目次
🎯 この記事を読むと何ができるようになるか
- 研究の核心：「パネルデータを用いた空き家に関する要因分析」の問題意識と分析アプローチ
- 分析手法：重回帰分析で「複数の要因がどの程度結果に影響するか」を同時に推定する方法
- 分析手法：相関係数（Pearson・Spearman）で2変数の関係の強さと向きを定量化する方法
- 分析手法：パネルデータ固定効果モデルで「都道府県固有の見えない差」を統制した因果推論
- 結果の読み方：係数・p値・図表から「何が言えて何が言えないか」を判断する力
- 応用：同じデータと手法を使って、別の問いを立てて分析する発想
📥 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_1_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_1_shorei.py
図は html/figures/ に自動保存されます。
概
研究概要と背景
日本の空き家問題は少子高齢化・人口減少に伴い深刻化している。しかし空き家数そのものを都道府県・年度のパネルデータで継続的に観測することは難しい。本研究では転出率（人口流出）と着工新設住宅戸数（新規供給）を空き家の代理変数（プロキシ変数）として用い、固定効果モデルにより要因を特定した。
まず「パネルデータを用いた空き家に関する要因分析」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。
なぜパネルデータが必要か
都道府県ごとに「もともとの地域特性（産業構造・気候・文化）」が大きく異なる。単純なOLS回帰では、この観察されない個体差が係数推定を歪める。パネルFEモデルは各都道府県の固定効果（αᵢ）を制御することで、純粋な要因効果を推定できる。
分析の流れ
SSDSE-B
47都道府県
12年分
47都道府県
12年分
→
代理変数
生成
（転出率等）
生成
（転出率等）
→
FE/RE
モデル
推定
モデル
推定
→
Hausman
検定
検定
→
地域差
可視化
可視化
47
都道府県
12
年度（2012〜2023年）
564
総観測数（47 × 12）
4
説明変数
SSDSE-B PanelOLS 固定効果モデル Hausman検定 プロキシ変数
パネルデータの構造
データソース：SSDSE-B（都道府県データ）
SSDSE（社会・人口統計体系データセット）-B は全47都道府県の年次統計を収録する。本分析では2012〜2023年の12年分を使用し、都道府県 × 年度の二次元構造（バランスパネル）を構築した。
| 変数カテゴリ | 変数名（生成） | 元データ / 計算方法 | 役割 |
|---|---|---|---|
| 目的変数 （空き家の代理） | 転出率 | 転出者数 / 総人口 × 1,000 | 人口流出 → 空き家増加 |
| 着工率 | 着工新設住宅戸数 / 総人口 × 10,000 | 新規供給過剰 → 空き家リスク | |
| 説明変数 | 高齢化率 | 65歳以上人口 / 総人口 × 100（%） | 高齢化 → 空き家増加 |
| 地価_log | log（住宅地平均地価） | 地価上昇 → 転出抑制？ | |
| 求人倍率 | 月間有効求人数 / 月間有効求職者数 | 雇用好況 → 転出抑制 | |
| 消費支出_log | log（消費支出：二人以上世帯） | 生活水準の代理 |
プロキシ変数（代理変数）を使う理由
空き家数は5年に一度の住宅・土地統計調査でしか把握できない。そこで毎年観測可能な「転出者数」と「着工新設住宅戸数」を空き家の増加メカニズムと対応する代理指標として分析する。人が出て行けば空き家が増え、新築が増えても需要が追いつかなければ空き家リスクが高まるという考え方に基づく。
DS LEARNING POINT 1
パネルFEの仕組み：within変換
固定効果モデルは「within変換」（個体平均からの偏差）によって観察されない個体固有効果αᵢを消去する。各都道府県の時点間変動のみを使って係数を推定するため、地域固有の産業構造や文化的差異を自動的に除去できる。
from linearmodels.panel import PanelOLS
import statsmodels.api as sm
# MultiIndex を都道府県・年度で設定
df_panel = df.set_index(['都道府県', '年度'])
# 固定効果モデル：entity_effects=True で都道府県FEを追加
fe_model = PanelOLS(
df_panel['転出率'],
sm.add_constant(df_panel[['高齢化率', '地価_log', '求人倍率', '消費支出_log']]),
entity_effects=True, # 都道府県ダミー（within変換）
time_effects=False,
)
fe_res = fe_model.fit(cov_type='clustered', cluster_entity=True)
# within R² ≈ 個体内変動の説明割合
print(f"R²(within) = {fe_res.rsquared:.4f}")
print(f"R²(between) = {fe_res.rsquared_between:.4f}")
# 数式イメージ（within変換後）:
# (y_it - ȳ_i) = β(x_it - x̄_i) + (ε_it - ε̄_i)
1
時系列：転出率・着工新設住宅の推移
まず47都道府県の全国平均として、転出率・転入率・着工新設住宅戸数の2012〜2023年の推移を確認する。転出超過の時期や景気変動との対応関係から、空き家問題の背景を読み取る。
図1：全国平均の転出率・転入率（左）と着工新設住宅戸数（右）の推移（2012〜2023年）。赤塗りが転出超過期間。
📌 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
- 転出率の変動：2020年のコロナ禍を境に転出傾向に変化。都市部から地方への流れが一部生まれた。
- 転入・転出の関係：全国合計では日本人移動者の転入と転出はほぼ均衡するが、都道府県別では大きな差がある。
- 着工新設住宅：2020年前後に一時的な落ち込みの後、回復傾向。需要を超えた供給は将来の空き家増加につながる。
なぜ「転出率」を空き家の代理変数に使うか
人口が流出した住宅はそのまま空き家になるケースが多い。特に地方圏では若年層の都市部流出が顕著で、親世代の持ち家が将来的に空き家化するメカニズムがある。転出率は毎年の住民基本台帳移動報告書から得られる信頼性の高い指標である。
2
固定効果モデルの推定結果
パネルOLS固定効果モデルを用いて転出率への影響要因を推定する。標準誤差は都道府県単位のクラスター標準誤差を採用し、同一都道府県内の時系列相関を考慮する。
転出率ᵢₜ = αᵢ + β₁×高齢化率ᵢₜ + β₂×log(地価)ᵢₜ + β₃×求人倍率ᵢₜ + β₄×log(消費支出)ᵢₜ + εᵢₜ
αᵢ：都道府県固定効果（時不変の個体固有効果）
αᵢ：都道府県固定効果（時不変の個体固有効果）
図2：固定効果モデルの推定係数（エラーバー：95%信頼区間）。赤バーが統計的有意（p<0.05）。図内にHausman検定結果も表示。
📌 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。
推定係数の解釈
| 変数 | 係数の予想符号 | 解釈 |
|---|---|---|
| 高齢化率（%） | 正 | 高齢化が進むと若年層の転出が増え、空き家増加に寄与 |
| 住宅地地価（log） | 負 | 地価が高い地域は経済的活力があり、転出が抑制される |
| 有効求人倍率 | 負 | 雇用が好調であれば転出が抑制される |
| 消費支出（log） | ？ | 生活水準の高さを反映するが、転出との関係は複合的 |
Hausman検定の結果と意義
Hausman検定はH₀「ランダム効果モデルが一致推定量を持つ」を検定する。p<0.05であれば固定効果モデルが適切（観察されない個体効果が説明変数と相関している）。係数プロット内に検定統計量H・p値が注釈として表示されている。
DS LEARNING POINT 2
Hausman検定の実装
FEとREの係数差の共分散行列を用いたWald統計量。差の共分散行列が半正定値でない場合はpinv（擬似逆行列）で対処する。自由度は説明変数の数（ここでは4）。
from scipy import stats
import numpy as np
fe_params = fe_res.params.drop('const', errors='ignore')
re_params = re_res.params.drop('const', errors='ignore')
common_vars = fe_params.index.intersection(re_params.index)
b_diff = fe_params[common_vars].values - re_params[common_vars].values
# 共分散行列の差
fe_cov = fe_res.cov.loc[common_vars, common_vars].values
re_cov = re_res.cov.loc[common_vars, common_vars].values
cov_diff = fe_cov - re_cov
# 擬似逆行列（半正定値問題に対処）
cov_inv = np.linalg.pinv(cov_diff)
H_stat = float(b_diff @ cov_inv @ b_diff)
H_df = len(common_vars)
H_pval = 1 - stats.chi2.cdf(H_stat, H_df)
print(f"H = {H_stat:.4f}, df = {H_df}, p = {H_pval:.4f}")
if H_pval < 0.05:
print("→ FE採用：個体効果が説明変数と相関している")
else:
print("→ RE許容：効率性の高いREも統計的に適切")
DS LEARNING POINT 3
プロキシ変数（空き家→転出・着工）の活用
直接観測できない概念（ここでは年次の空き家状況）を分析するために、理論的に関連する観測可能な変数（転出率・着工率）を代理変数として用いる手法。プロキシ変数を使う際は、どのメカニズムで元の概念と対応するかを理論的に説明できることが重要。
# 代理変数の生成例
# 転出率 = 転出者数 / 総人口 × 1,000（人口千対）
df['転出率'] = df['転出者数（日本人移動者）'] / df['総人口'] * 1000
# 着工率 = 着工新設住宅戸数 / 総人口 × 10,000（人口1万対）
df['着工率'] = df['着工新設住宅戸数'] / df['総人口'] * 10000
# 対数変換（右裾の長い分布を正規化）
df['地価_log'] = np.log(df['標準価格（平均価格）（住宅地）'].clip(lower=1))
df['消費支出_log'] = np.log(df['消費支出（二人以上の世帯）'].clip(lower=1))
# メカニズムの論理：
# 人口流出 → 住宅が空く → 空き家増加
# 新築着工超過 → 既存住宅需要低下 → 空き家増加リスク
3
散布図：転出率 vs 住宅地地価
47都道府県の2012〜2023年平均値を用い、住宅地地価と転出率の関係を地域別の色分けで可視化する。OLS回帰線も重ねて、全体的な傾向を確認する。
図3：転出率（縦軸）と住宅地平均地価（横軸）の散布図（2012〜2023年平均）。地域別に色分けし、都道府県名を付記。
📌 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。
地価と転出率の関係から読み取れること
- 関東（東京・神奈川等）：地価は高いが転出率も高い傾向。大都市圏では人の流動性自体が高い。
- 地方圏（北海道・東北・中国四国等）：地価は低く、転出超過が多い。人口流出と低地価が同時進行。
- OLS回帰線（灰色破線）：回帰係数と相関係数r・p値が凡例に表示。負の傾きであれば「地価高→転出少」を示す。
散布図分析の限界：個体効果の混在
この散布図は都道府県間の「横断面」比較に過ぎない。地価が高い都道府県には産業・気候・人口密度等の複合要因がある。個体効果を除去した固定効果モデルの結果と合わせて解釈する必要がある。
4
地域別転出率の比較
47都道府県を6地域（北海道・東北 / 関東 / 中部 / 近畿 / 中国・四国 / 九州・沖縄）に区分し、転出率の分布と年次推移を比較する。地域間の構造的差異を記述統計的に把握する。
図4：地域別の転出率分布（箱ひげ図：左）と年次推移（右）。2012〜2023年の全データを使用。
📌 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。
地域別の特徴
- 関東：転出率のばらつきが大きい。東京都など人の流動性が高い大都市と郊外県が混在。
- 北海道・東北：転出率は中程度だが、転入が少なく純移動では流出超過が続く地域が多い。
- 中国・四国・九州：相対的に転出率が低い県も多いが、高齢化・人口減少が進む県では空き家増加が懸念される。
DS LEARNING POINT 4
クラスター標準誤差の必要性
同じ都道府県のデータは時系列的に相関している（系列相関）。これを無視した通常のOLS標準誤差は過小推定になり、t値が実際より大きく見えて有意と誤判定しやすい。クラスター標準誤差は「都道府県単位で誤差項の相関を許容」することでこの問題を修正する。
# クラスター標準誤差の指定（linearmodels）
fe_res = fe_model.fit(
cov_type='clustered',
cluster_entity=True # 都道府県単位でクラスタリング
)
# 通常標準誤差 vs クラスター標準誤差の比較イメージ:
# 通常SE（過小）→ t値が大きすぎる → 第1種の誤り増大
# クラスターSE → より保守的・正確な推論
# 注意：クラスター数（= 都道府県数 = 47）が小さいと
# クラスターSEも不安定になる可能性がある（一般に G >= 50 推奨）
# → この分析では G=47 でわずかに下回るため、解釈に慎重さが必要
print(f"クラスター数（都道府県）: {fe_res.entity_info['total']}")
print("標準誤差タイプ: clustered (entity)")
# 係数・SE・t値・p値の確認
print(fe_res.summary.tables[1])
まとめ
主要な発見
SSDSE-B（47都道府県×12年）のパネルデータと固定効果モデルを用いた分析から、空き家増加の代理指標（転出率）に関して以下が明らかになった：
- 高齢化率（正の影響）：高齢化が進む都道府県ほど若年層の転出が促進され、空き家増加リスクが高まる。都道府県固定効果を除去した後も有意な関係が確認された。
- 雇用・地価の役割：有効求人倍率の上昇や地価の上昇は転出率の抑制と関連する。雇用と住環境の改善が人口定着につながる。
- Hausman検定：FEとREの係数に統計的有意差が見られた場合、観察されない都道府県固有効果が説明変数と相関していることを意味し、固定効果モデルの採用が正当化される。
- 地域差：空き家問題は地方圏ほど深刻で、転出超過と高齢化の悪循環が継続している。地域特性を踏まえた政策設計が必要。
政策への示唆
空き家抑制には「若年層の転出を減らす」ことが本質的な解決策となる。そのためには雇用機会の創出（求人倍率の改善）と住環境の整備（地価の安定・保育・医療インフラ）の両面からのアプローチが統計的に支持される。一方で、地域ごとに固有の要因があるため、パネルFEで示された平均的効果だけでなく、地域別の詳細分析も重要である。
分析の限界と今後の課題
- 空き家数を直接観測できないため、プロキシ変数（転出率・着工率）の代理精度に限界がある
- クラスター数G=47は一般的に推奨される50以上をやや下回り、クラスターSEの精度に注意が必要
- 双方向固定効果（都道府県×年度）を導入することで、年次共通ショック（リーマンショック・コロナ禍）をさらに除去できる可能性がある
教育的価値（この分析から学べること）
- パネルデータ分析：市区町村×年のデータで、地域固有の時不変要因を制御できる。
- 空き家問題の構造：人口減・高齢化・転出超過・新築供給など多要因。固定効果モデルで自治体固有要因を除去すると本質が見える。
- ストック変数の時系列：空き家は積み重なる『ストック』なので、フロー（増加分）と区別して分析すべき。
データ・コードのダウンロード
| データ | 出典 |
|---|---|
| SSDSE-B-2026.csv（都道府県パネルデータ） | 統計数理研究所 SSDSE（社会・人口統計体系）B表 |
| 転出者数・転入者数 | 総務省 住民基本台帳人口移動報告（SSDSE-B収録） |
| 着工新設住宅戸数 | 国土交通省 建築着工統計調査（SSDSE-B収録） |
| 住宅地標準価格 | 国土交通省 地価公示（SSDSE-B収録） |
| 有効求人倍率 | 厚生労働省 職業安定業務統計（SSDSE-B収録） |
本スクリプトはSSDSE-B-2026.csvの実データを使用。実行にはlinearmodels（pip install linearmodels）が必要。
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] ｜ パネルデータを用いた空き家に関する要因分析
⚠️ 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。
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。
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。
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。
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。
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。
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
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。
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
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
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）
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。
🚀 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。
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。
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。
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。
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」。
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。