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） ★

デジタルデバイドの地域格差
交通・通信費を指標とした情報格差の分析

⏱️ 推定読了時間: 約41分
SSDSE-B（都道府県別パネルデータ） | 47都道府県 × 2012〜2023年 | OLS回帰 / PCA / Ward法クラスタリング
📝 3行で分かる要約

目次

  1. 研究概要と背景
  2. データと変数設計
  3. 時系列分析：地域別交通・通信費の推移
  4. OLS回帰：交通・通信費の決定要因
  5. 主成分分析（PCA）
  6. Ward法クラスタリング
  7. まとめと政策的含意
  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_15_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_15_shorei.py
図は html/figures/ に自動保存されます。
概
研究概要と背景

「デジタルデバイド（digital divide）」とは、インターネットやデジタル技術にアクセスできる人とできない人の間に生じる格差のことである。日本では地域間・年齢間・経済力間の格差が複合的に絡み合い、情報格差が社会的不平等を拡大させることが懸念されている。

まず「デジタルデバイドの地域格差交通・通信費を指標とした情報格差の分析」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。

しかし、デジタルデバイドを直接測定できる統計は限られている。本研究では、SSDSE-B（都道府県別パネルデータ）の「交通・通信費（二人以上の世帯）」を 情報インフラへの支出の代理変数（proxy variable） として活用し、地域別・時系列的な情報格差の構造を解析する。

なぜ交通・通信費がデジタルデバイドの代理指標になるのか 家計の「交通・通信費」にはスマートフォン・インターネット回線・PC等のIT関連支出が含まれる。この費目の地域差は、通信インフラの整備状況・世帯の情報技術への投資意欲・デジタルサービスへのアクセス格差を反映すると考えられる。直接的なデジタルデバイド指標（ネット利用率等）が都道府県別・時系列で得られない中で、最も利用しやすいパネルデータとしての意義がある。
分析の流れ
SSDSE-B
47都道府県
2012〜2023
→
時系列分析
地域別推移
の可視化
→
OLS回帰
決定要因
の特定
→
PCA
次元削減
構造把握
→
Ward法
都道府県
グループ化

SSDSE-B パネルデータ OLS回帰 主成分分析（PCA） Ward法クラスタリング デジタルデバイド

データと変数設計

使用データ

SSDSE-B-2026（社会・人口統計体系 都道府県データ）を使用。全47都道府県を対象に2012〜2023年の12年分のパネルデータを構築した。

47
都道府県（N）
12
年度（2012〜2023）

目的変数（代理変数）

変数名内容単位役割
交通・通信費（二人以上の世帯） 月額家計支出のうち交通・通信費カテゴリ 円/月 デジタルデバイドの代理指標

説明変数（2022年断面データで使用）

変数名計算式仮説（符号予測）
高齢化率 65歳以上人口 / 総人口 × 100 負（高齢↑ → IT利用↓）
大学数 都道府県内大学数（実数） 正（高等教育機関 → IT親和性↑）
消費支出_log log（消費支出（二人以上の世帯）） 正（所得水準代理 → 通信費↑）
保育所密度 保育所等数 / 総人口 × 10,000 正（若い世帯 → IT利用↑）

PCA・クラスタリング用の多次元指標セット

変数意味
通信費_千円交通・通信費（千円換算）
高齢化率高齢化の進捗（情報格差の主因）
大学数高等教育機関の集積
消費支出_log所得水準の対数変換
教育費_千円教育支出（知識投資の代理）
保育所密度若い世帯の比率（IT利用と正相関）
対数変換（log変換）を使う理由 消費支出のような金額データは右裾が長い分布になりやすい。対数変換により分布を正規分布に近づけ、OLS回帰の仮定（誤差の正規性）を満たしやすくする。また「%変化の効果」として係数を解釈できる利点もある。
1
時系列分析：地域別交通・通信費の推移

2012〜2023年の交通・通信費の地域別平均を追うことで、情報格差がどのように変化してきたかを把握する。

地域別交通・通信費の時系列推移
図1：地域別の交通・通信費（千円/月）の時系列推移（2012〜2023年）。6地域の平均値をプロット。
📌 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。
読み取りのポイント
  • 全国的な上昇傾向：スマートフォンの普及・通信費の増大により、多くの地域で交通・通信費は2010年代後半から増加傾向にある。
  • 地域間格差の持続：関東・中部など都市圏が高め、北海道・東北・九州・沖縄が低い傾向。この差がデジタルデバイドの地域格差を示唆する。
  • コロナ禍前後の変化：2019〜2021年にかけてテレワーク需要の拡大で通信費が増加した地域がある一方、外出自粛による交通費の減少で相殺された可能性も読み取れる。

DS LEARNING POINT 1

代理変数（Proxy Variable）の設計

「デジタルデバイド」は直接測定できない概念（潜在変数）である。統計分析では、測定困難な概念を観測可能な変数で近似する「代理変数」の技法が重要になる。

  • 理想の指標：インターネット利用率、スマートフォン保有率（都道府県別・時系列が限定的）
  • 代理指標：交通・通信費（SSDSE-Bで47都道府県×12年が利用可能）
  • 注意点：交通費と通信費が混在しており、IT支出のみを完全に切り離せない。代理変数の限界を明示することが誠実な分析。
# 代理変数の妥当性チェック：相関による外部検証 # 理想的には、独立した外部データで代理変数の妥当性を確認する # 例：消費支出との相関（豊かな地域は通信費も高い → 代理変数の妥当性を間接支持） from scipy import stats corr, pval = stats.pearsonr( df_2022['消費支出（二人以上の世帯）'], df_2022['交通・通信費（二人以上の世帯）'] ) print(f"消費支出との相関: r={corr:.3f}, p={pval:.4f}") # 代理変数の限界を定量化：交通費と通信費を分離できないバイアス # → 感度分析（sensitivity analysis）で結論の頑健性を確認する
2
OLS回帰：交通・通信費の決定要因

2022年断面データ（N=47）を用いて、交通・通信費（対数）を目的変数とした最小二乗法（OLS）回帰を実施する。どの社会経済指標が情報格差を説明するかを特定することが目的である。

log(通信費)ᵢ = β₀ + β₁(高齢化率)ᵢ + β₂(大学数)ᵢ + β₃(消費支出_log)ᵢ + β₄(保育所密度)ᵢ + εᵢ

i = 1, 2, ..., 47（都道府県）
OLS回帰係数プロット
図2：OLS回帰係数（95%信頼区間付き）。赤塗りは p<0.05 の有意な変数。N=47（2022年）。
📌 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。

回帰結果サマリー（N=47, 2022年）

説明変数 回帰係数 標準誤差 t値 p値 有意性
(定数項) -7.671 3.908 -1.963 0.056 —
高齢化率 0.008 0.007 1.150 0.257 n.s.
大学数 -0.003 0.001 -2.962 0.005 **
消費支出_log 1.433 0.306 4.687 <0.001 ***
保育所密度 0.027 0.028 0.968 0.338 n.s.

R²=0.445, 修正R²=0.392, F統計量=8.42, p<0.001。** p<0.01, *** p<0.001

回帰結果の解釈
  • 消費支出_log（β=1.433, p<0.001）：最も強い正の効果。所得水準の高い地域ほど交通・通信費も高く、デジタルサービスへの投資が活発。所得格差がデジタルデバイドに直結することを示す。
  • 大学数（β=-0.003, p=0.005）：有意な負の効果。大都市圏は大学数が多い一方、相対的に通信費比率が低い可能性（大学数が都市規模の代理であり、都市では交通費が低く通信費のみが高い構造的違いも考えられる）。
  • 高齢化率・保育所密度：いずれも有意でない（p>0.05）。N=47という小サンプルでは検出力が限られるため、効果がゼロとは言えない点に注意。

DS LEARNING POINT 2

PCA（主成分分析）の仕組みと固有値・負荷量の解釈

OLS回帰で「何が重要か」を特定した後、PCAで多次元指標を低次元に圧縮し、都道府県の「情報格差プロファイル」を可視化する。

PCAの核心は固有値分解（eigendecomposition）にある：

from sklearn.preprocessing import StandardScaler from sklearn.decomposition import PCA # Step 1: 標準化（各変数の平均=0, 分散=1） scaler = StandardScaler() X_sc = scaler.fit_transform(X) # X: (47, 6) # Step 2: PCA実行 pca = PCA(n_components=6) pca.fit(X_sc) # 固有値（分散）= 各主成分が説明する分散量 eigenvalues = pca.explained_variance_ print("固有値:", eigenvalues.round(3)) # → [2.1, 1.3, 0.9, 0.7, ...] ← Kaiser基準: 固有値>1を採用 # 寄与率（各主成分が全分散に占める割合） ratio = pca.explained_variance_ratio_ print(f"PC1: {ratio[0]*100:.1f}%, PC2: {ratio[1]*100:.1f}%") print(f"累積: {ratio[:2].sum()*100:.1f}%") # 2主成分での説明力 # 因子負荷量（loadings）= 元変数と主成分の相関係数 loadings = pca.components_.T # shape: (変数数, 主成分数) for i, var in enumerate(var_names): print(f"{var}: PC1={loadings[i,0]:.3f}, PC2={loadings[i,1]:.3f}")
3
主成分分析（PCA）

6変数（通信費・高齢化率・大学数・消費支出・教育費・保育所密度）を用いて、47都道府県の「情報格差プロファイル」を2次元で可視化する。PCAは多次元データを少数の主成分に圧縮し、都道府県間の類似性と差異を俯瞰する手法として有効である。

PCAスコアプロット・スクリープロット
図3（左）：PCAスコアプロット。各都道府県が2次元の主成分空間に配置される。（右）スクリープロット（各主成分の寄与率）。
📌 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結果の読み取り
  • PC1（横軸）：寄与率が最大の主成分。多くの場合、消費支出・通信費など「経済的豊かさ」に関連する変数が強く寄与する。右に位置するほど所得・通信費が高い都道府県。
  • PC2（縦軸）：PC1と直交する方向の変動。高齢化率・保育所密度など「人口構造」の変動を捉える可能性がある。
  • 地域クラスター：関東（赤）が右方向に分布し、北海道・東北（青）が左側に集まる傾向があれば、PC1が「都市農村格差」を表している。
  • スクリープロット：固有値の肘（elbow）がどこにあるかを確認し、有効な主成分数を判断する（Kaiser基準：固有値>1）。
PCAの限界と注意点 PCAは変数間の線形関係のみを捉える。また、主成分の「解釈」は分析者の判断に依存するため、複数の解釈が可能な場合がある。クラスタリングの前処理として使う場合は、主成分の数を慎重に選択することが重要。
4
Ward法クラスタリング

PCAで次元削減した後、Ward法（階層的クラスタリング）を用いて47都道府県をデジタルデバイドの類似性に基づいてグループ分けする。デンドログラムにより、どの都道府県が近い特性を持つかを視覚的に把握できる。

Ward法クラスタリングデンドログラム
図4：Ward法によるデンドログラム。縦軸の高い位置で結合するほどグループ間の差異が大きい。色のしきい値で主要クラスターを視覚的に識別。
📌 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。
デンドログラムの読み方
  • 横軸：各都道府県（葉）が配置される。近くに配置された都道府県ほど特性が似ている。
  • 縦軸：結合距離（Ward法の不均一性の増加量）。高い位置で結合するほどグループ間の差が大きい。
  • クラスター数の決定：デンドログラムの「大きなジャンプ」がある高さで水平線を引き、クラスター数を決定する（例：3〜5クラスター）。
  • 政策的解釈：同じクラスターに属する都道府県は同様のデジタルデバイド構造を持つとみなし、クラスター単位での政策立案が効果的。

DS LEARNING POINT 3

Ward法クラスタリングの距離計算と結合アルゴリズム

Ward法は「クラスター内の分散（不均一性）の増加量を最小化するクラスターを結合する」手法。正式には「誤差平方和（ESS）最小化基準」とも呼ばれる。

from scipy.cluster.hierarchy import linkage, dendrogram, fcluster import matplotlib.pyplot as plt # Ward法の実行（入力: 標準化済みデータ, shape=(47, 6)） Z = linkage(X_sc, method='ward') # Z: (N-1) × 4 の結合行列 # 各行: [クラスターA, クラスターB, 距離, クラスターサイズ] # Ward法の距離 d(A, B) は: # d(A,B) = sqrt( nA*nB/(nA+nB) * ||mean_A - mean_B||^2 ) # ← クラスター間の重心距離を要素数で重み付け # クラスター数の選択: 融合距離の変化量を確認 last_merge_dists = Z[-10:, 2] print("最後の10結合の距離:", last_merge_dists.round(2)) # 大きなジャンプがある場所でカット → クラスター数 # クラスターラベルの付与（例: 4クラスター） n_clusters = 4 labels = fcluster(Z, n_clusters, criterion='maxclust') print("クラスター所属:", dict(zip(pref_names, labels))) # デンドログラムの描画 fig, ax = plt.subplots(figsize=(12, 5)) dendrogram(Z, labels=pref_names, ax=ax, color_threshold=Z[-3, 2], # 上位3結合でカット leaf_rotation=90, leaf_font_size=8) plt.tight_layout() plt.savefig('dendrogram.png', dpi=150)

クラスタリングで期待される都道府県グループ

クラスター 主な都道府県（例） 特性 デジタルデバイド状況
グループA 東京都・神奈川県・愛知県 高所得・高通信費・大学多数 格差小（情報リッチ）
グループB 大阪府・兵庫県・宮城県 中規模都市・通信費中程度 格差中程度
グループC 岩手県・秋田県・鳥取県 低人口密度・高齢化進行 格差大（情報プア）
グループD 沖縄県 特殊な人口構造・低所得 独自の格差構造

※上表は期待されるグループ構造の例示。実際のクラスター所属はデンドログラムで確認すること。

まとめと政策的含意

分析結果のまとめ

  1. 地域間格差の持続（時系列分析）：2012〜2023年を通じて、関東・中部（都市圏）と北海道・東北・九州（地方圏）の交通・通信費には一定の格差が持続しており、デジタルデバイドの地域構造が固定化している。
  2. 所得格差が主因（OLS回帰）：消費支出（所得の代理）が交通・通信費を最も強く説明（β=1.433, p<0.001）。デジタルデバイドは単なる「インフラの問題」ではなく、根本的な経済格差に起因することを示す。
  3. 大学数の負効果：大学数が多い都市圏ほど通信費の相対的な水準が低い可能性（交通費の高さが費目を圧迫する、または都市では通信費の単価競争で低下している等の構造的要因が示唆される）。
  4. 都道府県のグループ化（クラスタリング）：Ward法により都道府県をデジタルデバイドの構造的類似性でグループ化。政策立案にあたってグループ別の対策を検討する必要性を示す。

DS LEARNING POINT 4

デジタルデバイドの政策的含意：情報格差が生む社会的不平等

統計分析が示すデジタルデバイドは、単なる「通信費の差」ではなく、社会的不平等の縮図である。

  • 教育格差との連鎖：デジタルツールへのアクセスが限られる地域では、オンライン教育・就職活動・行政サービスの利用が困難になる（デジタル貧困の連鎖）。
  • 医療情報格差：遠隔医療・健康情報サービスへのアクセスが地域格差を悪化させる（特に高齢化が進む地方で深刻）。
  • 経済機会の不平等：テレワーク・EC・フリーランス等のデジタル経済から排除されるリスク。

政策的処方箋：

# 政策効果の統計的評価（差の差推定法: DID） # 例：光ファイバー整備事業の通信費への効果 # 処置群（整備対象都道府県）vs 対照群（非対象） # 前後比較（整備前後） # DID推定量: # δ = (通信費_処置群_後 - 通信費_処置群_前) # - (通信費_対照群_後 - 通信費_対照群_前) # 実装例（statsmodels） import statsmodels.formula.api as smf model = smf.ols( '通信費_log ~ 処置ダミー + 後期ダミー + 処置ダミー:後期ダミー', data=panel_df ).fit() # 交互作用項の係数 = DID推定量（政策効果） print(model.params['処置ダミー:後期ダミー']) print("これが光ファイバー整備のデジタルデバイド削減効果（対数差）")
今後の発展方向
  • 固定効果モデル（FE）・変量効果モデル（RE）によるパネルデータの適切な分析
  • 交通費と通信費を分離したデータによる代理変数の精度向上
  • 差の差推定（DID）による情報通信インフラ政策の効果評価
  • SSDSE-Eの所得分布データとの組み合わせによる貧困・格差分析の深化
教育的価値（この分析から学べること）
  • デジタルデバイド：情報通信機会の格差。所得・年齢・地域による3層構造を持つ。
  • 複数指標の合成：回線速度・スマホ普及率・テレワーク率など複数指標を統合する必要がある。
  • ICTと経済成長：双方向の関係（内生性）が強いため、因果方向の特定が難しい。

データ・コードのダウンロード

分析スクリプト（2022_U5_15_shorei.py）
データ出典
SSDSE-B-2026.csv（都道府県別パネルデータ） 統計数理研究所 SSDSE（社会・人口統計体系）
交通・通信費（二人以上の世帯） 総務省 家計調査（SSDSE-B 収録）
高齢化率・大学数・保育所等数 総務省・文部科学省・厚生労働省（SSDSE-B 収録）

本教育用コードは SSDSE-B-2026.csv の実データのみを使用（合成データ・乱数生成なし）。

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）｜ 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。
🔭 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。
🔄 差分の差分法（DiD）
何？
政策効果の「因果的推定」手法。処置群と対照群、政策前後の2種類の差を組み合わせる。
どう使う？
（処置群の変化）−（対照群の変化）で、政策なしでも起きていた変化を差し引く。
何がわかる？
「地方創生政策がなければどうなっていたか」を推測し、政策の純粋な効果を数値化できる。
結果の読み方
DiD推定値がプラスで有意なら政策は目的変数を増加させた。「平行トレンド仮定」（政策前は両群が同トレンド）の確認が重要。
⚠️ 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
地域別賃金水準の決定要因
次の論文 →
住宅価格の格差と影響を与える要因