金融資産購入経験の要因分析
―金融教育・損失回避傾向・Digital Capability Indexに注目して―

「貯蓄から投資へ」が政策目標とされる中、金融資産への投資行動（株式・投資信託等の購入）を阻む・促す要因の解明が重要である。本研究は、金融リテラシー調査 2022 の都道府県別集計データ（N=47）を用い、金融教育・金融リテラシー（正答率）・損失回避傾向・デジタル能力指数（DCI）などが株式・投資信託・外貨預金の購入経験者割合に与える効果を OLS 重回帰分析（頑健標準誤差）で分析した。

原論文の概要（統計センター公式）：「都道府県別に人々の金融に関連する行動の違いを、金融に関する教育や理解度により説明するモデルにより推定し、金融教育の経験の有無よりも、実際に金融に関する知識の深さや判断力の高さが、金融資産の購入経験者割合を高めることを示すとともに、デジタル機器の利用可能性の高さが、株式購入等の経験者割合を高める可能性があることを示した。」
本ページではこの分析の流れを実データでたどりながら、使われた統計手法を一つずつ学んでいく。

重回帰（OLS） 頑健標準誤差 VIF DCI・損失回避

原論文は、都道府県別の集計データ（N=47）を使った最小二乗法（OLS）による重回帰分析です。金融資産の購入経験の程度を 3 つの被説明変数で捉え、それぞれについて同じ 8 つの説明変数で回帰します。

変数の定義と出典（原論文 表1）

金融リテラシー調査 2022 の統計表（22lite_toukeir.xlsx）は知るぽると（金融広報中央委員会）で公開されています。本教材ではそのうち「86 都道府県比較表 (1)(3)(4)」から 8 指標を抽出して CSV 化したもの（data/2024_U4/kinyu_literacy_2022_pref.csv）を使います。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

import matplotlib
matplotlib.use('Agg')
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
import statsmodels.api as sm

plt.rcParams['font.family'] = 'Hiragino Sans'
plt.rcParams['axes.unicode_minus'] = False

# 1) 金融リテラシー調査 2022（都道府県別、原論文と同じ出典）
lit = pd.read_csv('data/2024_U4/kinyu_literacy_2022_pref.csv', index_col='都道府県')

# 2) SSDSE から高齢化率（B、2022年度）と1人当たり県民所得（E）
b_raw = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', header=1)
b = b_raw[(b_raw['年度'] == 2022)
          & b_raw['地域コード'].str.match(r'^R\d{5}$', na=False)].set_index('都道府県')
lit['aging'] = b['65歳以上人口'] / b['総人口'] * 100

e_raw = pd.read_csv('data/raw/SSDSE-E-2026.csv', encoding='cp932', header=2)
e = e_raw[e_raw['地域コード'].str.match(r'^R\d{5}$', na=False)].set_index('都道府県')
lit['income'] = pd.to_numeric(e['1人当たり県民所得（平成27年基準）'], errors='coerce') / 1000

print('=== データ確認（先頭5県） ===')
print(lit.head().round(2))

原論文は重回帰の前に説明変数間の VIF（分散拡大要因）を確認し、最大値 約3.6 < 5 であることから「多重共線性の発生可能性は低い」と判断しています。本教材のデータでも同じチェックをします。

1
2
3
4
5
6
7
8
9

X_cols = ['kyoiku', 'seitou', 'sonshitsu', 'kinshigan', 'yokonarabi', 'income', 'aging']

# VIF（多重共線性チェック、原論文の表2に対応）
print('=== VIF（分散拡大要因） ===')
X = sm.add_constant(lit[X_cols])
for col in X_cols:
    others = [c for c in X_cols if c != col]
    r2 = sm.OLS(lit[col], sm.add_constant(lit[others])).fit().rsquared
    print(f'  {col:12s} VIF = {1 / (1 - r2):.2f}')

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12

# 重回帰（OLS）3モデル、原論文の表3に対応
# cov_type='HC1' は頑健標準誤差（原論文の表3注1と同じ）
for y_col, y_name in [('stock', '❶株式購入経験者割合'),
                      ('toshin', '❷投資信託購入経験者割合'),
                      ('gaika', '❸外貨預金経験者割合')]:
    model = sm.OLS(lit[y_col], X).fit(cov_type='HC1')
    print(f'=== 被説明変数: {y_name} ===')
    print(f'  N=47  自由度調整済みR2={model.rsquared_adj:.3f}')
    for name in ['const'] + X_cols:
        c, se, p = model.params[name], model.bse[name], model.pvalues[name]
        sig = '***' if p < 0.01 else ('**' if p < 0.05 else ('*' if p < 0.10 else ''))
        print(f'  {name:12s} {c:+8.3f} ({se:.3f}) {sig}')

図1：3 モデルの回帰係数と95%信頼区間（赤 = 5%水準で有意）。正答率だけが 3 モデル共通で右側（正）に有意。

原論文（表3）と本教材の再現結果の対比

注：***, **, * は順に 1%, 5%, 10% 水準で有意（両者とも頑健標準誤差）。原論文の年収は千円単位、本教材の県民所得は百万円単位なので係数の大きさは直接比較できない。

図2：正誤問題25問の正答率（金融リテラシー）と株式購入経験者割合。r = +0.57 の明確な正の関係。

その他の変数の解釈（原論文の議論）

• 損失回避傾向（投資信託に負・1%有意）：投資信託はリスク分散された商品なので損失回避的な人にも買われやすいはず、という予想に反する結果。原論文自身も「解釈は難しい」としている。
• 横並び行動バイアス（投資信託に正・10%有意）：NISA の普及や投資機運の高まりで、横並び傾向の強い人が入門的な投資信託から購入した可能性。
• DCI（株式・外貨預金に正・10%有意、原論文のみ）：デジタル機器の利用可能性の高さは株価・為替情報へのアクセスを高め、株式・外貨預金の購入経験を高めると解釈。本教材では DCI が入手できないため検証できない（発展課題）。

まとめ

主要な発見（原論文・本教材の再現の両方で確認）

1. 金融教育を受けた経験は非有意：「学校等で金融教育を受けた人の割合」は 3 モデルすべてで有意でない。
2. 金融リテラシー（正答率）が最重要：正誤問題25問の正答率は 3 モデルすべてで 1%水準の有意な正。「受けたかどうか」より「身についているか」。
3. 損失回避傾向は投資信託購入を抑制：係数 −0.6 前後で 1%有意（原論文・再現とも）。
4. 政策示唆：金融教育は「実施したか」ではなく「リテラシーが身についたか」で評価すべき。教育内容の質と定着の測定が重要。

データ・コードのダウンロード

本教育用コードは実データのみを使用（合成データ・np.random 不使用）。DCI（野村総合研究所）は非公開のため本再現には含まれない。

🐍 ブラウザで動かす — インストール不要でこの論文の分析を再現する

このページの分析は、この画面の中でそのまま実行できます。 Python をインストールする必要も、CSV をダウンロードする必要もありません。 下のセルの 「▶ ブラウザで実行」 を上から順に押すか、 「▶ 最初から全部実行」 で一気に流してください。 表示されるのは、本文の図表とまったく同じ計算の結果です （動かしているのは再現スクリプト code/2024_U4_katsuyo.py そのもの）。

コードは書き換えられます。「✏️ 書き換える」で数字や変数を変えて ▶ を押すと、 結果がどう変わるかをその場で確かめられます（元に戻すボタンつき）。 ページを開いた時点で裏で実行環境の準備が始まっているので、待ち時間はほとんどありません。 初回だけ実行環境の取得にインターネット接続が必要です。