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 ｜ 審査員奨励賞 [大学生・一般の部]

変数重要度に着目したクラスタリングによる
社会構造と睡眠時間の関係性の解析

⏱️ 推定読了時間: 約35分
2023年度 ｜ 審査員奨励賞（大学生）
📝 3行で分かる要約

目次

  1. 研究概要と背景
  2. データ：SSDSE-B + SSDSE-D（47都道府県）
  3. ランダムフォレストによる変数重要度（図1）
  4. Ward法 階層クラスタリング（図2）
  5. 社会指標と睡眠時間の散布図（図3）
  6. クラスタ別睡眠時間の分布（図4）
  7. まとめと政策的含意
  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-D-2023.csv　← SSDSE-D（都道府県の指標）📥 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_2_shorei.py ← 実行するスクリプト └── data/ └── raw/ SSDSE-B-2026.csv ← ここに置く SSDSE-D-2023.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_2_shorei.py
図は html/figures/ に自動保存されます。
概
研究概要と背景

睡眠不足は健康・生産性・精神衛生に深刻な影響を及ぼす。日本は国際的にみても睡眠時間が短い国として知られているが、都道府県間にも有意な差がある（平均 476.6 分/日、最長：青森県 488分 ⇔ 最短：東京都・神奈川県 468分）。 本研究は「どのような社会構造変数が睡眠時間の地域差を説明するか」を探るため、ランダムフォレストの変数重要度で主要因子を特定し、それをもとに 47都道府県を Ward法で階層クラスタリングした。

まず「変数重要度に着目したクラスタリングによる社会構造と睡眠時間の関係性の解析」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。

分析の流れ
SSDSE-B + D
47都道府県
マージ
→
社会指標
特徴量
エンジニアリング
→
Random Forest
変数重要度
算出
→
Ward法
階層
クラスタリング
→
クラスタ別
睡眠パターン
解釈

SSDSE-B SSDSE-D RandomForest 変数重要度 Ward法クラスタリング 47都道府県

データ：SSDSE-B + SSDSE-D（47都道府県）

使用データセット

データセット内容使用変数
SSDSE-D-2023 社会生活基本調査
2021年 47都道府県（総数）		 睡眠時間（分/日）
仕事時間（分/日）
SSDSE-B-2026 都道府県別統計
2022年度 47都道府県		 高齢化率、消費支出、住宅地価格
有効求人倍率、TFR、大学進学率
宿泊者数 per capita、年平均気温

目的変数：睡眠時間（分/日）

睡眠時間の都道府県間格差
  • 全国平均: 476.6分/日（7.94時間/日）
  • 最長：青森県 488分（8.13時間） / 秋田県 486分
  • 最短：東京都・神奈川県 468分（7.80時間）
  • 最長と最短の差：20分（大都市圏 vs 東北・九州で顕著な差）

説明変数（社会指標）一覧

変数名計算式出典想定される関連
高齢化率（%）65歳以上人口 / 総人口 × 100SSDSE-B高齢化 → 睡眠長？
消費支出（円/月）二人以上世帯の月間消費支出SSDSE-B豊かさの代理指標
住宅地価格（円/m²）標準価格（平均）SSDSE-B都市集中度の代理
有効求人倍率（倍）月間有効求人数 / 月間有効求職者数SSDSE-B労働市場の逼迫度
TFR（合計特殊出生率）合計特殊出生率SSDSE-Bライフスタイルの違い
大学進学率（%）高校卒進学者数 / 高校卒業者数 × 100SSDSE-B教育水準・都市度
宿泊者数 per capita延べ宿泊者数 / 総人口SSDSE-B観光地特性
年平均気温（℃）年平均気温SSDSE-B気候・地域差の代理
仕事時間（分/日）1日の仕事時間（平均）SSDSE-D仕事長 → 睡眠短
データの結合 SSDSE-B（社会・人口統計）と SSDSE-D（生活時間調査）を地域コード（R01000〜R47000）でマージ。欠損なし 47都道府県 × 9変数の完全データを確保。
1
ランダムフォレストによる変数重要度

睡眠時間を目的変数として 9 つの社会指標で RandomForestRegressor（n_estimators=100, random_state=42）を学習し、不純度ベースの特徴量重要度（Gini Importance）を算出した。学習データへの当てはまりは R²=0.907 であった。

RF変数重要度棒グラフ
図1：ランダムフォレストによる変数重要度。赤色の上位4変数（大学進学率・住宅地価格・年平均気温・消費支出）をクラスタリングに使用。
変数重要度の解釈
  1. 大学進学率（26%）：教育水準・都市度の代理変数。進学率高 ≒ 都市部 → 睡眠短の傾向を反映。
  2. 住宅地価格（22%）：大都市圏ほど高く、通勤時間長・睡眠短と連動。
  3. 年平均気温（11%）：気候帯（北日本 vs 南日本）と睡眠パターンの地域差を捉える。
  4. 消費支出（11%）：生活水準・生活様式の違いを反映。

DS LEARNING POINT 1

RandomForest 変数重要度（Impurity-based Feature Importance）

Random Forest の変数重要度は「各分岐でその変数を使うことで不純度（Gini 係数）がどれだけ減少したかの平均」。全ての木・全ての分岐で集計するため、外れ値に頑健で安定している。ただし、スケールの大きい変数や基数の多いカテゴリ変数に過大評価されやすい（バイアス）点に注意。

from sklearn.ensemble import RandomForestRegressor rf = RandomForestRegressor(n_estimators=100, random_state=42) rf.fit(X, y) # X: 社会指標 (47×9), y: 睡眠時間 (47,) # 不純度ベースの変数重要度 importances = rf.feature_importances_ # 合計 = 1.0 order = importances.argsort()[::-1] # 重要度降順ソート for rank, idx in enumerate(order): print(f"{rank+1}. {feature_names[idx]}: {importances[idx]:.4f}")
2
Ward法 階層クラスタリング（47都道府県）

RF変数重要度上位4変数（大学進学率・住宅地価格・年平均気温・消費支出）を標準化（z スコア化）し、Ward法（最小分散法）で 47都道府県を階層クラスタリングした。切断閾値は クラスタ数 k=4 に対応する高さに設定した。

Ward距離: ΔD(A,B,C) = [(|A|+|C|)D(A,C) + (|B|+|C|)D(B,C) − |C|D(A,B)] / (|A|+|B|+|C|)

各変数を標準化 → ユークリッド距離 → Ward法で結合 → k=4 で分割
Ward法デンドログラム（47都道府県）
図2：Ward法 階層クラスタリングのデンドログラム。赤破線（カット線）で4クラスタに分割。大都市圏（東京・大阪等）は左側の低睡眠クラスタに集中。
📌 このデンドログラム（樹形図）の読み方
このグラフは
階層的クラスタリングの過程を樹木状に示した図。どのサンプルが先に統合されたかがわかる。
読み方
縦軸（高さ）は統合時の距離（非類似度）を示す。低い位置で結合したサンプルほど似ている。水平線を引いた高さでクラスター数が決まる。
なぜそう解釈できるか
水平線の高さを「大きなジャンプ」の直前に設定することでクラスター数を決める。切り取った後の各グループを変数平均で特徴づけする。

クラスタリング結果（k=4）

クラスタ 1（n=7）：大都市圏・高進学率・高地価
埼玉県、東京都、神奈川県、愛知県、京都府、大阪府、兵庫県
平均睡眠時間: 471.0 分/日（7.85 時間）— 全クラスタ最短
クラスタ 2（n=17）：南西・温暖・中程度の社会指標
福井・山梨・三重・和歌山・鳥取・島根・徳島・香川・愛媛・高知・福岡・佐賀・長崎・熊本・宮崎・鹿児島・沖縄
平均睡眠時間: 477.9 分/日（7.96 時間）
クラスタ 3（n=5）：東北・高齢化・低地価
北海道、青森県、岩手県、秋田県、山形県
平均睡眠時間: 483.4 分/日（8.06 時間）— 全クラスタ最長
クラスタ 4（n=18）：関東〜中国・中間層
宮城・福島・茨城・栃木・群馬・千葉・新潟・富山・石川・長野・岐阜・静岡・滋賀・奈良・岡山・広島・山口・大分
平均睡眠時間: 475.7 分/日（7.93 時間）

DS LEARNING POINT 2

Ward法 階層クラスタリングの実装

Ward法は「クラスタを結合した際の群内分散の増加量を最小化する」結合基準。k-means より安定的で、デンドログラムでクラスタ構造を視覚的に確認できるメリットがある。N=47 程度の小標本で全体構造を把握するのに適している。

from sklearn.preprocessing import StandardScaler from scipy.cluster.hierarchy import dendrogram, linkage, fcluster # 上位重要変数を標準化 X_top = df_model[top_feat_cols].values scaler = StandardScaler() X_top_sc = scaler.fit_transform(X_top) # Ward法でリンケージ行列を計算 Z = linkage(X_top_sc, method='ward', metric='euclidean') # クラスタ数 k=4 で分割 cluster_labels = fcluster(Z, 4, criterion='maxclust') # デンドログラム描画（カット線付き） dn = dendrogram(Z, labels=pref_names, color_threshold=Z[-3, 2], # k=4 のカット高さ ax=ax) ax.axhline(y=Z[-3, 2], color='red', linestyle='--', label='カット線')
3
社会指標と睡眠時間の散布図

RF変数重要度1位（大学進学率）と2位（住宅地価格）を横軸に、睡眠時間を縦軸にした散布図。点の色はWard法で決定したクラスタ番号に対応する。

社会指標 vs 睡眠時間 散布図
図3：左：大学進学率 vs 睡眠時間、右：住宅地価格 vs 睡眠時間。点の色 = Ward法クラスタ（青=大都市圏、緑=東北）。大学進学率・住宅地価格が高い都道府県ほど睡眠時間が短い負の傾向が確認できる。
散布図から読み取れる主要パターン
  • 大学進学率 vs 睡眠時間（負の相関）：進学率の高い大都市圏（東京・神奈川・大阪）は睡眠時間が最短。通勤・仕事の長さと連動。
  • 住宅地価格 vs 睡眠時間（負の相関）：地価が高い大都市圏ほど睡眠が短い。通勤距離の長さによる時間的制約の影響も示唆。
  • クラスタ 3（東北・緑）が右上に位置：進学率・地価が低く睡眠時間が長い東北地方の特徴を視覚的に確認。
4
クラスタ別 睡眠時間の分布

4クラスタの睡眠時間分布をボックスプロット（左）で比較し、各クラスタの社会指標プロファイルを z スコア棒グラフ（右）で確認する。

クラスタ別睡眠時間ボックスプロット
図4：左：クラスタ別 1日平均睡眠時間のボックスプロット（ひし形=平均値）。右：クラスタ別 上位重要変数の z スコアプロファイル。クラスタ 1（青：大都市圏）は最も睡眠が短く、クラスタ 3（緑：東北）が最も長い。
クラスタ都道府県数睡眠時間 平均（分）睡眠時間（時間）特徴
クラスタ 17471.07.85 時間大都市圏（東京・大阪圏）
クラスタ 217477.97.96 時間南西・温暖・中間層
クラスタ 35483.48.06 時間東北（最長睡眠）
クラスタ 418475.77.93 時間関東〜中国・中間層
主要発見：大都市圏 vs 東北の睡眠格差 = 12.4分/日 クラスタ 1（大都市圏, 471.0分）とクラスタ 3（東北, 483.4分）の差は 12.4分（約0.2時間）。年間累計すると 75時間以上の差となり、健康・疲労回復への影響は無視できない。

DS LEARNING POINT 3

クラスタ数の選択：デンドログラムの読み方

Ward法の最適クラスタ数は「デンドログラムで長いジャンプ（高さが急増する結合）の直前でカットする」ことで決定する。本研究では k=4 が地域構造（大都市圏・東北・南西・中間層）と対応しており解釈性が高い。

# デンドログラムの高さ（結合距離）を確認 # Z[:, 2] = 各ステップの結合距離 heights = Z[:, 2] diffs = np.diff(heights) # 連続する結合間の高さの差 # 高さの差が最大となる箇所でカット best_cut = heights[-np.argmax(diffs[::-1]) - 1] # → この高さでカットすると最も自然なクラスタ数が得られる # もしくは単純に k=4 を指定 cluster_labels = fcluster(Z, k=4, criterion='maxclust')

まとめと政策的含意

主要な発見

  1. 大学進学率・住宅地価格が睡眠時間の主要な予測因子：ともに「都市化度・経済集積度」の代理変数。大都市圏ほど睡眠が短いという構造的格差を反映。
  2. 年平均気温・消費支出も有力な説明変数：気候帯（北日本 vs 南日本）と生活水準の違いが睡眠パターンに関連。
  3. Ward法クラスタリングで4つの地域類型が識別：大都市圏（最短睡眠）・東北（最長睡眠）・南西中間・関東〜中国中間の4グループ。
  4. クラスタ 1（大都市圏）とクラスタ 3（東北）の睡眠差は 12.4分/日：年間 75時間超の差、健康格差の観点からも重要な地域間不平等。
社会的含意 睡眠時間の地域差は「個人の意志」ではなく、就業構造・住宅費・通勤距離といった社会構造的要因に規定されている。大都市圏での睡眠時間確保には、テレワーク推進・労働時間短縮・職住近接など社会設計レベルの対応が求められる。

分析の限界と発展可能性

今後の課題
  • 都道府県集計データ（N=47）のため個人差・年齢差は捨象されている。市区町村レベルや個票データでの検証が望ましい。
  • RF変数重要度の因果性は担保されない。操作変数法などの因果推論手法との組み合わせが次のステップ。
  • 性別・年代別の睡眠格差（SSDSE-D には男女別データが存在）の分析へ拡張可能。
教育的価値（この分析から学べること）
  • 変数重要度：ランダムフォレストなど機械学習で各変数の予測寄与度を測る方法。
  • クラスタリング：似た特性を持つ地域をグループ化する手法。k-means・階層型などがある。
  • 睡眠と社会構造：労働時間・通勤時間・夜型文化など、社会要因が睡眠に影響することを示せる。

データ・コードのダウンロード

分析スクリプト（2023_U5_2_shorei.py）
データ出典
SSDSE-B-2026（都道府県別統計）統計数理研究所 SSDSE（教育用標準データセット）
SSDSE-D-2023（社会生活基本調査）統計数理研究所 SSDSE（教育用標準データセット）

本コードは SSDSE-B-2026 および SSDSE-D-2023 の実公的統計データのみを使用しています（合成データ・乱数データは一切使用していません）。np.random.seed() は使用せず、アルゴリズム再現性のみ random_state=42 を RandomForestRegressor に指定しています。

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]

⚠️ 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。
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。

📐 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。
📊 ジニ係数・ローレンツ曲線
何？
所得や医療資源などの「不平等度（格差）」を0〜1の数値で表す指標。0が完全平等、1が完全不平等。
どう使う？
データを昇順に並べ、累積シェアの曲線（ローレンツ曲線）と完全平等線との面積から計算する。
何がわかる？
「都道府県間の医師数の格差は大きいか」「格差は拡大・縮小しているか」を客観的に測れる。
結果の読み方
ジニ係数 0.3 以上は格差が大きい水準。時系列変化で格差のトレンドを読む。
⚠️ 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。
🎯 操作変数法（IV）
何？
逆因果や交絡因子の問題を克服して因果関係を推定する手法。条件を満たす別の変数（操作変数）を経由して推定する。
どう使う？
操作変数は「目的変数には直接影響せず、説明変数にのみ影響する」という条件が必要。二段階最小二乗法（2SLS）で推定する。
何がわかる？
「医師が多い → 医療費が高い」vs「医療費が高い地域 → 医師が集まる」という因果の向きを区別できる。
結果の読み方
操作変数の妥当性（弱い操作変数でないか）確認が重要。係数解釈は通常の回帰と同様。
⚠️ 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
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
次の論文 →
英語教育実施状況調査をエビデンス生成に繋げるための探究