2022].dropna(subset=['消費支出_万円', '求人倍率']) # 求人倍率 ≈ 賃金水準の動態指標として消費との相関を確認 slope, intercept, r, p, se = stats.linregress( df_2022['求人倍率'], df_2022['消費支出_万円'] ) print(f"傾き（slope）: {slope:.2f} 万円/倍率") print(f"切片（intercept）: {intercept:.2f} 万円") print(f"ピアソン相関: r = {r:.3f}, p = {p:.3f}") # 注意：求人倍率は所得の直接測定値ではないため、 # 係数は「消費関数の限界消費性向」そのものではない # → 雇用市場の逼迫度と生活水準の関係を表す「傾向」として解釈

まとめと考察

主要な発見

47都道府県 × 12年のバランスドパネルデータを用いた固定効果OLS推定の結果：

  1. 地域間格差の固定性：関東・近畿が全期間を通じて高い消費支出水準を維持。固定効果モデルのPoolability F検定（p<0.001）が、都道府県固定効果の統計的必要性を強く支持。
  2. Within推定の結果：求人倍率・高齢化率・純移動率は固定効果除去後の内部変動では非有意。地域間格差（between）は大きいが、各県内の年次変化（within）では説明変数の影響が短期間では検出されにくい。
  3. 大学学生数の有意な負の効果：固定効果除去後でも大学学生数の増加は消費支出を有意に低下させる（係数 −0.172, p=0.032）。学生人口増が世帯平均消費を引き下げる構成効果と解釈できる。
  4. 代理変数の限界：消費支出は賃金の良い代理変数だが、高齢者・年金受給者世帯が多い地域では実際の賃金水準と乖離しうる。
政策的示唆 地域間の消費支出（生活水準）格差は、求人倍率などの年次変動要因ではなく、産業構造・インフラ・人的資本蓄積などの構造的・長期的要因によって規定されている可能性が高い。短期的な雇用政策よりも、産業集積・教育投資・都市機能強化といった長期政策の方が地域格差縮小に有効と考えられる。
今後の課題
  • 実際の最低賃金・平均賃金データ（都道府県別）との接合による代理変数検証
  • 時間固定効果（year effects）の追加によるマクロ共通ショック（リーマンショック・コロナ）の制御
  • 動的パネル（Arellano-Bond GMM）による内生性問題への対処
  • Hausman検定による固定効果 vs 変量効果の選択根拠の明示
教育的価値（この分析から学べること）
  • 地域別賃金水準：産業構造・労働需給・物価水準の合成結果。単純比較は誤りを生みやすい。
  • 名目賃金 vs 実質賃金：物価を考慮した実質賃金で見ないと、地域比較の意味が薄い。
  • Mincer賃金関数：教育年数・経験年数で賃金を説明する古典モデル。地域効果を追加することで地域格差を測れる。

データ・コードのダウンロード

分析スクリプト（2022_U5_14_shorei.py）
項目内容・出典
SSDSE-B-2026.csv統計数理研究所「社会・人口統計体系データセット」都道府県データ（2012〜2023年）
linearmodelsPanelOLS: pip install linearmodels
statsmodelsOLS, add_constant: pip install statsmodels
scipystats.linregress: pip install scipy

本教育用コードはSSDSE-B-2026.csv（実公開データ）のみを使用。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 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]
地域別賃金水準の決定要因：消費支出・雇用指標を用いたパネル分析

⚠️ 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。
⚖️ Hausman検定
何？
パネルデータ分析で「固定効果（FE）」と「変量効果（RE）」のどちらを使うべきかを統計的に判断する検定。
どう使う？
両モデルの係数が大きく異なれば RE に不整合あり → FE を採用。
何がわかる？
パネル分析のモデル選択を客観的な基準で決定できる。
結果の読み方
p < 0.05 → 固定効果モデルを採用。p ≥ 0.05 → 変量効果モデルも選択肢。
⚠️ 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。
🧩 GMM（一般化積率法）
何？
内生性のある変数が含まれる動的パネルモデルで、逆因果を制御しながら係数を推定する手法（Arellano-Bond GMM）。
どう使う？
過去のラグ変数を操作変数として使い、通常の固定効果モデルで生じるバイアスを除く。
何がわかる？
「前期の値が今期に影響する」ような動的な関係があっても、内生性を制御した一致推定量を得られる。
結果の読み方
係数解釈は通常の回帰と同様。Sargan検定（操作変数の有効性）と自己相関検定も合わせて確認する。
⚠️ 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。

🚀 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
生活時間と幸福感：SSDSE-D「社会生活基本調査」を用いた…
次の論文 →
デジタルデバイドの地域格差