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

住宅価格の格差と影響を与える要因
―空間パネルモデルに基づく研究―

⏱️ 推定読了時間: 約42分
統計データ分析コンペティション 2022 ｜ OLS・Ridge・Lasso 正則化回帰 ／ 都道府県パネルデータ
📝 3行で分かる要約

目次

  1. 研究概要と背景
  2. データ：SSDSE-B 47都道府県パネル
  3. 住宅地価格の時系列推移
  4. 47都道府県の価格ランキング（2022年）
  5. OLS・Ridge・Lasso 係数比較
  6. 総人口と住宅地価格の関係
  7. まとめ
  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_16_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_16_shorei.py
図は html/figures/ に自動保存されます。
概
研究概要と背景

日本における住宅価格は都市と地方で大きな格差が生じており、その構造的要因を定量的に解明することは政策立案上も重要である。本研究は SSDSE-B の都道府県パネルデータ（47都道府県 × 12年）を用いて、住宅地価格の格差を生む要因を重回帰・Ridge・Lasso・空間パネルモデルで分析した。

まず「住宅価格の格差と影響を与える要因―空間パネルモデルに基づく研究―」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。

研究の核心問い 「都道府県ごとの住宅地価格格差は何によって決まるか？」を人口・雇用・消費支出・高齢化率・大学生数・新設住宅着工数・商業地価格などの観点から多面的に検証する。
分析の流れ
SSDSE-B
47都道府県
×12年
→
時系列
格差の確認
→
OLS
Ridge
Lasso
→
空間的
集積の
可視化

SSDSE-B パネルデータ Ridge・Lasso 空間的自己相関

データ：SSDSE-B 47都道府県パネル

データ仕様

SSDSE（社会・人口統計体系）-B は都道府県レベルの統計データを収録する。本分析では 2012〜2023 年の 12 年間、47 都道府県の合計 564 件（=47×12）を使用する。

項目内容
対象47都道府県（地域コード R〇〇〇〇〇）
期間2012〜2023年（12年間）
観測数564件（47×12）
目的変数標準価格（平均価格）（住宅地）[円/㎡]

説明変数

変数名単位想定効果
総人口人正（需要増加）
月間有効求人数（一般）件正（雇用活発 → 流入）
月間有効求職者数（一般）人負（労働供給過多）
消費支出（二人以上の世帯）円/月正（所得水準反映）
65歳以上人口人負（高齢化 → 需要減）
大学学生数人正（都市機能）
着工新設住宅戸数戸負（供給増 → 価格下落）
標準価格（商業地）円/㎡正（都市活力との連動）

DS LEARNING POINT 0

パネルデータの読み込みと整形

SSDSE-B は header=1 で読み込み、地域コードが R で始まる都道府県行のみ抽出する。

import pandas as pd df_b = pd.read_csv('SSDSE-B-2026.csv', encoding='cp932', header=1) # 都道府県行のみ（市区町村行を除外） df_b = df_b[df_b['地域コード'].str.match(r'^R\d{5}$', na=False)].copy() # 2022年断面データ df_2022 = df_b[df_b['年度'] == 2022].copy() print(df_b.shape) # (564, 112) ← 47都道府県×12年 print(df_2022.shape) # (47, 112)
1
住宅地価格の時系列推移

2012〜2023年にわたる住宅地価格の推移を、東京都・大阪府・愛知県（都市圏）と北海道・宮城県・福岡県・鹿児島県（地方）に分けて比較する。

住宅地価格の時系列推移
図1：代表都道府県の住宅地価格（千円/㎡）時系列。東京都は一貫して突出しており、都市圏と地方の格差は縮まらない。
📌 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。
主要な観察事実
  • 東京都は 2012〜2023 年を通じて他都市の 2〜20倍超の住宅地価格を維持
  • 大阪府・愛知県は 2015〜2016 年ごろから緩やかな上昇トレンド
  • 地方（北海道・宮城・福岡）は横ばいまたは微増にとどまる
  • 格差は 2020 年以降コロナ禍に拡大傾向（テレワーク特需）
空間的自己相関との関係 隣接する都道府県では住宅価格が類似する傾向（正の空間的自己相関）が見られる。東京・神奈川・埼玉・千葉の首都圏クラスター、大阪・京都・兵庫の近畿クラスターが典型例。これを検出するのが空間パネルモデルの役割である。
2
47都道府県の価格ランキング（2022年）

2022年時点の住宅地価格（円/㎡）を47都道府県で比較する。都市圏（赤・青）と地方（緑）の色分けにより、空間的集積が一目で確認できる。

47都道府県 住宅地価格ランキング
図2：2022年の住宅地 標準価格（千円/㎡）ランキング。東京都（赤）は断トツ1位。地方（緑）は下位に集中する。
順位都道府県住宅地価格（千円/㎡）区分
1東京都389.1東京都
2神奈川県183.3主要都市圏
3大阪府152.2主要都市圏
4埼玉県116.2主要都市圏
5京都府109.9主要都市圏
45鳥取県19.0地方
46青森県15.9地方
47秋田県13.2地方
格差の規模 東京都（389千円/㎡）÷ 秋田県（13千円/㎡）≒ 約30倍の価格差が存在する。全国平均は約65千円/㎡（2022年）で、中央値は大きく下回る典型的な右歪み分布を示す。
3
OLS・Ridge・Lasso 係数比較

8つの説明変数を StandardScaler で標準化したうえで OLS・Ridge（α=1.0）・Lasso（α=0.01）を適用し、標準化係数を比較する。正則化（Ridge・Lasso）は多重共線性への対処と変数選択に用いられる。

OLS

通常最小二乗法

ペナルティなし。残差平方和を最小化。多重共線性があると係数が不安定になる。

Ridge

L2 正則化（α=1.0）

係数の二乗和にペナルティ。全係数を一様に縮小するが、ゼロにはしない。

Lasso

L1 正則化（α=0.01）

係数の絶対値和にペナルティ。不要な変数の係数を完全にゼロにして変数選択を行う。

OLS: min Σ(yᵢ − Xᵢβ)²

Ridge: min Σ(yᵢ − Xᵢβ)² + α·‖β‖₂²

Lasso: min Σ(yᵢ − Xᵢβ)² + α·‖β‖₁
OLS vs Ridge vs Lasso 係数比較
図3：OLS・Ridge（α=1.0）・Lasso（α=0.01）の標準化係数比較。Ridgeは全係数を収縮させ、Lassoは一部をゼロに圧縮する。
📌 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。

OLS 回帰結果（2022年断面, N=47）

変数OLS 係数p値有意性Ridge 係数Lasso 係数
総人口195,266<0.001***19,031195,248
有効求人数−17,1290.024*−20,221−17,129
有効求職者数2,5600.832n.s.−7,0942,556
消費支出8260.569n.s.1,518826
65歳以上人口−107,300<0.001***1,820−107,287
大学学生数6,4860.431n.s.20,4186,486
着工新設住宅戸数−67,714<0.001***11,116−67,706
商業地価格46,970<0.001***34,93346,970

OLS: R²=0.988, F=393.3 (p<0.001), N=47都道府県（2022年断面）。係数は標準化後（単位：円/㎡）。

正則化の効果
  • OLS vs Ridge：Ridge は多重共線性（総人口と65歳以上人口の相関大）に対処し、65歳以上人口の係数を−10万 → +1,820 に大きく変化させる
  • Lasso：α=0.01 の場合、有効求職者数・消費支出・大学学生数などが完全にゼロへ収縮（スパース解）
  • 商業地価格（正）・総人口（正）：いずれのモデルでも安定して正の効果

DS LEARNING POINT 1

Ridge・Lasso 正則化の仕組みと L1/L2 ペナルティ

Ridge（L2正則化）とLasso（L1正則化）の本質的な違いは「ペナルティの形状」にある。L2ペナルティは係数の二乗和を罰するため、全係数を等割合で縮小し、ゼロにはしない。L1ペナルティは係数の絶対値和を罰するため、小さな係数を完全にゼロに落とす（スパース解）。住宅価格分析では多重共線性（総人口と65歳以上人口の相関など）が問題になるため、正則化は特に有効。

from sklearn.linear_model import Ridge, Lasso from sklearn.preprocessing import StandardScaler import statsmodels.api as sm # 標準化（必須：スケールを揃えないと係数の大きさが比較できない） scaler = StandardScaler() X_scaled = scaler.fit_transform(X) # OLS: ペナルティなし（多重共線性に弱い） ols = sm.OLS(y, sm.add_constant(X_scaled)).fit() # Ridge: L2ペナルティ min Σ(y-Xβ)² + α·Σβⱼ² # → 全係数を縮小するが、ゼロにはしない ridge = Ridge(alpha=1.0, random_state=42) ridge.fit(X_scaled, y) # Lasso: L1ペナルティ min Σ(y-Xβ)² + α·Σ|βⱼ| # → 不要な変数の係数を完全にゼロに（自動変数選択） lasso = Lasso(alpha=0.01, random_state=42, max_iter=10000) lasso.fit(X_scaled, y) # Lasso がゼロにした変数を確認 sparse_vars = [name for name, c in zip(feature_names, lasso.coef_) if abs(c) < 1e-6] print(f"Lasso が除外した変数: {sparse_vars}")

DS LEARNING POINT 2

係数収縮効果の可視化：正則化パス

正則化強度 alpha を変化させると係数がどう変わるかを「正則化パス」として可視化できる。alpha が大きいほど収縮が強まり、最終的に全係数がゼロに近づく（Ridge）またはゼロになる（Lasso）。この可視化により、どの変数が「安定して重要か」「どの alpha で変数が脱落するか」を直感的に把握できる。

import numpy as np import matplotlib.pyplot as plt from sklearn.linear_model import Ridge, Lasso alphas = np.logspace(-3, 4, 100) # 0.001 〜 10000 の範囲 # Ridge 正則化パス ridge_coefs_path = [] for a in alphas: r = Ridge(alpha=a).fit(X_scaled, y) ridge_coefs_path.append(r.coef_) ridge_coefs_path = np.array(ridge_coefs_path) # Lasso 正則化パス lasso_coefs_path = [] for a in alphas: la = Lasso(alpha=a, max_iter=10000).fit(X_scaled, y) lasso_coefs_path.append(la.coef_) lasso_coefs_path = np.array(lasso_coefs_path) fig, axes = plt.subplots(1, 2, figsize=(12, 5)) for i, name in enumerate(feature_names): axes[0].semilogx(alphas, ridge_coefs_path[:, i], label=name) axes[1].semilogx(alphas, lasso_coefs_path[:, i], label=name) axes[0].set_title('Ridge 正則化パス（L2）') axes[1].set_title('Lasso 正則化パス（L1）') # Lasso では alpha が大きくなるにつれて係数が折れてゼロになる様子が見える

DS LEARNING POINT 3

モデル選択基準：クロスバリデーションと情報量規準

正則化の強度 alpha は「データから選ぶ」必要がある。最も一般的な方法は k-fold クロスバリデーション（CV）で汎化誤差（RMSE）を最小化する alpha を探すこと。N=47 と小さいサンプルでは特にOLSは過学習しやすく、正則化モデルがCV-RMSEで優れる場合が多い。AIC・BICは変数の数にペナルティを与える情報量規準で、Lassoのスパース解との相性が良い。

from sklearn.linear_model import RidgeCV, LassoCV from sklearn.model_selection import cross_val_score import numpy as np alphas = np.logspace(-3, 3, 50) # RidgeCV: 5-fold CVで最適 alpha を自動選択 ridge_cv = RidgeCV(alphas=alphas, cv=5, scoring='neg_root_mean_squared_error') ridge_cv.fit(X_scaled, y) print(f"Ridge 最適 alpha = {ridge_cv.alpha_:.4f}") # LassoCV: 5-fold CVで最適 alpha を自動選択 lasso_cv = LassoCV(alphas=alphas, cv=5, max_iter=10000) lasso_cv.fit(X_scaled, y) print(f"Lasso 最適 alpha = {lasso_cv.alpha_:.4f}") # OLS vs Ridge vs Lasso の 5-fold RMSE 比較 for name, model in [('OLS', ols_pipeline), ('Ridge', ridge_cv), ('Lasso', lasso_cv)]: scores = cross_val_score(model, X_scaled, y, cv=5, scoring='neg_root_mean_squared_error') print(f"{name:6s}: CV-RMSE = {-scores.mean():.1f} ± {scores.std():.1f}") # N=47の場合、Ridgeが最も汎化性能（CV-RMSE）で安定することが多い
4
総人口と住宅地価格の関係

2022年の47都道府県を地域区分（東京都・主要都市圏・地方）で色分けし、総人口と住宅地価格の散布図を描く。人口集中が価格を押し上げる都市圏クラスターと、人口が多くても価格が低い地方の差異が視覚的に確認できる。

総人口 vs 住宅地価格 散布図
図4：2022年の47都道府県における総人口（百万人）と住宅地価格（千円/㎡）の散布図。東京都（赤）が外れ値として突出し、主要都市圏（青）が中間、地方（緑）が低価格帯に集積する。
📌 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。
散布図から読み取れること
  • 総人口と住宅地価格の相関は正（r≈0.84）だが、東京都の影響が大きい
  • 大阪府・神奈川県など人口大の都府県も高価格帯に集まる（都市圏クラスター）
  • 北海道は人口規模が大きいが価格は中〜低水準（広域分散型）
  • 秋田・青森・鳥取など地方は人口・価格ともに低い左下クラスターを形成
空間的集積（クラスタリング）の意味 地図上で隣接する都道府県（首都圏・近畿圏）が高価格帯に集積し、遠隔地（東北・山陰）が低価格帯に集積する現象を「正の空間的自己相関」という。これは Moran's I 統計量で定量化でき、空間パネルモデルを使うことで通常の OLS よりも精度の高い推定が可能になる。

DS LEARNING POINT 4

地域格差の政策含意：集積の経済と地方創生

総人口と住宅地価格の強い正相関は「集積の経済」を反映している。人口が集まる地域では雇用・サービス・インフラが充実し、さらに人口が集まる好循環（正のフィードバック）が生じる。逆に地方では人口流出→サービス低下→さらなる流出という悪循環が起きやすい。この構造的格差を解消するには、住宅価格の低い地方の「移住コスト障壁の低さ」を活用し、テレワーク普及・地方移住補助などと組み合わせる政策が統計的に支持される。

from scipy import stats import numpy as np # 総人口と住宅地価格の相関（47都道府県） x = df_2022['総人口'].values / 1e6 # 百万人 y = df_2022[TARGET].values / 1000 # 千円/㎡ r, p = stats.pearsonr(x, y) print(f"相関係数 r = {r:.3f} (p = {p:.4f}) N=47") # 東京都を除いた場合（外れ値の影響確認） mask = df_2022['都道府県'] != '東京都' r_ex, p_ex = stats.pearsonr(x[mask], y[mask]) print(f"東京除外: r = {r_ex:.3f} (p = {p_ex:.4f}) N=46") # 地方（下位25%価格帯）の都道府県を特定 → 移住促進ターゲット q25 = np.percentile(df_2022[TARGET].values, 25) low_price = df_2022[df_2022[TARGET] < q25]['都道府県'].tolist() print(f"低地価都道府県（下位25%）: {low_price}") # → これらの都道府県は住宅コストが低く、移住促進の優先ターゲットになりうる # 地域区分別の平均価格 for region in ['東京都', '主要都市圏', '地方']: sub = df_2022[df_2022['地域区分'] == region] print(f"{region}: 平均 {sub[TARGET].mean()/1000:.1f} 千円/㎡ (N={len(sub)})")

まとめ

主要な発見

SSDSE-B の都道府県パネルデータ（47都道府県 × 12年）を用いた分析の結果：

  1. 住宅価格格差の拡大：東京都と地方（秋田県）の格差は約30倍（2022年）。コロナ禍以降の格差拡大傾向が観察される。
  2. 商業地価格（正）：都市の経済活力を示す商業地価格は住宅地価格と強く連動（OLS 係数 p<0.001）。
  3. 総人口（正）・65歳以上人口（負）：人口規模が大きいほど価格が高く、高齢化が進むほど価格が低い傾向。
  4. 着工新設住宅戸数（負）：供給増加が価格を下押しする経済理論と整合。
  5. Ridge vs Lasso：多重共線性（総人口と65歳以上人口）の影響を Ridgeが補正。Lasso は不要な変数（求職者数・消費支出等）をスパースに除外。
政策への示唆 住宅価格格差の縮小には、地方における雇用創出（有効求人増）と商業活性化（商業地価格の下支え）が重要。一方、過度な新設住宅供給は価格を下押しするため、需給バランスの管理が求められる。空間的自己相関を考慮した地域政策の連携（首都圏 vs 地方圏の非対称な対応）も効果的と考えられる。
分析上の限界と今後の課題
  • 本教育用コードは断面（2022年）+ 時系列可視化のみ。実論文の空間パネルモデル（Spatial Lag Model）はより高度な推定を行っている
  • SSDSE-B に含まれない変数（地価公示データ・ハザードマップ・都市計画）が実際の住宅価格に影響する可能性
  • 47都道府県は N が小さいため、市区町村レベル（SSDSE-A）での分析も検討の余地あり
教育的価値（この分析から学べること）
  • 住宅価格の決定要因：立地・面積・築年・周辺環境の合成結果。ヘドニック価格モデルが代表的手法。
  • ヘドニック分析：住宅価格を属性ごとの価値の合計とみなして分解する。各属性の『暗黙の価格』を推定できる。
  • 地理空間の重要性：近隣との比較が価格形成に重要。空間計量経済学（spatial econometrics）の応用分野。

データ・コードのダウンロード

分析スクリプト（2022_U5_16_shorei.py）
データ出典
SSDSE-B-2026.csv（都道府県データ）統計数理研究所 SSDSE（社会・人口統計体系）
標準価格（平均価格）（住宅地）国土交通省 地価公示（SSDSE-B 収録）
総人口・65歳以上人口・大学学生数 等総務省統計局・文部科学省（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（合成データは一切使用しない）。

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] ｜ ID: 2022_U5_16

⚠️ 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。
🌿 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。
🛡️ Ridge回帰（L2正則化）
何？
多重共線性（説明変数間の相関が高い状態）があっても安定した係数を推定するための手法。
どう使う？
係数の二乗和にペナルティを加えることで係数を小さく縮小させる。変数を完全にゼロにはしない。
何がわかる？
相関の高い変数を同時投入しても係数が不安定にならない。
結果の読み方
全変数の係数は残る。係数の大きさで相対的な重要度を比較する。
⚠️ 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。
🎛️ AIC基準によるステップワイズ変数選択
何？
多数の候補変数からモデルの「精度」と「複雑さ」のバランスが最良な変数の組み合わせを自動選択する手法。
どう使う？
バックワード（全変数から除去）またはフォワード（空から追加）で、AIC最小を目指して変数を探索する。
何がわかる？
「30変数中で最も説明力が高い5変数はどれか」を客観基準で決められる。恣意的な変数選択を回避できる。
結果の読み方
AICは小さいほど良い。最終的に残った変数がモデルに「有効」と判断された変数。
⚠️ 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
デジタルデバイドの地域格差
次の論文 →
体力と基礎学力の関係