論文一覧に戻る 統計データ分析コンペ 教育用再現集
2023年度 統計データ分析コンペティション ｜ 優秀賞 [高校生の部]

大腸がん罹患要因の探究と
罹患しにくい生活の提案

⏱️ 推定読了時間: 約33分
2023年度受賞論文 ｜ 高校生の部 ｜ SSDSE-B 47都道府県
📝 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. 相関分析の結果
  4. 高齢化率と保健医療費割合（外れ値分析）
  5. 食料費割合と保健医療費割合
  6. 消費支出と保健医療費割合
  7. まとめと生活提案
  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/ │ └── 2023_H2_yushu.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/2023_H2_yushu.py
図は html/figures/ に自動保存されます。
概
研究概要と背景

大腸がんは日本人の罹患数が多いがんの一つであり、食生活・肥満・飲酒・運動不足など生活習慣との関連が多くの疫学研究で指摘されている。本研究は、公的統計データ（SSDSE-B）を用いて、大腸がんリスクと関連する生活習慣・経済環境・高齢化の影響を都道府県レベルで探索的に分析し、「罹患しにくい生活」への提案を行った。

まず「大腸がん罹患要因の探究と罹患しにくい生活の提案」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。

分析上の注意：プロキシ変数の使用 SSDSE-Bには都道府県別の大腸がん罹患率が収録されていないため、保健医療費割合（保健医療費 ÷ 消費支出 × 100）を疾病負担の代理変数（プロキシ）として使用する。これは家計における医療費への支出比率を示す指標であり、罹患率そのものではない点に注意が必要である。
分析の流れ
SSDSE-B
2022年度
47都道府県
→
保健医療費
割合を算出
（プロキシ）
→
Pearson
相関分析
（11変数）
→
散布図・
外れ値
分析

SSDSE-B 相関分析 散布図 外れ値分析 探索的データ解析

データと変数設計

使用データ

SSDSE（社会・人口統計体系）-B の2022年度データ（47都道府県）を使用。消費支出の内訳科目と人口関連変数から各指標を算出した。

目的変数（プロキシ）：
保健医療費割合 (%) = 保健医療費（二人以上の世帯） ÷ 消費支出（二人以上の世帯） × 100

説明変数（大腸がんリスク関連の代理指標）

カテゴリ変数名算出方法大腸がんリスクとの想定関連
高齢化 高齢化率 (%) 65歳以上人口 ÷ 総人口 × 100 高齢者は罹患リスクが高い
食生活 食料費割合 (%) 食料費 ÷ 消費支出 × 100 食費の比率（食生活の量的代理）
余暇・飲酒代理 教養娯楽費割合 (%) 教養娯楽費 ÷ 消費支出 × 100 娯楽支出（飲酒・外食活動の代理）
光熱・生活環境 光熱・水道費割合 (%) 光熱・水道費 ÷ 消費支出 × 100 寒冷地・農村環境の代理
被服・生活水準 被服費割合 (%) 被服・履物費 ÷ 消費支出 × 100 都市型生活水準の代理
経済水準 消費支出（対数） log（消費支出） 所得・経済的豊かさの代理
医療アクセス 一般診療所密度（万対） 一般診療所数 ÷ 総人口 × 10000 医療アクセスが良い → 発見・受診率上昇
口腔衛生 歯科診療所密度（万対） 歯科診療所数 ÷ 総人口 × 10000 口腔衛生・健康意識の代理
出生率 合計特殊出生率 SSDSE-B 直接値 ライフスタイル・若年人口構成の代理
外れ値の事前確認（実データより） 保健医療費割合の全国平均は4.96%（SD=0.52%）。京都府が最高（6.13%）、青森県が最低（3.77%）。京都府は平均から約2.3 SD離れており、外れ値として散布図で詳しく検討する。
1
相関分析の結果

11の説明変数それぞれについて、保健医療費割合との Pearson 相関係数と p 値を算出し、絶対値の大きい順に図示した。

相関係数棒グラフ
図1：各指標と保健医療費割合の Pearson 相関係数（絶対値降順）。赤バー：p<0.05 有意、灰バー：非有意。
📌 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。

相関分析の結果一覧

変数相関係数 rp 値有意性解釈
光熱・水道費割合 −0.602 <0.001 ** 光熱費割合が高い地域（寒冷・農村）は保健医療費割合が低い
被服費割合 +0.423 0.003 ** 被服費が高い（都市型・高生活水準）地域で保健医療費割合が高い
交通・通信費割合 −0.401 0.005 ** 交通費割合が高い地域（地方・農村）で保健医療費割合が低い
高齢化率 −0.379 0.009 ** 高齢化が進んだ地域で保健医療費割合が低い（逆説的相関）
消費支出（対数） +0.311 0.034 * 消費水準が高い（富裕）地域ほど保健医療費割合が高い
歯科診療所密度 +0.266 0.070 傾向 （有意傾向）歯科診療所が多い地域はやや保健医療費割合が高い
教養娯楽費割合 +0.184 0.215 ns 有意な関連なし
一般診療所密度 +0.180 0.225 ns 有意な関連なし
教育費割合 +0.174 0.242 ns 有意な関連なし
食料費割合 −0.103 0.492 ns 有意な関連なし（食費単独では判断困難）
合計特殊出生率 +0.047 0.753 ns 関連なし
相関分析の主要な発見 有意な相関が見られたのは5変数（光熱・水道費割合、被服費割合、交通・通信費割合、高齢化率、消費支出）。光熱・水道費割合（r=−0.60）が最強の負の相関を示し、地域の生活環境（気候・都市度）が保健医療費割合に大きく影響することがわかる。高齢化率との相関が予想に反して負であることは、集計データの特性（生態学的誤謬）や交絡変数の存在を示唆する。

DS LEARNING POINT 1

Pearson 相関係数の読み方と有意性

N=47（都道府県）の場合、|r|≥0.29 程度で p<0.05 となる。「有意」であっても相関関係であって因果関係ではない。交絡変数（第三の変数）の影響も常に考慮する必要がある。

from scipy import stats # Pearson相関係数とp値の計算 r, p = stats.pearsonr(x_vals, y_vals) print(f"r = {r:.4f}, p = {p:.4f}") # N=47での目安 # |r| >= 0.29 で p < 0.05 # |r| >= 0.38 で p < 0.01 # Cohen(1988)の効果量基準: # 小（Small）: |r| = 0.1 # 中（Medium）: |r| = 0.3 # 大（Large）: |r| = 0.5
2
高齢化率と保健医療費割合（外れ値分析）

高齢化が進むほど大腸がん罹患リスクが上昇すると予想されるが、都道府県データでは逆方向の相関（r=−0.379）が観察された。この「逆説的な相関」の背景に外れ値の影響がないか、2本の回帰線で確認する。

高齢化率 vs 保健医療費割合
図2：高齢化率と保健医療費割合の散布図。赤星（京都府）が外れ値。実線：全47都道府県の回帰直線、破線：京都府除外の回帰直線。
📌 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。
モデル相関係数 rp 値有意性備考
全47都道府県 −0.379 0.009 ** —
京都府除外（46都道府県） −0.375 0.010 ** 外れ値の影響は軽微
外れ値（京都府、保健医療費割合6.13%）の解釈 京都府は保健医療費割合が全国最高（6.13%）で、平均から約2.3 SD 離れた外れ値である。観光業が盛んで医療施設も充実し、生活スタイルや医療消費の特性が全国平均と異なる可能性がある。ただし、外れ値を除外しても相関係数の変化は小さく（−0.379 → −0.375）、結論への影響は軽微である。
「高齢化率が高いほど保健医療費割合が低い」という逆説について 都道府県レベルの集計データでは個人レベルの因果関係と異なる「生態学的相関」が現れることがある（生態学的誤謬）。高齢化が進んだ農村部では消費支出全体のうち光熱費・交通費などの費目が大きくなり、相対的に保健医療費割合が下がる可能性がある。また、生活費の絶対額が少ない農村高齢者は受診を抑制する傾向も考えられる。

DS LEARNING POINT 2

外れ値の影響確認：2本の回帰線

外れ値1点が相関係数を大きく動かすことがある。「全データ」と「外れ値除外」の2本の回帰線を重ねて描くことで、外れ値の影響を視覚的に確認できる。2本の線が大きくずれていれば外れ値の影響が大きい。

from scipy import stats import numpy as np # 全データ回帰 slope_all, intercept_all, r_all, p_all, _ = stats.linregress(x_all, y_all) # 外れ値（京都府）除外 mask = (pref != '京都府') slope_no, intercept_no, r_no, p_no, _ = stats.linregress(x_all[mask], y_all[mask]) # 2本の回帰線を描画 x_line = np.linspace(x_all.min(), x_all.max(), 200) ax.plot(x_line, slope_all * x_line + intercept_all, label=f'全データ r={r_all:.3f}') ax.plot(x_line, slope_no * x_line + intercept_no, ls='--', label=f'外れ値除外 r={r_no:.3f}') # 変化が小さければ → 外れ値の影響は軽微 # 変化が大きければ → 外れ値が相関を作り出している
3
食料費割合と保健医療費割合

大腸がんの主要リスク因子として食生活が挙げられる。食料費割合（食費の消費支出に占める割合）を食生活の代理指標として分析した。

食料費割合 vs 保健医療費割合
図3：食料費割合と保健医療費割合の散布図。赤点は外れ値都道府県（京都府・青森県）。緑線：回帰直線（r=−0.103, p=0.492）。
📌 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。
結果：食料費割合との相関（r=−0.103, p=0.492） 食料費割合は保健医療費割合と有意な相関を示さなかった。食費の総額の割合ではなく、食の内容（赤身肉・加工食品・食物繊維の割合など）が大腸がんリスクに影響すると考えられるが、都道府県単位の家計調査ではその内訳を把握できない。
考察：データの限界と改善策 大腸がん研究で重要な「食物繊維摂取量」「赤身肉消費量」「飲酒量」「運動量」などはSSDSE-Bには含まれない。より精度の高い分析には、国民健康・栄養調査（厚生労働省）のデータとの組み合わせ、または医療費レセプトデータの活用が有効である。

DS LEARNING POINT 3

「有意な相関なし」の正しい解釈

p>0.05（統計的に有意でない）は「関係がない」ではなく、「このデータ・このサンプルサイズでは関係が検出できなかった」を意味する。N=47では |r|≥0.29 程度が検出の目安であり、それより小さい効果量は見逃される可能性がある。

r, p = stats.pearsonr(food_share, health_share) # 結果: r = -0.1027, p = 0.4921 # 解釈のポイント: # - N=47 では |r| < 0.29 は検出力不足で有意にならない # - r=-0.10 は「小さな効果量（Cohen小=0.1）」に相当 # - 「関係がない証明」には等価性検定（equivalence test）が必要 # - 結論: 「食料費割合との明確な相関は検出されなかった。 # より細かい食事内容データが必要。」
4
消費支出と保健医療費割合（都道府県ラベル付き）

消費支出は経済的豊かさの代理指標であり、医療へのアクセス意欲や生活水準を反映する。全47都道府県のラベルを付した散布図で地域差を視覚化した。

消費支出 vs 保健医療費割合
図4：消費支出（千円/月・二人以上世帯）と保健医療費割合の散布図（都道府県ラベル付き）。赤字が外れ値（京都府）。紫線：回帰直線（r=+0.311, p=0.034）。
📌 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。
結果：消費支出との有意な正の相関（r=+0.311, p=0.034） 消費支出が高い都道府県ほど保健医療費割合も高い傾向があり、有意な正の相関が確認された（r=+0.311, p=0.034）。経済的に豊かな地域では医療への支出が増える、あるいは医療へのアクセスがよく受診率が高いことが考えられる。
都道府県ラベル付き散布図の利点 全都道府県のラベルを散布図に付すことで、どの地域が回帰直線から外れているかを一目で確認できる。「統計量だけでなく、データの背景にある地域の特性を考察する」という探索的データ解析（EDA）の本質的な姿勢を示す。

DS LEARNING POINT 4

探索的データ解析（EDA）とラベル付き散布図

散布図に個々のデータポイントのラベルを付けることで、回帰直線から大きく外れた観察値（残差が大きい点）をすぐに特定できる。これは EDA（Exploratory Data Analysis）の基本技法。

fig, ax = plt.subplots(figsize=(11, 7)) ax.scatter(x4v, y4v, color='#6A1B9A', alpha=0.7, s=50) # 全都道府県のラベルを付ける for xi, yi, pi in zip(x4v, y4v, pref4): # 都道府県名を短縮（「県」「都」「道」「府」を除去） short = pi.replace('都','').replace('道','').replace('府','').replace('県','') color = '#C62828' if pi == outlier_pref else '#333333' ax.text(xi, yi + 0.04, short, fontsize=6.5, ha='center', color=color) # 回帰直線を重ねて表示 x_line = np.linspace(x4v.min(), x4v.max(), 200) ax.plot(x_line, slope4 * x_line + intercept4, label=f'回帰直線 r={r4:.3f}, p={p4:.3f}')

まとめと罹患しにくい生活の提案

分析の主要な発見

SSDSE-B の2022年度47都道府県データを用い、保健医療費割合（疾病負担プロキシ）との相関分析を行った結果：

  1. 光熱・水道費割合（負、r=−0.60, p<0.001）：最強の関連。農村・寒冷地型の生活費構造を持つ地域で保健医療費割合が低い傾向。生活環境と医療費負担の関係を示す。
  2. 消費支出・生活水準（正、r=+0.31, p=0.034）：経済的に豊かな地域ほど保健医療費割合が高い。より積極的な受診行動が考えられる。
  3. 高齢化率（負、r=−0.38, p=0.009）：逆説的な負の相関。生態学的誤謬や交絡変数（光熱費割合との交絡）の可能性を示す。外れ値（京都府）を除外しても関係は変わらない。
  4. 食料費割合（r=−0.10, p=0.492）：有意な相関なし。食の「量」でなく「質」のデータが必要。
罹患しにくい生活への提案（データに基づく考察）
  • 食事の内容（食物繊維の摂取、赤身肉・加工食品の制限）を改善する
  • 定期的な健診・大腸がん検診を受け、早期発見に努める（医療へのアクセス向上）
  • 飲酒・喫煙を控え、適度な運動習慣を持つ（消費支出の内訳よりも生活習慣の直接改善が重要）
  • 地域の経済水準や医療アクセスの格差を縮小する政策的取り組みが必要
本研究の限界 本研究はSSDSE-Bの消費支出データを用いたプロキシ分析であり、大腸がん罹患率を直接分析したものではない。より精密な分析には、がん登録データや国民健康・栄養調査との連結が必要である。都道府県単位の集計データでは個人レベルの因果関係を推論するのに限界があることを認識した上で解釈する必要がある。
教育的価値（この分析から学べること）
  • がん疫学：がん罹患率と生活習慣・食生活・環境要因の関係を分析する公衆衛生学の典型問題。
  • 生態学的研究と個人研究：県別データは集団レベル。個人レベルの結論を導く際は『エコロジカル誤謬』に注意。
  • 罹患率の標準化：年齢構成の違いを揃えた『年齢調整罹患率』で比較するのが基本。

データ・コードのダウンロード

分析スクリプト（2023_H2_yushu.py）
データ・資料出典
SSDSE-B 都道府県データ（2022年度）統計センター SSDSE（社会・人口統計体系）
消費支出・保健医療費データ総務省統計局 家計調査（SSDSE-B収録）
人口・高齢化率データ総務省統計局 住民基本台帳（SSDSE-B収録）

本教育用コードはSSDSE-B実データのみを使用（合成データ・np.random 不使用）。2022年度47都道府県データより算出。

教育用再現コード ｜ 2023年度 統計データ分析コンペティション 優秀賞 [高校生の部]

⚠️ 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。
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。
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

🔗 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。
↔️ 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
生活の形態と女性の社会進出
次の論文 →
地価に関する最適モデルの構築と手法提案