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 統計データ分析コンペティション ｜ 審査員奨励賞 [大学生の部]

都道府県別のパネルデータを用いた
合計特殊出生率の決定要因

⏱️ 推定読了時間: 約40分
パネル固定効果モデル・Hausman検定・VIF診断
📝 3行で分かる要約

目次

  1. 研究概要と背景
  2. データ：SSDSE-B 47都道府県パネル
  3. パネルモデルの選択：Hausman検定
  4. 固定効果モデルの推定結果
  5. 婚姻率・保育所密度と TFR の関係
  6. VIF による多重共線性診断
  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/ │ └── 2023_U5_4_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_4_shorei.py
図は html/figures/ に自動保存されます。
概
研究概要と背景

日本の合計特殊出生率（TFR）は1973年の第二次ベビーブーム以降、一貫した低下傾向にある。2023年は過去最低水準を更新し、少子化への対策立案に向けた実証分析の重要性が高まっている。

まず「都道府県別のパネルデータを用いた合計特殊出生率の決定要因」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 47都道府県 × 2012〜2023年（12年間）のパネルデータ を用い、パネル固定効果モデルにより TFR の統計的決定要因を特定する。固定効果（FE）と変量効果（RE）の選択はHausman検定に基づき、多重共線性はVIFで診断する。

少子化の現状 2023年の全国平均TFRは約1.09（SSDSE-B）。人口置換水準（2.07）を大きく下回り、都道府県間にも大きなばらつきがある（沖縄県は高く、東京都は最低水準）。
分析の流れ
SSDSE-B
47都道府県
2012〜2023
→
Hausman検定
FE vs RE
→
パネル固定効果
回帰（FE）
clustered SE
→
VIF診断
多重共線性
確認

SSDSE-B パネルFE回帰 Hausman検定 VIF linearmodels

564
総観測数（47×12）
0.722
Within R²（FE）
H=50.6
Hausman統計量
4変数
有意な決定要因（p<0.05）

データ：SSDSE-B 47都道府県パネル

データソースと変数一覧

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時系列統計データ。2012〜2023年の12年間、47都道府県の計564観測を使用する。

変数名SSDSE-B 列コード計算方法想定方向
合計特殊出生率（TFR） A4103 原データそのまま — （目的変数）
婚姻率 A9101 / A1101 婚姻件数 / 総人口 × 10000 正（既婚が出生を促進）
保育所密度 J2503 / A1101 保育所等数 / 総人口 × 10000 正（子育て環境）
保育所充足率 J2506 / J2505 在所児数 / 定員数 正（待機児童の少なさ）
有効求人倍率 F3103 / F3102 有効求人数 / 有効求職者数 正（雇用機会）
消費支出（所得代理） L3221 二人以上世帯の消費支出（円） 負（生活費増大）
住宅地価格 C5401 標準価格（住宅地）（円/㎡） 負（居住コスト）
高齢化率 A1303 / A1101 65歳以上人口 / 総人口 × 100 負（人口構造の硬直）
全国平均TFRの時系列推移
図1：全国平均合計特殊出生率の推移（2012〜2023年）。青帯は25〜75パーセンタイル範囲。主要な政策・社会的イベントを注記。出典：SSDSE-B-2026。
📌 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。
観察ポイント TFRは2015年の少子化社会対策大綱策定後もほぼ単調に低下。2020年のコロナ禍以降は急落し、2023年には歴史的低水準に達した。都道府県間の格差（四分位帯）も小さくなく、都道府県固有の要因（文化・産業構造等）の統制が不可欠なことが示唆される。
1
パネルモデルの選択：Hausman検定

パネルデータ分析において 固定効果（FE） と 変量効果（RE） のどちらを採用すべきかは理論・実証両面から重要な問題である。Hausman（1978）検定は「変量効果が一致推定量を与える」という帰無仮説を検定し、棄却されれば FE が望ましい。

H = (b_FE − b_RE)ᵀ [Var(b_FE) − Var(b_RE)]⁻¹ (b_FE − b_RE) ～ χ²(k)

H₀: Cov(αᵢ, Xᵢₜ) = 0（個体効果と説明変数が無相関 → RE 一致推定）
H₁: Cov(αᵢ, Xᵢₜ) ≠ 0（相関あり → FE を使わないと不一致）
検定統計量自由度p値判定
Hausman 検定 H = 50.59 7 p < 0.001 FE 採用
Poolability F 検定 F(46, 510) = 39.84 46, 510 p < 0.001 個体効果あり
結論：固定効果モデルを採用 Hausman統計量 H=50.59（p<0.001）により帰無仮説を棄却。都道府県固有の文化・地理・産業構造などの不変要因が婚姻率や保育所密度と相関しているため、変量効果モデルでは推定量が不一致となる。固定効果モデルを採用し、都道府県内の「within 変動」のみから効果を推定する。

DS LEARNING POINT 1

Hausman検定の実装（linearmodels）

FE と RE の係数ベクトルの差から χ² 統計量を計算する。分散共分散行列の差が正定値でない場合（差が負になる要素がある場合）は、正の要素のみを使用するのが一般的な実装。

from linearmodels import PanelOLS, RandomEffects import statsmodels.api as sm import numpy as np from scipy import stats dep = df_panel['A4103'] exog = sm.add_constant(df_panel[predictor_cols]) # 固定効果モデル（cluster SE） fe = PanelOLS(dep, exog, entity_effects=True).fit( cov_type='clustered', cluster_entity=True) # 変量効果モデル re = RandomEffects(dep, exog).fit() # Hausman検定 b_fe = fe.params b_re = re.params common = [c for c in b_fe.index if c in b_re.index and c != 'const'] diff = np.array([b_fe[c] - b_re[c] for c in common]) var_fe = np.array([fe.cov.loc[c,c] for c in common]) var_re = np.array([re.cov.loc[c,c] for c in common]) var_diff = var_fe - var_re valid = var_diff > 0 # 正の分散差のみ使用 H_stat = diff[valid] @ np.diag(1.0/var_diff[valid]) @ diff[valid] H_pval = 1 - stats.chi2.cdf(float(H_stat), df=valid.sum()) print(f"Hausman H = {H_stat:.3f}, df={valid.sum()}, p = {H_pval:.4f}")
2
固定効果モデルの推定結果

採用したパネル固定効果モデルは、都道府県固有の時不変な特性（観察不能な個体効果）を完全に除去する。標準誤差は都道府県レベルのクラスター補正（clustered SE）を用いて不均一分散・系列相関に頑健にした。

TFR_{it} = α_i + β₁婚姻率_{it} + β₂保育所密度_{it} + β₃保育充足率_{it}
+ β₄求人倍率_{it} + β₅消費支出_{it} + β₆住宅地価格_{it} + β₇高齢化率_{it} + ε_{it}

α_i：都道府県固定効果（観察不能な不変要因を吸収）, i=1..47, t=2012..2023

変数推定係数Cluster SEt値p値有意方向
婚姻率（件/万人） 0.014490.001837.93<0.001***正
保育所密度（施設/万人） 0.031670.007074.48<0.001***正
保育所充足率（在所/定員） 0.207560.077362.680.008**正
有効求人倍率 0.094340.019294.89<0.001***正
消費支出（円） −4.1×10⁻⁷1.4×10⁻⁷−2.830.005**負
住宅地価格（円/㎡） 1.4×10⁻⁷6.1×10⁻⁷0.230.819ns—
高齢化率（%） 0.003760.005280.710.477ns—
Within R² = 0.722 | N = 564 | F(7, 510) = 189.1 (p<0.001) ***p<.001, **p<.01, *p<.05
固定効果モデルの係数プロット
図2：パネル固定効果モデルの回帰係数（±1.96 SE）。青は有意・正、赤は有意・負の効果。Within R²=0.722 はパネルFEとして高い説明力を示す。
📌 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。
主要な発見（有意な4変数）
  • 婚姻率（正***）: 婚姻1件/万人の増加でTFRが約0.014上昇。結婚と出生の強い正の連動を示す。
  • 保育所密度（正***）: 保育所1施設/万人の増加でTFRが約0.032上昇。保育インフラ整備の有効性を実証。
  • 保育所充足率（正**）: 充足率0.1増加でTFRが約0.021上昇。待機児童の少なさが出生を促す。
  • 有効求人倍率（正***）: 倍率1増加でTFRが約0.094上昇。雇用環境の改善が出生率に直結。
  • 消費支出（負**）: 生活費水準の上昇がTFRを押し下げる（経済的負担仮説と整合）。

DS LEARNING POINT 2

固定効果モデルとクラスター標準誤差

パネルFEは都道府県ダミーを含むことで α_i（文化・地理など不変要因）を除去する。残差の都道府県内系列相関（同じ都道府県の観測が複数年）に対処するため、entity-level clustered SE を使用する。

from linearmodels import PanelOLS import statsmodels.api as sm # multiindex必須: (entity, time) df_panel = df.set_index(['都道府県', '年度']) dep = df_panel['A4103'] exog = sm.add_constant(df_panel[predictor_cols]) # entity_effects=True で都道府県固定効果（within推定） # cov_type='clustered', cluster_entity=True → 都道府県レベルClustered SE fe = PanelOLS(dep, exog, entity_effects=True).fit( cov_type='clustered', cluster_entity=True) print(f"Within R² = {fe.rsquared:.4f}") print(f"観測数 = {fe.nobs}") print(fe.summary)
3
婚姻率・保育所密度と TFR の関係

FEモデルで最も影響力の大きかった変数（婚姻率・保育所密度）について、横断面データによる散布図で関係を可視化する。

婚姻率 vs TFR 散布図（2022年）
図3：婚姻率 vs 合計特殊出生率（2022年 都道府県横断面）。色は高齢化率（緑=低、赤=高）。回帰直線は横断面OLS。
図3の読み方 婚姻率の高い都道府県ほど TFR が高い正の関係が確認できる。東京都は婚姻率が相対的に低く TFR も低い。沖縄県は婚姻率・TFR ともに高い独自のポジションを占める。パネルFEでこの横断面相関の「都道府県内変動」成分を取り出したことが本研究の強み。
保育所密度 vs TFR 複数年散布図
図4：保育所密度 vs 合計特殊出生率（2016・2019・2022年）。各年の OLS 回帰直線を重ねて描画。年度間で関係の安定性を確認できる。
図4の解釈 3時点すべてで保育所密度とTFRの正の相関が確認できる。ただし2022年は全体的にTFRが低下しており、時系列的な少子化トレンドは保育所整備だけでは相殺できないことも示している。パネルFEはこの「年度共通ショック」を固定効果（または年度ダミー）で吸収して純効果を推定する。
4
VIF による多重共線性診断

分散膨張係数（Variance Inflation Factor, VIF）は各説明変数を他の説明変数で回帰したときの R² を用いて多重共線性の程度を測る。

VIF_j = 1 / (1 − R²_j)

R²_j : X_j を他の全説明変数で回帰したときの決定係数
変数VIF判定解釈
住宅地価格（円/㎡） 3.1○ 良好 他変数との相関が低く安定
保育所密度（施設/万人） 16.7△ やや高 保育充足率と共線
有効求人倍率 21.5△ やや高 雇用・所得系変数と相関
婚姻率（件/万人） 130.5⚠ 高 人口構造変数と強く連動
消費支出（円） 142.2⚠ 高 所得・地価と相関
高齢化率（%） 135.6⚠ 高 婚姻率・人口構造と連動
保育所充足率（在所/定員） 227.5⚠ 高 保育所密度と強い共線
VIF高値の解釈とパネルFEの対処 横断面データのVIFが高くても、パネル固定効果モデルでは都道府県固有効果（文化・産業構造等）を「within（都道府県内）変動」だけで推定するため、変数間の横断面相関の影響は大幅に軽減される。VIFはあくまでクロスセクションOLSの診断指標として参考値として提示する。

DS LEARNING POINT 3

VIF の計算と解釈

VIF=10 以上で多重共線性の懸念（一般的基準）。VIF が高い場合は (1) Ridge/Lasso 等の正則化、(2) 主成分回帰、(3) 変数削除などを検討する。パネルFEでは「within 変動」が小さいと実質的に多重共線性が悪化するため注意が必要。

from statsmodels.stats.outliers_influence import variance_inflation_factor import numpy as np # predictor_cols の行列 X_vif = df[predictor_cols].dropna().values vif_results = {} for i, col in enumerate(predictor_cols): vif = variance_inflation_factor(X_vif, i) vif_results[col] = vif flag = "⚠ 高 (>10)" if vif > 10 else "○ 良好" print(f"{col:<20}: VIF = {vif:.2f} {flag}") # VIF > 10 の変数は多重共線性の疑い # パネルFEでは横断面VIFは参考値（within変動ベースで推定するため）

まとめ

主要な発見

47都道府県 × 2012〜2023年のパネルデータを用いたパネル固定効果分析の結果：

  1. 婚姻率（正***）: TFRの最大の決定要因。婚姻件数の増加が直接的に出生率を押し上げる。晩婚化・非婚化対策が政策的含意として示唆される。
  2. 保育インフラ（正***/**）: 保育所密度・充足率の両面でTFRへの正の効果を確認。保育所の量的拡充と待機児童解消の同時的アプローチが重要。
  3. 雇用環境（正***）: 有効求人倍率の改善がTFRを引き上げる。経済的不安の低減が出生意欲に寄与することを実証。
  4. 消費支出（負**）: 生活費水準の上昇がTFRを抑制。都市部の高生活費が少子化を促進するという仮説と整合。
  5. Hausman検定: FEとREの選択を客観的に判断する重要な統計的手続き。H=50.59で FE 採用が支持された。
政策への示唆 合計特殊出生率を高めるには「婚姻促進（出会いの機会創出・婚活支援）」「保育インフラ整備（保育所の量的拡充と充足率改善）」「雇用安定（求人倍率の向上・非正規雇用の処遇改善）」の三本柱が統計的に支持される。生活費・住宅コストの抑制も重要な補完的施策である。
分析手法の学習ポイント
  • パネルデータ分析： 横断面データでは制御できない個体固有の不観測要因を固定効果で吸収する。
  • Hausman検定： FE vs RE の選択を「変量効果が一致推定量を与えるか」という仮説検定で決める。
  • クラスター標準誤差： パネルデータの系列相関に対応し、推論の信頼性を高める。
  • VIF診断： 多重共線性の程度を数値化し、推定の安定性を評価する（パネルFEでは参考値）。
教育的価値（この分析から学べること）
  • 合計特殊出生率（TFR）：1人の女性が生涯に産む子の平均人数。日本は1.2〜1.3で人口維持水準（2.07）を大きく下回る。
  • 決定要因の多層性：経済要因・育児支援・婚姻率・文化など複数要因が絡む。単一の万能政策はない。
  • パネル分析：都道府県×年データで、地域固有要因を除去できる。固定効果モデルが標準。

データ・コードのダウンロード

分析スクリプト（2023_U5_4_shorei.py）
データ出典
SSDSE-B 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）
合計特殊出生率（A4103）厚生労働省 人口動態統計（SSDSE収録）
保育所等数・定員・在所数（J2503/J2505/J2506）厚生労働省 保育所等関連状況取りまとめ（SSDSE収録）
有効求人数・求職者数（F3103/F3102）厚生労働省 職業安定業務統計（SSDSE収録）

本教育用コードは SSDSE-B-2026.csv の実データのみを使用（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 統計データ分析コンペティション 審査員奨励賞 [大学生の部] ｜ パネル固定効果回帰・Hausman検定・VIF診断

⚠️ 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。
⚖️ 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。
🔭 主成分分析（PCA）
何？
多数の変数を情報の損失を最小限にしながら少数の合成指標（主成分）に圧縮する手法。
どう使う？
変数間の相関を利用して「最も分散が大きい方向」を第1主成分、以下順に直交する軸を抽出する。
何がわかる？
30変数あるデータを2〜3成分に要約して散布図で可視化したり、多重共線性の回避に使う。
結果の読み方
各主成分の「負荷量」を見て、どの変数がその成分を特徴づけるか解釈する。累積寄与率 70〜80% 以上なら要約として十分。
⚠️ 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。
📅 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。
★★☆☆☆ 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
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
次の論文 →
市区町村ごとの失業率の要因分析