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進学と就職時による人口流出の要因分析」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：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/
│ └── 2023_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/2023_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
日本の地方人口流出は長年の政策課題である。特に「進学時」（高校卒業後の大学進学）と「就職時」（大学卒業後の就職）という2つのライフイベントが人口移動の主要なトリガーとなることが指摘されている。本研究は47都道府県 × 2012〜2023年度のパネルデータを用い、固定効果（FE）モデルにより、転出率・純移動率に対する大学進学率・有効求人倍率などの要因を特定した。
まず「パネルデータを用いた進学と就職時による人口流出の要因分析」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。
問題設定: 日本の人口流出の構造
地方では「進学移動」（大都市圏の大学へ進学）と「就職移動」（雇用機会の多い都市部へ就職）が重なり、若年人口が流出し続ける。この二重の流出メカニズムを、パネルデータによる統計的手法で定量化する。
分析の流れ
SSDSE-B
47都道府県
× 12年度
47都道府県
× 12年度
→
パネル構造
の検証
（FE vs RE）
の検証
（FE vs RE）
→
Hausman
検定で
FE採用
検定で
FE採用
→
FE回帰
（転出率・
純移動率）
（転出率・
純移動率）
→
断面散布図
（2022年度）
検証
（2022年度）
検証
パネルデータ（FE） Hausman検定 大学進学率 有効求人倍率
データとパネル構造
SSDSE-B（都道府県パネル）
SSDSE（社会・人口統計体系データセット）-B は都道府県レベルの年次データを収録する。本分析では47都道府県 × 2012〜2023年度の12時点からなるバランスド・パネル（564観測）を用いた。
| 変数の役割 | 変数名（SSDSE-B） | 計算式・備考 |
|---|---|---|
| 目的変数① 転出率 |
転出者数（日本人移動者）/ 総人口 × 100 | A5102/A1101相当 (%) |
| 目的変数② 純移動率 |
（転入 − 転出）/ 総人口 × 100 | (A5101−A5102)/A1101相当 (%) |
| 大学進学率 | 高校卒業者のうち進学者数 / 高校卒業者数 × 100 | E4602/E4601相当 (%) 進学移動の代理変数 |
| 有効求人倍率 | 月間有効求人数 / 月間有効求職者数 | F3103/F3102相当 就職機会・地域経済力 |
| 消費支出 | 消費支出（二人以上の世帯） | L3221相当（円/月） 経済的豊かさの代理 |
| 住宅地標準価格 | 標準価格（平均価格）（住宅地） | C5401相当（円/m²） 居住コスト |
| 高齢化率 | 65歳以上人口 / 総人口 × 100 | A1303/A1101相当 (%) |
| TFR（合計特殊出生率） | 合計特殊出生率 | A4103相当 |
パネルデータの強み
クロスセクション分析では「東京は大都市だから転出が多い」といった観察されない都道府県固有の効果（地域固定効果）が推定を歪める。パネルFEモデルはこうした固定効果を差し引いた「時間内変動（within variation）」のみを使って因果関係に近い推定を行う。
1
固定効果モデルとHausman検定
パネルデータの分析では、固定効果（FE）モデルとランダム効果（RE）モデルのどちらを使うべきかを判断する必要がある。
固定効果（FE）モデル
yit = αi + β₁(大学進学率)it + β₂(有効求人倍率)it
+ β₃(消費支出)it + β₄(住宅地価格)it
+ β₅(高齢化率)it + β₆(TFR)it + εit
i = 都道府県（47）, t = 年度（2012〜2023）, αi = 都道府県固定効果
yit = αi + β₁(大学進学率)it + β₂(有効求人倍率)it
+ β₃(消費支出)it + β₄(住宅地価格)it
+ β₅(高齢化率)it + β₆(TFR)it + εit
i = 都道府県（47）, t = 年度（2012〜2023）, αi = 都道府県固定効果
| モデル | 固定効果 αi | 前提 | 推定効率 |
|---|---|---|---|
| 固定効果（FE） | パラメータとして推定 | αi と説明変数の相関を許容 | 低め（within変動のみ使用） |
| 変量効果（RE） | ランダム変数として扱う | αi と説明変数は無相関 | 高い（between変動も使用） |
DS LEARNING POINT 1
Hausman検定：FEかREか
Hausman（1978）検定は「変量効果の前提が成立するか」を検証する。帰無仮説「αi と説明変数は無相関（RE有効）」が棄却されれば、FEモデルを採用する。
from linearmodels import PanelOLS, RandomEffects
import statsmodels.api as sm
# FE モデルの推定
exog = sm.add_constant(df_panel[PRED_COLS])
fe_model = PanelOLS(dep_var, exog,
entity_effects=True, time_effects=False)
fe_res = fe_model.fit(cov_type='clustered', cluster_entity=True)
# RE モデルの推定
re_res = RandomEffects(dep_var, exog).fit()
# Hausman検定の考え方:
# FE係数（β_fe）とRE係数（β_re）の差が大きければ
# RE前提（内生性なし）が成立していないと判断
# → FEモデルを採用
# 簡易確認: Within R² vs Between R²
print("FE Within R²:", fe_res.rsquared_within)
print("RE Overall R²:", re_res.rsquared)
クラスター標準誤差の重要性
パネルデータでは同一都道府県の観測値に系列相関（serial correlation）が存在しうる。OLSの通常の標準誤差はこれを無視するため過小推定になりやすい。本分析では都道府県（entity）でクラスタリングした頑健標準誤差を採用している。
2
転出率の時系列トレンド（全国平均 2012〜2023）
まず、目的変数「転出率」の全国平均の推移を確認する。転出率はパネル分析の前提となる時間内変動（within variation）が存在することを示している。
図1: 47都道府県の転出率（全国平均）の推移（2012〜2023年度）。転出者数/総人口 × 100（%）。
データ出典: SSDSE-B-2026（総務省 住民基本台帳人口移動報告）
データ出典: SSDSE-B-2026（総務省 住民基本台帳人口移動報告）
📌 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。
観察されるトレンド
- 2019〜2020年にかけてCOVID-19の影響で人口移動が一時的に減少
- 2021〜2022年以降、都市部への回帰傾向（転出率の上昇）
- 年度間の変動がパネルFEの「within推定」に使われる時間内変動
3
FE回帰係数：転出率モデル
目的変数を転出率（転出者数/総人口 × 100）とした固定効果パネル回帰の推定結果。都道府県固定効果を制御した上での「時間内変動」に基づく推定。
図2: 転出率モデルの固定効果（FE）回帰係数（95%信頼区間付き、クラスター標準誤差）。
*** p<0.001 ** p<0.01 * p<0.05 † p<0.10 n.s. 有意でない
*** p<0.001 ** p<0.01 * p<0.05 † p<0.10 n.s. 有意でない
📌 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。
| 説明変数 | 推定係数 | 有意水準 | 解釈 |
|---|---|---|---|
| 有効求人倍率 | +0.058 | * (p≈0.024) | 求人倍率が上がると転出が増える（好景気時の移動活発化） |
| 高齢化率 | −0.010 | * (p≈0.021) | 高齢化が進むと転出が減る（若年人口が元々少ない） |
| 大学進学率 | +0.001 | n.s. | within変動では転出率との直接的関連は限定的 |
| 消費支出 | +0.000 | n.s. | 有意でない |
| 住宅地標準価格 | ≈0.000 | n.s. | 有意でない |
| TFR | +0.021 | n.s. | 有意でない |
Within R² = 0.059 について
FEモデルのWithin R²は時間内変動の説明力を示す。都道府県固定効果を除いた残差変動のうち約6%が本モデルで説明される。パネルFEでは固定効果自体が都道府県差の大部分を吸収するため、Within R²が低くても固定効果の重要性は変わらない。
4
FE回帰係数：純移動率モデル
目的変数を純移動率（転入−転出）/総人口 × 100）に変えた固定効果モデル。転入・転出の差分により、地域の「魅力度」の変化を捉える。
図3: 純移動率モデルの固定効果（FE）回帰係数（95%信頼区間付き、クラスター標準誤差）。
*** p<0.001 ** p<0.01 * p<0.05 † p<0.10 n.s. 有意でない
*** p<0.001 ** p<0.01 * p<0.05 † p<0.10 n.s. 有意でない
📌 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。
| 説明変数 | 推定係数 | 有意水準 | 解釈 |
|---|---|---|---|
| 住宅地標準価格 | −0.000 | ** (p≈0.001) | 地価上昇時に純流出が増加（居住コスト上昇による転出） |
| 大学進学率 | +0.006 | n.s. (p≈0.107) | 進学率上昇で純移動改善の傾向（境界有意） |
| 有効求人倍率 | −0.009 | n.s. | 有意でない |
| 高齢化率 | −0.008 | n.s. | 有意でない |
| 消費支出 | ≈0.000 | n.s. | 有意でない |
| TFR | −0.014 | n.s. | 有意でない |
転出率モデルと純移動率モデルの比較
転出率モデルでは「有効求人倍率」が有意（景気連動の転出活発化）。純移動率モデルでは「住宅地価格」が負に有意（地価上昇で純流出拡大）。同じパネルデータでも目的変数の設定によって異なる政策的インプリケーションが得られる。
DS LEARNING POINT 2
複数の目的変数による頑健性確認
一つの目的変数だけで分析すると、結果が特定の指標の性質に依存する可能性がある。「転出率」と「純移動率（転入−転出）」という2つの指標を使うことで、人口流出現象を多面的に検証できる。
from linearmodels import PanelOLS
import statsmodels.api as sm
exog = sm.add_constant(df_panel[PRED_COLS])
# 目的変数①: 転出率
res_out = PanelOLS(df_panel['転出率'], exog,
entity_effects=True).fit(
cov_type='clustered', cluster_entity=True)
# 目的変数②: 純移動率
res_net = PanelOLS(df_panel['net_mig率'], exog,
entity_effects=True).fit(
cov_type='clustered', cluster_entity=True)
# 共通して有意な変数 → 頑健な発見
print("転出率モデルの有意変数:", [v for v, p in zip(PRED_COLS, res_out.pvalues[PRED_COLS]) if p < 0.05])
print("純移動率モデルの有意変数:", [v for v, p in zip(PRED_COLS, res_net.pvalues[PRED_COLS]) if p < 0.05])
5
大学進学率 vs 転出率（2022年度断面）
パネル分析を補完するため、2022年度の断面データで大学進学率と転出率の関係を可視化する。点の色は有効求人倍率を表し、就職機会との交差効果を示す。
図4: 大学進学率（横軸）vs 転出率（縦軸）の散布図（47都道府県, 2022年度）。
点の色は有効求人倍率（青=低倍率・就職難、赤=高倍率・雇用豊富）。回帰直線付き。
点の色は有効求人倍率（青=低倍率・就職難、赤=高倍率・雇用豊富）。回帰直線付き。
📌 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。
断面分析からの観察
- 大学進学率が高い都道府県（東京・京都など）では転出率も高い傾向がある（進学移動による流出）
- 有効求人倍率が低い（青い点）都道府県では地方型の転出パターン
- 秋田県・青森県など東北は進学率は低いが転出率は高い（就職移動主導）
- 断面分析では都道府県固有の効果（地域特性）が混在するため、パネルFEによる時間内変動の分析が本研究の核心
DS LEARNING POINT 3
断面分析 vs パネル固定効果：交絡の問題
断面（クロスセクション）分析では「観察されない都道府県固有の特性」が混入する。たとえば「東京は大学も多く転出率も高い」のは、単に東京の規模・機能の問題かもしれない。パネルFEはこうした時間不変の固定効果を除去し、より純粋な変動要因を推定する。
# 断面 OLS（交絡あり）
from scipy import stats
df_2022 = df_panel.xs(2022, level='年度')
r_cross, p_cross = stats.pearsonr(
df_2022['大学進学率'], df_2022['転出率'])
print(f"断面: r={r_cross:.3f}, p={p_cross:.3f}")
# パネル FE（都道府県固定効果を除去）
# → 各都道府県の経年変化のみに基づく推定
# → 「大学進学率が上昇した年は転出率も上昇したか？」を検証
fe_coef = res_out.params['大学進学率']
fe_pval = res_out.pvalues['大学進学率']
print(f"FE (within): coef={fe_coef:.4f}, p={fe_pval:.3f}")
まとめ
主要な発見
SSDSE-B の47都道府県 × 2012〜2023年度のバランスドパネルデータを用いた固定効果（FE）回帰分析の結果：
- 有効求人倍率（転出率モデル, p≈0.024）： 雇用機会の増加が転出活動の活発化と連動。「就職移動」は景気変動の影響を受ける動的なプロセス。
- 高齢化率（転出率モデル, p≈0.021）： 高齢化率上昇時に転出が抑制される。若年人口が既に流出した地域では転出率そのものが下がる構造を示す。
- 住宅地標準価格（純移動率モデル, p≈0.001）： 地価上昇時に純移動率が低下（流出拡大）。居住コストの上昇が人口流出を促進する。
- 大学進学率（断面で正相関、FEでは非有意）： 断面では「進学率の高い都道府県 = 転出率が高い」が観察されるが、FEによる時間内変動では直接的な有意効果は確認されない。進学移動は時間不変の地域特性（大学集積）によって主に規定されている可能性。
政策への示唆
パネルFEの結果は「地域の有効求人倍率向上（就職機会の充実）」と「住居コストの抑制」が人口流出抑制に寄与しうることを示す。進学移動については、都道府県の固定特性（大学・産業構造）が支配的であり、短期的な政策変数での対処には限界がある。
DS LEARNING POINT 4
パネル固定効果モデルの限界と拡張
FEモデルは都道府県固有の時間不変な効果を除去できるが、同時に「大学進学率が慢性的に高い都道府県は転出が多い」というbetween変動（都道府県間差）の情報も捨てる。Within R²が低い場合は、時間固定効果（time_effects=True）の追加や、ダイナミックパネル（ラグ付き目的変数）の検討も有効。
# 時間固定効果の追加（two-way FE）
res_twfe = PanelOLS(dep_var, exog,
entity_effects=True,
time_effects=True).fit( # ← 年度FEも追加
cov_type='clustered', cluster_entity=True)
# ダイナミックパネル（転出率の自己回帰）
df_panel['転出率_lag'] = (df_panel['転出率']
.groupby(level='都道府県')
.shift(1))
# → ラグ変数を含めることで慣性（persistence）を考慮
教育的価値（この分析から学べること）
- 進学・就職時の人口流出：18歳・22歳での移動が地方衰退の主因。年齢別人口移動の分析が鍵。
- パネルデータ：都道府県×年で、地域固有要因を除去しつつ流出パターンの変化を追える。
- プッシュ・プル要因：出る側（雇用不足）と引く側（大学・職）の両方を考えるモデルの基本。
データ・コードのダウンロード
| データ | 出典 |
|---|---|
| SSDSE-B 都道府県パネルデータ（2012〜2023年度） | 統計数理研究所 SSDSE（社会・人口統計体系データセット） |
| 転出者数・転入者数（日本人移動者） | 総務省 住民基本台帳人口移動報告 |
| 高等学校卒業者・進学者数 | 文部科学省 学校基本調査 |
| 月間有効求人数・求職者数 | 厚生労働省 職業安定業務統計（ハローワーク） |
本教育用コードは実データ（SSDSE-B-2026.csv）のみを使用。合成データ・乱数生成は一切含まない。
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 審査員奨励賞 [大学生・一般の部] ｜ パネルデータを用いた進学と就職時による人口流出の要因分析
⚠️ 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。