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 ｜ 大学生の部
優秀賞

市町村費負担教員任用の規定要因
―ハードルモデルを用いた多変量解析から―

⏱️ 推定読了時間: 約40分
分析手法：ハードルモデル（ロジスティック回帰 + OLS）・VIF ｜ データ：SSDSE-B 47都道府県（2022年度）
📝 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
  3. ハードルモデルの構造
  4. 相関ヒートマップ（図1）
  5. Part 1：ロジスティック回帰（図2）
  6. Part 2：OLS 回帰（図3・図4）
  7. VIF による多重共線性診断
  8. まとめと教育的含意
  9. 📥 データの準備
  10. 💼 実社会での応用
  11. ⚠️ よくある誤解
  12. 📖 用語集
  13. 📐 手法ガイド
  14. 🚀 発展の可能性
  15. 🎯 自分でやってみよう
  16. 🤔 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_U2_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_U2_yushu.py
図は html/figures/ に自動保存されます。
概
研究概要と背景

市町村費負担教員（市費教員）とは、国や都道府県の費用負担によらず、市町村が独自の予算で 雇用する教員のことである。少子化・地域格差の進行に伴い、小規模校の維持や教育水準の確保を 目的として、一部の都道府県・市町村でその活用が広がっている。

まず「市町村費負担教員任用の規定要因―ハードルモデルを用いた多変量解析から―」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。

本研究では、「都道府県単位で高い学校密度（高い市費教員需要のプロキシ）を持つか否か」という 2段階の構造（まず高密度かを決め、次に密度水準を決める）を統計的に捉えるため、 ハードルモデル（2部構成モデル）を採用した。

研究課題 高齢化・少子化・経済的要因のどれが「市費教員需要（学校密度の高低・教員/児童比）」を 規定しているのか？ハードルモデルによって2段階に分解して分析する。
分析の流れ
SSDSE-B
47都道府県
（2022年度）
→
VIF チェック
（多重共線性）
→
Part 1
ロジスティック
回帰
→
Part 2
OLS 回帰
（高密度のみ）

ハードルモデル ロジスティック回帰 OLS 回帰 VIF SSDSE-B

データと変数

使用データ

SSDSE-B（社会・人口統計体系データセット B：都道府県別）の2022年度データを使用。 47都道府県を対象とし、欠損値なし。

目的変数

パート目的変数定義コード
Part 1 school_dense（binary） 学校密度（E2101/A1101×10000）が全国中央値を超えれば1、以下なら0 E2101, A1101
Part 2 teacher_ratio（連続） 教員数/児童数（E2401/E2501） E2401, E2501

説明変数（7変数）

変数名計算式SSDSEコード想定効果
高齢化率（%）A1303/A1101 × 100A1303, A1101正（高齢化 → 少子化 → 学校統廃合圧力）
消費支出（円）L3221L3221正（豊かな地域は教育投資余力あり）
住宅地標準価格（円/m²）C5401C5401正/負（都市部 → 人口密集 → 学校多い）
合計特殊出生率（TFR）A4103A4103正（出生率高い → 児童多い → 教員需要）
転出率（%）A5102/A1101 × 100A5102, A1101負（流出 → 児童減少 → 学校需要低下）
有効求人倍率F3103/F3102F3103, F3102正（景気良好 → 行政余力あり）
高校→大学進学率（%）E4602/E4601 × 100E4602, E4601正（教育意識の高さ → 小学校重視）
手
ハードルモデルの構造

ハードルモデル（Hurdle Model）は、データが「ゼロかどうか」と「非ゼロの場合の値」という 2段階の生成過程を持つと仮定する2部構成モデルである。 本研究では「学校密度が高いか否か」（第1ハードル）と「高密度都道府県での教員/児童比の水準」を それぞれ独立に推定する。

ハードルモデルの構造

P(Y > 0 | X) = logistic(X β₁)　← Part 1: ロジスティック回帰

E[Y | Y > 0, X] = X β₂ + ε　← Part 2: OLS（非ゼロサンプルのみ）

※ここでは Y=0 を「低学校密度（school_dense=0）」、Y>0 を「高学校密度（school_dense=1）」と対応させる

Part 1: ロジスティック回帰（N=47）

目的変数：school_dense（学校密度 > 中央値 → 1）
手法：statsmodels.formula.api.logit
出力：オッズ比（OR）、95%CI
問い：どの要因が「高学校密度」を生む確率を高めるか？

Part 2: OLS 回帰（N=23、school_dense=1のみ）

目的変数：teacher_ratio（E2401/E2501、教員/児童比）
手法：statsmodels.api.OLS
出力：回帰係数β、95%CI、R²
問い：高密度都道府県内で、教員/児童比をどの要因が決めるか？

なぜ通常の重回帰ではなくハードルモデルか？ 通常の単一OLS回帰では「低密度・高密度」の両グループを一括して推定するため、 推定の偏りが生じる可能性がある。ハードルモデルはこの2段階の生成過程を明示的に モデル化することで、より適切な推定を行う。

DS LEARNING POINT 1

ハードルモデルとゼロ過剰ポアソンの違い

ハードルモデルとゼロ過剰モデル（ZIP/ZINB）はいずれも2部構成だが、仮定が異なる。 ハードルモデルは「ゼロは第1部のみで生成」と仮定するのに対し、 ZIP/ZINBは「真のゼロ（構造的ゼロ）とカウントゼロの混合」を仮定する。 連続アウトカムや比率の場合は、ハードルモデル（binary + OLS）が適切。

import statsmodels.formula.api as smf import statsmodels.api as sm # Part 1: ロジスティック回帰（全サンプル） logit_res = smf.logit( 'school_dense ~ x1_aging_rate + x2_consumption + x3_land_price' '+ x4_tfr + x5_outmigrate + x6_job_ratio + x7_college_rate', data=df ).fit() odds_ratios = np.exp(logit_res.params) # オッズ比 # Part 2: OLS（school_dense==1 のみ） df_high = df[df['school_dense'] == 1] ols_res = sm.OLS( df_high['teacher_ratio'], sm.add_constant(df_high[pred_cols]) ).fit() print(f"R² = {ols_res.rsquared:.3f}")
1
相関ヒートマップ（図1）

説明変数7個と目的変数候補（学校密度・教員/児童比）の相関行列をヒートマップで可視化する。 変数選択の前段階として、変数間の多重共線性の傾向や各変数との関係を視覚的に把握する。

相関ヒートマップ
図1：説明変数・目的変数間の相関ヒートマップ（N=47都道府県、2022年度）。 赤が正の相関、青が負の相関。数値は Pearson 相関係数。
📌 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。
相関ヒートマップの見方
  • 対角成分は常に1.0（自己相関）
  • 説明変数どうしの相関が強い（|r| > 0.7）場合、多重共線性に注意
  • 学校密度（万人対）・教員/児童比との相関が高い変数が有力な予測因子候補

DS LEARNING POINT 2

相関係数は因果ではない

相関係数は2変数間の線形関係の強さを示すが、因果関係を示すものではない。 たとえば「高齢化率と学校密度が正相関」であっても、「高齢化が学校密度を増やす」とは 直接言えない。交絡変数（例：地方の小規模集落では高齢化も学校分散化も同時に起きる）の 存在に注意が必要。回帰分析でほかの変数を「コントロール」することが重要。

import seaborn as sns, matplotlib.pyplot as plt corr_mat = df[analysis_cols].corr() fig, ax = plt.subplots(figsize=(10, 8)) sns.heatmap(corr_mat, ax=ax, cmap='RdBu_r', center=0, vmin=-1, vmax=1, annot=True, fmt='.2f', linewidths=0.5, square=True) plt.tight_layout() plt.savefig('fig1_corr.png', dpi=150)
2
Part 1：ロジスティック回帰（図2）

ハードルモデルの第1部では、47都道府県全体を対象に「学校密度（1万人あたり小学校数）が 全国中央値を超えるか」という2値アウトカムをロジスティック回帰で推定する。

log[P(school_dense=1) / (1−P)] = β₀ + β₁×高齢化率 + β₂×消費支出 + β₃×住宅地価格
　　　　+ β₄×TFR + β₅×転出率 + β₆×求人倍率 + β₇×進学率
ロジスティック回帰 オッズ比
図2：Part 1 ロジスティック回帰のオッズ比（OR）と95%信頼区間（N=47都道府県）。 OR=1（破線）より右は「学校高密度」の確率を高める方向、左は低下させる方向。 色は有意水準を示す（赤: p<0.01、橙: p<0.05、緑: p<0.10、灰: n.s.）。

Part 1 結果の解釈

変数ORp値解釈
高齢化率（%）~1.90n.s.高齢化地域ほど学校密度高い傾向（過疎地の分散配置）
消費支出~1.00n.s.消費支出が高いほど学校密度がやや低い傾向
住宅地標準価格~1.00n.s.地価の影響は限定的
合計特殊出生率~215n.s.出生率が高い地域ほど学校密度が高い傾向（N=47で不安定）
転出率（%）~89n.s.転出率と学校密度の関連（交絡の可能性）
有効求人倍率~7.6n.s.雇用環境と学校密度の正の関連
高校→大学進学率（%）~0.92n.s.進学率高い地域は都市型（学校集中配置）
N=47 の限界：準完全分離（Quasi-separation） 都道府県数 N=47 はロジスティック回帰の7変数モデルとしては小さく、 「準完全分離（quasi-separation）」が発生しやすい。 これはある変数の値だけで目的変数がほぼ完全に予測できてしまう状態であり、 標準誤差が極端に大きくなる原因となる。 このため本分析では全変数のp値が有意でなくても、 全体モデルのLR検定（p=1.7e-08）は有意であり、 疑似R²（McFadden）= 0.76 と高い説明力を示す。

DS LEARNING POINT 3

オッズ比（OR）の読み方

ロジスティック回帰の係数βを exp(β) に変換したものがオッズ比（OR）。 OR > 1 なら「その変数が1単位増加するとイベント発生の確率のオッズが OR 倍になる」、 OR < 1 なら確率が下がる方向。OR = 1 は効果なし。 95%CI が OR=1 をまたいでいれば統計的に有意でない。

import numpy as np # ロジスティック回帰係数 → オッズ比 beta = logit_res.params conf_int = logit_res.conf_int() # 95%CI（対数オッズスケール） odds_ratio = np.exp(beta) # OR ci_lo = np.exp(conf_int[0]) # CI下限 ci_hi = np.exp(conf_int[1]) # CI上限 # OR > 1: イベント発生の確率を高める方向 # OR < 1: イベント発生の確率を下げる方向 # CI が 1 をまたがない → 統計的に有意
3
Part 2：OLS 回帰（図3・図4）

ハードルモデルの第2部では、「高学校密度（school_dense=1）」の都道府県23件のみを対象に、 教員/児童比（E2401/E2501）を目的変数としたOLS重回帰を実施する。

OLS 係数棒グラフ
図3：Part 2 OLS 回帰の係数（β）と95%信頼区間（school_dense=1、N=23都道府県）。 色は有意水準（赤: p<0.01、橙: p<0.05、緑: p<0.10、灰: n.s.）。
📌 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。
実測値 vs 予測値
図4：Part 2 OLS の実測値 vs 予測値散布図（school_dense=1、N=23都道府県）。 点が対角線（y=x）に近いほど予測精度が高い。 各点は都道府県を示す。R² = 0.385。
📌 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。

Part 2 OLS 結果サマリー

統計量値評価
R²0.385変動の38.5%を説明
調整済みR²0.098N=23・7変数では調整後に低下
F検定 p値0.298n.s.（全体モデルは有意でない）
RMSE~0.0047教員/児童比の平均的な予測誤差
小標本（N=23）での多変数OLS の限界 Part 2 では N=23 に対して7変数を投入するため、 自由度が非常に小さく（df残差=15）、調整済みR²とF検定p値が示すように 個別係数の有意性は低くなる傾向がある。 実際の研究では変数削減（AIC/BIC基準のステップワイズ選択や Ridge/Lasso 正則化）を検討すべき状況である。
係数の方向性から読めること
  • 有効求人倍率（負）：雇用が活発な地域では教員/児童比が低い傾向（大都市的特性？）
  • 高齢化率（正）：高齢化地域ほど少人数学級化 → 教員比率が高い
  • TFR（正）：出生率が高い地域ほど教員需要が増加
  • 転出率（負）：人口流出地域では教員/児童比が低下（廃校・統廃合圧力）

DS LEARNING POINT 4

調整済みR² と F検定の関係

R² は変数を追加するほど必ず増加するが、 調整済みR² は変数追加のコスト（自由度の消費）をペナルティとして引いた指標。 N に対して変数が多すぎると調整済みR² は低下する。 F検定は「全係数がゼロ」という帰無仮説の検定で、R² が高くてもNが小さいと 有意でないことがある。

ols_res = sm.OLS(Y, X).fit() # R² とその限界 print(f"R² = {ols_res.rsquared:.3f}") print(f"調整済みR² = {ols_res.rsquared_adj:.3f}") print(f"F統計量 = {ols_res.fvalue:.3f}, p = {ols_res.f_pvalue:.3f}") # 自由度に注目 n_obs = ols_res.nobs # 標本数 N n_vars = len(ols_res.params) - 1 # 定数項除く変数数 df_res = ols_res.df_resid # 残差自由度 = N - k - 1 print(f"N={n_obs}, 変数数={n_vars}, 残差df={df_res}")
4
VIF による多重共線性診断

ロジスティック回帰・OLS の両モデルに先立ち、説明変数7個の分散拡大係数（VIF）を計算する。 VIF が大きいほど、その変数が他の説明変数と強く相関しており、係数推定が不安定になる。

VIF_j = 1 / (1 − R²_j)

※ R²_j は第j変数を目的変数、残り全変数を説明変数とした補助回帰のR²

VIF 結果（N=47都道府県、2022年度）

変数VIF評価
高齢化率（%）2.49問題なし
消費支出（円）1.39問題なし
住宅地標準価格（円/m²）3.69問題なし
合計特殊出生率1.78問題なし
転出率（%）1.91問題なし
有効求人倍率1.48問題なし
高校→大学進学率（%）2.27問題なし

判定基準: VIF < 5（問題なし）、5〜10（中程度）、>10（深刻）

VIF 診断の結果 全変数の VIF < 5 であり、今回の分析では深刻な多重共線性は認められなかった。 ただし、OLS Part 2 の条件数（Cond. No.）が 1.66×10⁷ と大きいことは、 スケールの異なる変数（消費支出：数十万円単位、TFR：1程度）が混在していることによる 数値的不安定性を示している。標準化（z-score）によって改善できる。

DS LEARNING POINT 5

VIF の実装と解釈

statsmodels の variance_inflation_factor を使えば VIF を簡単に計算できる。 定数項列を含む設計行列（sm.add_constant後）に対して、 各変数のインデックスを指定して計算する。

import statsmodels.api as sm from statsmodels.stats.outliers_influence import variance_inflation_factor X = sm.add_constant(df[pred_cols].astype(float)) vif_values = [ variance_inflation_factor(X.values, i + 1) # i+1: 定数項をスキップ for i in range(len(pred_cols)) ] for var, vif in zip(pred_cols, vif_values): flag = "← 注意" if vif > 5 else "" print(f"{var:25s}: VIF = {vif:.2f} {flag}") # 変数を標準化してスケール問題を解消 from sklearn.preprocessing import StandardScaler X_std = StandardScaler().fit_transform(df[pred_cols]) # → Cond. No. が大幅に改善

まとめと教育的含意

主要な発見

  1. ハードルモデルの有効性：学校密度の「高低」を第1部（ロジスティック回帰）、 高密度都道府県内の「教員/児童比の水準」を第2部（OLS）として分離して分析することで、 単一OLS では見えにくかった2段階の規定要因の違いを明示できる。
  2. 第1部（ロジスティック回帰）：N=47の小標本では準完全分離が生じやすく、 全体モデルの有意性（疑似R²=0.76）は高いが個別変数の有意性は低い。 高齢化率・TFR・転出率が学校高密度に正の方向で関連する傾向がある。
  3. 第2部（OLS）：有効求人倍率（負）、高齢化率（正）、TFR（正）が 教員/児童比に影響する方向性が確認された。ただし N=23・7変数では自由度が不足しており、 正則化や変数削減が望ましい。
  4. VIF 診断：全説明変数の VIF < 5 であり、多重共線性は深刻ではなかった。
政策的示唆 「市費教員の任用」という教育政策行動は、単純な人口規模よりも 高齢化・出生率・労働市場といった複合的な社会経済環境に規定されている可能性がある。 ハードルモデルはこのような2段階の意思決定（任用するか否か・何人任用するか）を 統計的に捉える強力な枠組みである。
本分析の限界と今後の課題
  • N=47 は統計的検出力が低く、多変数モデルでは結果が不安定になりやすい
  • 都道府県集計データは市町村レベルの異質性を均質化してしまう（生態学的誤謬）
  • 変数の標準化・正則化（Ridge/Lasso）によりモデルの安定化が期待される
  • 市費教員数の直接データが得られれば、より適切なカウントモデル（ポアソン等）が使える
教育的価値（この分析から学べること）
  • 市町村費負担教員制度：国・県と並ぶ第3の財源負担。自治体の教育裁量を反映する制度。
  • 制度導入の規定要因：財政力・教員需要・地域政策が絡む。ロジスティック回帰で『導入する/しない』を分析できる。
  • 選択バイアス：導入自治体と非導入自治体は『そもそも違う』ので、単純比較ではなく傾向スコアマッチングなどが必要。

データ・コードのダウンロード

分析スクリプト（2023_U2_yushu.py）
データ出典
SSDSE-B 都道府県別統計データ（2022年度）統計数理研究所 SSDSE（社会・人口統計体系）
小学校数（E2101）・教員数（E2401）・児童数（E2501）文部科学省 学校基本調査 via e-Stat
有効求人倍率（F3102, F3103）厚生労働省 職業安定業務統計 via e-Stat
住宅地標準価格（C5401）国土交通省 地価公示 via e-Stat

本コードは SSDSE-B-2026.csv（実公的データ）を直接使用する。合成データ（np.random 等）は一切使用しない。

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 [大学生の部] ｜ ハードルモデル・ロジスティック回帰・VIF

⚠️ 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

📈 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。
🌿 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。
🎲 ロジスティック回帰 / プロビット回帰
何？
目的変数が「はい・いいえ」などの2値（0 or 1）の場合に使う回帰手法。確率（0〜1）を予測する。
どう使う？
線形回帰の結果をシグモイド関数（ロジット）またはΦ関数（プロビット）で0〜1に変換する。
何がわかる？
「この特徴の人が金融商品を買う確率は何%か」「政策採用自治体の特徴は何か」を分析できる。
結果の読み方
係数ではなく「オッズ比」（e^係数）で解釈することが多い。オッズ比 > 1 なら正の影響。
⚠️ 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
小中学生の不登校率における環境要因分析
次の論文 →
CO2排出特性と地域特性の関係