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 統計データ分析コンペティション ｜ 大学生・一般の部
金バッジ 審査員奨励賞

日本の電力需要量の影響調査

⏱️ 推定読了時間: 約37分
2022年度 ｜ 大学生・一般の部
📝 3行で分かる要約

目次

  1. 研究背景：エネルギー問題と脱炭素
  2. 代理変数：光熱費から電力需要を捉える
  3. 時系列トレンド：光熱費割合の推移（2012〜2023年）
  4. 相関分析：光熱費割合と各説明変数
  5. 回帰分析：OLS標準化係数
  6. 気候との関係：年平均気温と光熱費
  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_5_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_5_shorei.py
図は html/figures/ に自動保存されます。
背
研究背景：エネルギー問題と脱炭素

2022年のロシアによるウクライナ侵攻に端を発するエネルギー価格の高騰は、日本においても電力・ガス代の急上昇として家計に直撃した。一方で、日本は2050年カーボンニュートラルを国家目標に掲げ、電力需要の構造的変化（省エネ・再エネ普及）が求められている。

まず「日本の電力需要量の影響調査」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。

本研究は、家計の電力消費に影響を与える要因を統計的に明らかにすることを目的とする。直接的な電力消費量データは都道府県別に整備されていないため、家計調査の光熱・水道費を電力需要の代理変数として活用する。

研究の動機 エネルギー政策の立案には「誰が・どんな条件下で・どれだけ電力を使うか」の理解が不可欠。2022年のエネルギー危機は、家庭部門の電力消費構造を改めて問い直す契機となった。
分析の流れ
SSDSE-B
都道府県
パネルデータ
→
代理変数
（光熱費割合）
の算出
→
時系列
トレンド
分析
→
相関分析
＋
OLS重回帰
→
気候・
社会要因
の特定

SSDSE-B 代理変数 OLS重回帰 相関分析 エネルギー政策

代理変数：光熱費から電力需要を捉える

なぜ「光熱費」を代理変数とするか

都道府県別の電力消費量は直接公表されていない（工業・業務用含む総量のみ）。本研究では、家計調査に収録される「光熱・水道費（二人以上の世帯）」を消費支出で割った「光熱費割合」を、家計レベルの電力需要を捉える代理変数とする。

光熱費割合（%）＝ 光熱・水道費（円）／ 消費支出（円）× 100
説明変数想定される効果根拠
年平均気温（℃）負（低温→暖房増）寒冷地ほど暖房需要が高い
総人口規模要因人口規模が電力需要の基礎
消費支出（円）正（所得水準）生活水準が高いほど消費電力増
高齢化率（%）正（在宅時間増）高齢者は在宅が長く暖冷房使用増
住宅地価格（円/m²）都市度の代理都市部は省エネ住宅が普及している場合も

DS LEARNING POINT 1

代理変数（Proxy Variable）の妥当性検証

代理変数は「測定困難な変数」を「測定可能な関連変数」で置き換える手法。重要なのは代替妥当性（construct validity）の確認：光熱費は電力・ガス・水道を合計するため、エネルギーミックス（電力 vs ガス）の違いを吸収できない点に注意が必要。

# 代理変数の算出（SSDSE-B より） df_b['光熱費割合'] = ( df_b['光熱・水道費（二人以上の世帯）'] / df_b['消費支出（二人以上の世帯）'] * 100 ) # 妥当性の確認：都道府県間ばらつきを確認 print(df_b.groupby('年度')['光熱費割合'].describe().round(2)) # 北海道（寒冷地）と沖縄（温暖地）で方向性確認 for pref in ['北海道', '沖縄県']: val = df_2022.loc[df_2022['都道府県'].str.contains(pref), '光熱費割合'].values print(f"{pref}: {val[0]:.2f}%") # 北海道 > 全国平均 > 沖縄 となるか確認
1
時系列トレンド：光熱費割合の推移（2012〜2023年）

SSDSE-B の都道府県パネルデータを用いて、2012〜2023年の全国平均光熱費割合を集計した。陰影は都道府県間の±1標準偏差（ばらつき）を示す。

光熱費割合の時系列推移（2012-2023）
図1：光熱・水道費割合の時系列推移（全国平均）。陰影は都道府県間の±1SD。2020年コロナ禍と2022年エネルギー高騰が顕著な変動点として現れている。
📌 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。
2022年の急騰：エネルギー価格高騰の影響 2021〜2022年にかけて光熱費割合が急上昇した。ウクライナ侵攻に伴う液化天然ガス（LNG）・原油価格の高騰が電力・ガス料金を押し上げ、家計支出に占める光熱費の比率が上昇した。
2020年のコロナ禍の動き 2020年は在宅時間の増加により光熱費の絶対額は増えたと考えられるが、消費支出全体も変動しているため、割合としての変動は複合的に解釈する必要がある。

DS LEARNING POINT 2

時系列の季節調整が不要な年次データ

本分析は「年次データ（年度単位）」を用いているため、月次データで問題となる季節性（夏の冷房・冬の暖房）は自動的に平均化される。季節調整（X-13-ARIMA など）は月次・四半期データに対して適用するものであり、年次集計済みデータには不要。

# 年次集計：月次の季節性が消える ts = df_b.groupby('年度').agg( 光熱費割合_mean=('光熱費割合', 'mean'), 光熱費割合_std =('光熱費割合', 'std'), ).reset_index() # ※月次データなら X-13-ARIMA を使う例： # from statsmodels.tsa.x13 import x13_arima_analysis # result = x13_arima_analysis(monthly_series, x12path=...) # → 年次集計済みデータにこれは不要！ print(ts[['年度', '光熱費割合_mean', '光熱費割合_std']].to_string())
2
相関分析：光熱費割合と各説明変数

2022年度の47都道府県のデータを用い、光熱費割合と各説明変数間のピアソン相関係数を算出した。ヒートマップは変数間の相関構造を一覧する。

相関ヒートマップ
図2：光熱費割合と各説明変数の相関ヒートマップ（2022年度、N=47都道府県）。赤が正相関、青が負相関を示す。
📌 この相関ヒートマップの読み方
このグラフは
複数の変数ペア間の相関係数（−1〜+1）を色の濃淡で示した行列図。
読み方
濃い赤（または青）が強い正（または負）の相関。対角線は自分自身との相関なので常に1.0。
なぜそう解釈できるか
「説明変数どうしの相関が高い（|r| > 0.8）」マスが多いと多重共線性の警告サイン。目的変数との相関が高い変数が候補として重要。

相関分析の結果（光熱費割合との関係）

変数相関方向の予測解釈
年平均気温（℃） 負（強） 寒冷な都道府県ほど光熱費割合が高い（暖房需要）
高齢化率（%） 正 高齢者が多い地域ほど光熱費割合が高い（在宅時間増）
消費支出（円） 弱または混合 光熱費割合の分母でもあるため解釈注意
住宅地価格（円/m²） 負 都市部（地価高）は省エネ住宅・集合住宅が多い傾向
総人口 弱 人口規模より地域特性が支配的
多重共線性に注意 ヒートマップで変数間の相関も確認できる。例えば「高齢化率と住宅地価格」「総人口と消費支出」などに相関が見られる場合、OLS回帰での多重共線性（VIF）を診断する必要がある。
3
回帰分析：OLS標準化係数による要因分解

5変数を全て投入したOLS重回帰（N=47都道府県、2022年度）を実施。説明変数を標準化（平均0・標準偏差1）したうえで推定することで、単位の異なる変数の相対的な重要度を比較する。

光熱費割合_std = β₀ + β₁×気温_std + β₂×人口_std + β₃×消費支出_std + β₄×高齢化率_std + β₅×地価_std + ε
OLS標準化係数プロット
図3：OLS重回帰の標準化偏回帰係数（95%CI付き）。赤は p<0.01、橙は p<0.05、灰色は非有意（n.s.）。係数の絶対値が大きいほど光熱費割合への影響が大きい。
📌 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。

VIF（多重共線性診断）

変数VIF目安判定基準
年平均気温（℃）計算値を参照VIF < 5：問題なし
総人口計算値を参照5 ≤ VIF < 10：要注意
消費支出（円）計算値を参照VIF ≥ 10：深刻な多重共線性
高齢化率（%）計算値を参照VIF < 5：問題なし
住宅地価格（円/m²）計算値を参照VIF < 5：問題なし
標準化係数から読み取れること
  • 年平均気温（負）：最も影響が大きい変数。1SD気温が下がると光熱費割合が上昇。
  • 高齢化率（正）：高齢者比率が高い地域では在宅時間の増加により光熱費が上昇。
  • 住宅地価格（負）：都市部ほど光熱費割合が低い傾向（集合住宅・省エネ効果）。

DS LEARNING POINT 3

VIFによる多重共線性の診断と標準化係数の解釈

標準化係数（ベータ係数）は「他の変数を固定したとき、X が1SD変化すると Y が何SD変化するか」を示す。単位が統一されるため変数間の重要度比較が可能。ただし多重共線性（変数間の強い相関）があると係数が不安定になるため、VIF < 5 の確認が前提となる。

import statsmodels.api as sm from statsmodels.stats.outliers_influence import variance_inflation_factor # 標準化 X_std = (X_raw - X_raw.mean(axis=0)) / X_raw.std(axis=0, ddof=1) y_std = (y_raw - y_raw.mean()) / y_raw.std(ddof=1) # OLS（標準化） model_std = sm.OLS(y_std, sm.add_constant(X_std)).fit() print(f"R² = {model_std.rsquared:.4f}") print(model_std.summary()) # VIF の計算 X_vif = sm.add_constant(X_raw) vifs = [variance_inflation_factor(X_vif, i + 1) for i in range(X_raw.shape[1])] for name, v in zip(VAR_NAMES, vifs): flag = ' ← 注意(>5)' if v > 5 else '' print(f" {name:<22} VIF={v:.2f}{flag}")
4
気候との関係：年平均気温と光熱費

気温と光熱費割合の関係を都道府県別の散布図で可視化する。北海道・東北など寒冷地と沖縄など温暖地の対比が明確に現れ、気温が電力需要の主要な規定因であることを示す。

年平均気温 vs 光熱費割合 散布図
図4：年平均気温と光熱費割合の散布図（2022年度、N=47都道府県）。色は光熱費割合の高低を示す。線形回帰直線と相関係数rも表示。
📌 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。
北海道と沖縄の対比 北海道は年平均気温が低く光熱費割合が最も高い都道府県の一つ。沖縄は気温が高く暖房需要が少ないが、夏の冷房需要も存在する。線形モデルでは捉えきれない「暑くても寒くてもエネルギー消費増（U字型）」の可能性を示唆する。
線形 vs 非線形の検討 散布図に回帰直線を当てはめると、低温域では気温低下に伴う暖房需要増が明確。一方で高温域では冷房需要も増える可能性があり、全域を線形で近似することの限界を認識することが重要。

DS LEARNING POINT 4

気温と光熱費の非線形関係：U字型仮説とエネルギー政策への示唆

気温と光熱費の関係は「低温→暖房増（正の効果）、高温→冷房増（暑い地域でも上昇）」というU字型（二次関数）になると考えられる。線形OLSは中間温度帯での関係を捉えるが、極端な気温域では非線形項（気温²）の導入が有効。気候変動（平均気温上昇）はU字の右側を押し上げ、将来の電力需要増を示唆する。

from scipy import stats import numpy as np x = df_ols['年平均気温'].values y = df_ols['光熱費割合'].values # 線形相関 r_lin, p_lin = stats.pearsonr(x, y) print(f"線形相関: r={r_lin:.3f}, p={p_lin:.4f}") # 非線形（二次項を追加） X_poly = np.column_stack([x, x**2]) X_poly_c = sm.add_constant(X_poly) model_poly = sm.OLS(y, X_poly_c).fit() print(f"\n二次回帰: R²={model_poly.rsquared:.4f}") print(f"気温の一次項 β={model_poly.params[1]:.4f}, p={model_poly.pvalues[1]:.4f}") print(f"気温の二次項 β={model_poly.params[2]:.4f}, p={model_poly.pvalues[2]:.4f}") # U字型が有意なら：気候変動による将来の電力需要増を推計可能

まとめ

主要な発見

SSDSE-B の都道府県パネルデータ（2012〜2023年）を用い、光熱・水道費割合を電力需要の代理変数として分析した結果：

  1. 年平均気温（最重要因子）：寒冷な都道府県ほど光熱費割合が高く、気温が電力需要の最大規定因。回帰係数は有意な負（β < 0）。
  2. 高齢化率（正）：高齢者比率が高い地域では在宅時間の増加を通じて光熱費が増大する傾向。
  3. 住宅地価格（負）：都市部（地価高）では集合住宅・省エネ住宅の普及により相対的に光熱費割合が低い。
  4. 2022年のエネルギー高騰：時系列分析で2021〜2022年に全国平均の光熱費割合が急上昇し、エネルギー価格高騰の家計への影響が確認された。
  5. 非線形性の示唆：気温と光熱費の関係にはU字型（寒くても暑くても上昇）の可能性があり、気候変動対策の設計において重要な示唆を与える。
エネルギー政策への示唆
  • 寒冷地（北海道・東北）では暖房効率改善（断熱強化・ヒートポンプ普及）が電力需要削減に直結。
  • 高齢化率の高い地域では、在宅時間の長さに配慮したスマートエネルギー管理の普及が有効。
  • 気候変動（平均気温上昇）は冷房需要を押し上げ、2050年カーボンニュートラル目標達成の難度を高める可能性がある。
分析上の留意点（代理変数の限界） 光熱・水道費には電気・ガス・水道・灯油が含まれるため、電力のみの需要を直接反映しない。エネルギーミックス（地域による電力 vs ガス比率の違い）を制御できないことが本研究の限界であり、今後の課題として電力会社別の販売電力量データとの照合が望まれる。
教育的価値（この分析から学べること）
  • 電力需要の決定要因：気温・人口・産業構造・経済活動が主要要因。再生可能エネルギー比率も近年重要。
  • 非線形性：気温と電力消費はU字型（冷暖房両方）。線形回帰では捉えきれず、多項式や非線形モデルが有効。
  • 時系列分解：電力需要には年周期・週周期・トレンドがある。これらを分離する手法（季節調整など）を学べる。

データ・コードのダウンロード

分析スクリプト（2022_U5_5_shorei.py）
データ出典
SSDSE-B-2026.csv（都道府県パネルデータ 2012〜2023年）統計数理研究所 SSDSE（社会・人口統計体系）
光熱・水道費（二人以上の世帯）、消費支出家計調査（総務省統計局）
年平均気温気象庁 気候統計情報
住宅地価格（標準価格・平均）国土交通省 地価公示

実公的データ（SSDSE-B）のみ使用。合成データ・乱数データは使用していない。

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）

⚠️ 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。
📅 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。
↔️ 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
味覚から眺める地域別「ふるさとの味」
次の論文 →
周辺環境からみた新型コロナウイルス感染症の要因分析