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

2022年度 統計データ分析コンペティション ｜ 大学生・一般の部

味覚から眺める地域別「ふるさとの味」

⏱️ 推定読了時間: 約34分
-関西が薄味，関東が濃い味は本当なのか-
データ出典：SSDSE-B 都道府県別消費統計 | 分析期間：2012〜2023年
📝 3行で分かる要約

目次

  1. 研究背景：「関西薄口・関東濃口」の俗説を検証する
  2. データ設計：食料費割合を「味の濃淡」の代理変数に
  3. 地域別分析：6地域の食料費割合の差（Kruskal-Wallis検定）
  4. 関東 vs 関西：複数指標の比較
  5. 時系列分析：推移トレンドに地域差はあるか
  6. 経済との関係：住宅地価格と食料費割合
  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_4_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_4_shorei.py
図は html/figures/ に自動保存されます。
概
研究背景：「関西薄口・関東濃口」の俗説を検証する

「関西の料理は薄味、関東の料理は濃い味」という言説は日本の食文化において広く知られた俗説である。関西ではだし文化が発達し薄口醤油が好まれる一方、関東では江戸時代から濃口醤油が主流だったとされる。しかし、この「ふるさとの味」の地域差は、現代の消費データにも統計的に反映されているのだろうか？

まず「味覚から眺める地域別「ふるさとの味」」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 食料費割合（食料費 ÷ 消費支出）を「味の濃淡」の代理変数として用いたとき、関東・関西間に統計的に有意な差があるか。また、地域差は6地域全体で見たときにも確認できるか。
分析の流れ
SSDSE-B
都道府県別
消費データ
→
食料費割合
の計算
（代理変数）
→
6地域別
Kruskal-Wallis
検定
→
関東 vs 関西
Mann-Whitney
U検定
→
時系列・
経済的背景
の考察

SSDSE-B Kruskal-Wallis検定 Mann-Whitney U検定 代理変数 時系列分析

データ設計：食料費割合を「味の濃淡」の代理変数に

使用データ

SSDSE-B（社会・人口統計体系 都道府県別データ）の2012〜2023年分を使用。二人以上の世帯の消費支出内訳（食料費・光熱水道費・教養娯楽費など）が47都道府県 × 複数年度で収録されている。

変数名定義役割
食料費割合食料費（二人以上） ÷ 消費支出（二人以上） × 100 (%)主要代理変数（味の濃淡）
光熱・水道費割合光熱・水道費 ÷ 消費支出 × 100 (%)調理エネルギー使用の指標
教養娯楽費割合教養娯楽費 ÷ 消費支出 × 100 (%)生活スタイルの比較指標
住宅地価格標準価格（平均価格）住宅地（円/m²）経済的背景の説明変数

地域区分

SSDSE-Bの地域コード（Rxx000）に基づき、都道府県番号から以下の6地域（+北海道）に分類した。

地域都道府県地域コード範囲
北海道北海道R01000
東北青森・岩手・宮城・秋田・山形・福島R02〜R07
関東茨城・栃木・群馬・埼玉・千葉・東京・神奈川R08〜R14
中部新潟〜愛知（9県）R15〜R23
関西三重・滋賀・京都・大阪・兵庫・奈良・和歌山R24〜R30
中国・四国鳥取〜高知（9県）R31〜R39
九州・沖縄福岡〜沖縄（8県）R40〜R47

DS LEARNING POINT 1

代理変数（Proxy Variable）とは：食料費 → 味の濃さ

「味の濃淡」は直接数値化できない。そこで「食料費割合（食料費 ÷ 消費支出）」を代理変数として用いる。代理変数とは、直接測定できない概念を近似的に表す、観測可能な別の変数のこと。ただし代理変数には妥当性の検証が必要で、「食料費が高いから味が濃い」という因果関係の前提を慎重に吟味することが重要。

# 代理変数の計算 df['食料費割合'] = df['食料費（二人以上の世帯）'] / df['消費支出（二人以上の世帯）'] * 100 # 代理変数の妥当性チェック例：複数指標との相関 # 食料費割合 ↔ 光熱・水道費割合：調理活動との連動 # 食料費割合 ↔ 住宅地価格：経済的豊かさとの関係 r_proxy, p_proxy = stats.pearsonr(df['食料費割合'], df['光熱・水道費割合']) print(f"代理変数間の相関: r={r_proxy:.3f}, p={p_proxy:.4f}")
1
地域別分析：6地域の食料費割合（Kruskal-Wallis検定）

2012〜2023年の全年度データを用いて、6地域別の食料費割合分布を箱ひげ図で可視化する。地域間の中央値の差が統計的に有意かどうかをKruskal-Wallis検定で判定する。

6地域別食料費割合 箱ひげ図
図1：6地域別 食料費割合の分布（2012〜2023年，全年度データ）。各箱の中央線は中央値、箱はIQR（25〜75パーセンタイル）。Kruskal-Wallis検定の結果をタイトルに表示。
Kruskal-Wallis検定の結果 6地域間の食料費割合には統計的に有意な差が認められた（H統計量，p値はグラフタイトル参照）。北海道・東北は食料費割合が高く、関東・関西はやや低め、九州・沖縄は中間的な値を示す傾向がある。
地域別の傾向まとめ
  • 北海道 食料費割合が高め：食料品の物流コストや自炊文化の影響
  • 東北 高い食料費割合と広いばらつき：寒冷地の食習慣や保存食文化
  • 関東 中程度〜やや低め：外食費が消費支出を押し上げ相対的に低下
  • 関西 関東と近い水準：「薄味文化」がコスト面で有意差を生むかは要検討
  • 九州・沖縄 広いばらつき：沖縄の独自食文化が影響

DS LEARNING POINT 2

Kruskal-Wallis検定：正規分布を仮定しないANOVAの代替

Kruskal-Wallis検定は、3群以上の中央値が等しいという帰無仮説を検定するノンパラメトリック検定。ANOVA（分散分析）が正規分布を前提とするのに対し、Kruskal-Wallis検定は順位統計量を用いるため分布の仮定が不要。都道府県データのように標本サイズが小さい（1地域あたり数〜十数県）場合に適している。

from scipy import stats # 地域別データをリストに格納 region_groups = [ df[df['地域'] == r]['食料費割合'].dropna().values for r in ['北海道', '東北', '関東', '中部', '関西', '中国・四国', '九州・沖縄'] ] # Kruskal-Wallis検定 kw_stat, kw_p = stats.kruskal(*region_groups) print(f"H統計量={kw_stat:.4f}, p値={kw_p:.6f}") # ANOVAとの使い分け：正規性・等分散性を確認してから選択 _, norm_p = stats.shapiro(region_groups[0]) print(f"Shapiro-Wilk（正規性検定）: p={norm_p:.4f}") # p<0.05なら非正規 → Kruskal-Wallis を選択
2
関東 vs 関西：複数指標の比較

論文の核心的な問い「関西が薄味、関東が濃い味」に直接答えるため、最新年度の関東7都県（茨城・栃木・群馬・埼玉・千葉・東京・神奈川）と関西7府県（三重・滋賀・京都・大阪・兵庫・奈良・和歌山）の消費内訳を3指標で比較する。各棒グラフにはMann-Whitney U検定の結果と95%信頼区間を付与する。

関東 vs 関西 比較棒グラフ
図2：最新年度における関東 vs 関西の消費支出内訳比較。左：食料費割合，中：光熱・水道費割合，右：教養娯楽費割合。エラーバーは95%信頼区間，タイトルにMann-Whitney検定の有意性を表示。
比較の視点
  • 食料費割合：「薄味・濃い味」の差として解釈しようとした指標。関東と関西で有意差があるかが論文の主焦点。
  • 光熱・水道費割合：調理活動や家庭内のエネルギー使用の代理。寒暖差や家族構成の影響を受ける。
  • 教養娯楽費割合：生活スタイル全般の比較。外食文化の違いが間接的に食料費割合に影響する可能性を示唆。
指標 関東（平均） 関西（平均） 検定結果
食料費割合（%） グラフ参照 グラフ参照 図2タイトル参照
光熱・水道費割合（%） グラフ参照 グラフ参照 図2タイトル参照
教養娯楽費割合（%） グラフ参照 グラフ参照 図2タイトル参照
解釈上の注意 食料費「割合」は消費支出全体に占める比率であり、絶対的な食料支出額ではない。東京のように住居費・外食費が高い地域では、食料費の絶対額が高くても割合は低くなる可能性がある。代理変数の「方向性」には注意が必要。
3
時系列分析：推移トレンドに地域差はあるか

関東・関西・全国平均の食料費割合を2012〜2023年の時系列で追う。トレンドの方向性（上昇・下降）や地域差の拡大・縮小の有無を読み取る。

食料費割合の時系列
図3：食料費割合の時系列推移（SSDSE-B 実データ）。赤：関東7都県平均，紫：関西7府県平均，グレー破線：全国平均。影は95%信頼区間。
📌 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
  • 全国的な食料費割合の長期トレンドと、近年のコロナ禍・物価上昇の影響が観察できる
  • 関東と関西の差（差分）が年度によって拡大・縮小するかを確認できる
  • 直近年の差（pp値）は図3の注釈に表示されており、現時点での地域差の大きさを定量化している
コロナ禍（2020〜2022年）の影響 外出自粛により外食費が落ち込み、その分が内食（食料費）にシフトした可能性がある。時系列分析では、このような「構造的変化点」を意識して解釈することが重要。

DS LEARNING POINT 3

箱ひげ図の読み方と時系列との組み合わせ

箱ひげ図は「ある期間全体」の分布を1枚の図に圧縮して見せる。一方、時系列グラフはトレンド（増加・減少・構造変化）を捉える。この2種類のグラフを組み合わせることで、「平均的にどの地域が高いか（箱ひげ図）」と「その差は時代とともに変わっているか（時系列）」の両方を立体的に把握できる。

# 箱ひげ図：全期間の分布を地域別に比較 ax.boxplot([region_data[r] for r in regions], labels=regions) # 時系列グラフ：年度別平均と信頼区間 kanto_ts = df[df['地域2']=='関東'].groupby('年度')['食料費割合'].mean() kanto_sem = df[df['地域2']=='関東'].groupby('年度')['食料費割合'].sem() ax.plot(kanto_ts.index, kanto_ts.values, label='関東') ax.fill_between(kanto_ts.index, kanto_ts - 1.96 * kanto_sem, kanto_ts + 1.96 * kanto_sem, alpha=0.12) # 95%信頼区間を塗りつぶし
4
経済との関係：住宅地価格と食料費割合

地域ごとの食料費割合は、その地域の経済的な豊かさや物価水準とどのような関係にあるか。住宅地の標準価格（千円/m²）を経済水準の代理変数として、食料費割合との散布図を描き、相関分析を行う。東京都・大阪府・京都府・北海道・沖縄県などの特徴的な都道府県にはラベルを付与する。

住宅地価格 vs 食料費割合 散布図
図4：住宅地価格（千円/m²）vs 食料費割合（%）の散布図（最新年度，47都道府県）。色は地域を表す。破線は全体の回帰直線。相関係数と有意性をタイトルに表示。
📌 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。
散布図から見えること
  • 地価が高い都道府県（東京都・神奈川県など）は食料費割合が相対的に低い傾向がある
  • これは「豊かな地域ほど外食・住居費など他の支出が大きく、食料費の割合が下がる」という構造を反映している可能性がある
  • 関東（赤）と関西（紫）の点群が散布図上のどの位置に集まるかを確認することで、両地域の経済的背景を理解できる
相関分析の解釈 住宅地価格と食料費割合の相関係数（r値・有意性）は図4タイトルに表示される。負の相関（r < 0）が見られる場合、「地価が高い≒豊かな地域ほど食料費割合が低い」と解釈できる。ただし相関は因果を意味しないため、第三の変数（外食文化・世帯人員・物価指数など）の影響も考慮が必要。

DS LEARNING POINT 4

消費支出構成分析：エンゲル係数と関連指標

食料費割合は「エンゲル係数」の変形版である。エンゲル係数（食費 ÷ 消費支出）は経済水準の指標として古くから使われており、一般に豊かな世帯・地域ほど低くなるとされる（エンゲルの法則）。本研究では食料費割合を「味の濃淡の代理変数」として使うが、同時に「経済的豊かさの逆指標」としての側面もある。複数の解釈が可能な指標を使う際は、どの解釈を主張するかを明示することが重要。

# エンゲル係数（食料費割合）の計算 df['食料費割合'] = df['食料費（二人以上の世帯）'] / df['消費支出（二人以上の世帯）'] * 100 # 住宅地価格との相関分析 r_val, p_val = stats.pearsonr( df['標準価格（平均価格）（住宅地）'] / 1000, # 千円/m²単位 df['食料費割合'] ) print(f"r={r_val:.4f}, p={p_val:.4f}") # r<0: 地価が高いほど食料費割合は低い（エンゲルの法則と整合） # 「薄味文化」の解釈との競合に注意

まとめ

主要な発見

SSDSE-B 都道府県別データ（2012〜2023年）を用いた「ふるさとの味」地域差分析の結果：

  1. 6地域間の地域差（Kruskal-Wallis検定）：食料費割合には6地域間で統計的に有意な差が確認された。北海道・東北が高く、関東・関西は中程度の水準を示す傾向がある。
  2. 関東 vs 関西（Mann-Whitney U検定）：食料費割合の関東・関西差は統計的に検討された。「関西薄味・関東濃味」の俗説が消費データに明確に現れるかどうかは、指標の設計と経済的背景の影響を慎重に考慮する必要がある。
  3. 時系列：コロナ禍を挟む2012〜2023年で食料費割合には構造的変化が生じている可能性があり、地域差のトレンドも年度によって変動する。
  4. 経済的背景：住宅地価格と食料費割合の間には相関関係があり、「エンゲルの法則」的な経済的背景が地域差に影響している可能性がある。
論文の学術的貢献 「ふるさとの味」という文化的命題を統計的に検証しようとした点が評価された。味覚の直接測定が困難な中、消費支出データを代理変数として活用するアイデアは独創的。一方、代理変数の妥当性（食料費割合 = 味の濃淡？）には吟味の余地があり、経済的要因との交絡を丁寧に議論することがより説得力の高い結論につながる。
統計分析の視点から 本研究はノンパラメトリック検定（Kruskal-Wallis・Mann-Whitney）を適切に選択しており、正規分布を仮定できない少数都道府県データへの対処として妥当である。代理変数の設計、複数指標の比較、時系列・経済的視点の導入という多角的アプローチが審査員奨励賞に値する分析設計と評価された。
教育的価値（この分析から学べること）
  • 食文化の地域差：食料消費パターンに県別の特徴がある。クラスター分析で『食文化圏』を抽出する考え方を学べる。
  • クラスタリングの基礎：k-means、階層クラスタリングなど。距離の定義・標準化の必要性を実例で学べる。
  • 文化的アイデンティティの数値化：『ふるさとの味』という主観的概念を、食料消費データで客観的に捉える試み。

データ・コードのダウンロード

分析スクリプト（2022_U5_4_shorei.py）
データ・資料出典・備考
SSDSE-B-2026.csv（都道府県別データ）統計数理研究所 SSDSE（社会・人口統計体系）
二人以上世帯の消費支出内訳（食料費・光熱水道費等）総務省 家計調査（SSDSE-B に収録）
住宅地標準価格（都道府県別平均）国土交通省 地価公示（SSDSE-B に収録）

本分析スクリプトは実公的データ（SSDSE-B-2026.csv）を使用する教育用コードです。実行にはSSDSE-Bデータファイルが必要です。

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] ｜ 味覚から眺める地域別「ふるさとの味」

⚠️ 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。
ノンパラメトリック
データが正規分布などの特定の分布に従うことを仮定しない手法。順位やランクを使って検定する。外れ値や歪んだ分布に頑健。
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。

📐 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

🔗 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) 因果関係ではない—相関は方向や原因を示さない。(2) 外れ値に弱い—1点で r が劇的に変わることも。(3) Pearson は線形のみ—非線形ならSpearman相関を使う。(4) 第三変数の存在を疑う—疑似相関を見抜く視点が必要。
📅 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) 因果関係ではない—相関は方向や原因を示さない。(2) 外れ値に弱い—1点で r が劇的に変わることも。(3) Pearson は線形のみ—非線形ならSpearman相関を使う。(4) 第三変数の存在を疑う—疑似相関を見抜く視点が必要。
🔬 Kruskal-Wallis検定
何？
3グループ以上の間に統計的な差があるかを検定するノンパラメトリック手法（正規分布を前提としない）。
どう使う？
全データを合体して順位をつけ、グループ間の順位平均値の差をH統計量で検定する。
何がわかる？
「医師数の少・中・多の県で死亡率に差があるか」を分布の形に関わらず検定できる。
結果の読み方
p < 0.05 でグループ間に有意差あり。どのグループ間に差があるかは Dunn 検定などで追加確認する。
⚠️ 注意点
(1) 因果関係ではない—相関は方向や原因を示さない。(2) 外れ値に弱い—1点で r が劇的に変わることも。(3) Pearson は線形のみ—非線形ならSpearman相関を使う。(4) 第三変数の存在を疑う—疑似相関を見抜く視点が必要。
🌲 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) 因果関係ではない—相関は方向や原因を示さない。(2) 外れ値に弱い—1点で r が劇的に変わることも。(3) Pearson は線形のみ—非線形ならSpearman相関を使う。(4) 第三変数の存在を疑う—疑似相関を見抜く視点が必要。
↔️ 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) 因果関係ではない—相関は方向や原因を示さない。(2) 外れ値に弱い—1点で r が劇的に変わることも。(3) Pearson は線形のみ—非線形ならSpearman相関を使う。(4) 第三変数の存在を疑う—疑似相関を見抜く視点が必要。

🚀 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：相関分析 の次のステップ
結果 X
本論文は 相関分析 を用いた推定を行った。
新仮説 Y
重回帰分析による多変数同時検証 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）重回帰分析による多変数同時検証 を実装し、本論文の係数推定と比較する。（2）交絡変数を統制した偏相関分析 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
建物火災発生率予測モデルの構築および発生率の決定要因分析
次の論文 →
日本の電力需要量の影響調査