論文一覧に戻る 統計データ分析コンペ 教育用再現集
2025年 統計データ分析コンペティション ｜ 優秀賞（高校生部門）

都市類型別にみる所得格差のメカニズム
―主成分分析とクラスター分析による都市分析―

⏱️ 推定読了時間: 約38分
杉野瑠美（雲雀丘学園高等学校）
📝 3行で分かる要約

目次

  1. 研究概要と問題意識
  2. データの取得と加工
  3. Step 1: 主成分分析（PCA）
  4. Step 2: 階層クラスター分析（ウォード法）
  5. Step 3: 重回帰分析と係数逆転のメカニズム
  6. 分析図の解釈
  7. まとめ・政策的含意
  8. データ・コードのダウンロード
  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-E-2026.csv　← SSDSE-E（都道府県の指標2）📥 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/ │ └── 2025_H2_yushu.py ← 実行するスクリプト └── data/ └── raw/ SSDSE-B-2026.csv ← ここに置く SSDSE-E-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/2025_H2_yushu.py
図は html/figures/ に自動保存されます。
概
研究概要と問題意識

日本の所得格差は「都市 vs 地方」という単純な構図では説明できない。大都市でも可処分所得が低い場合があり、一方で地方でも高い所得を誇る都市がある。この研究は、「なぜ同じ都市規模でも所得水準が異なるのか」というメカニズムを、主成分分析とクラスター分析を組み合わせて解明することを目的とする。

研究の問い 46都道府県庁所在地（東京除く）において、都市の人口・就業・教育・医療などの特性が2人以上世帯の年間可処分所得にどのような影響を与えるか。都市類型（クラスター）ごとに分析することで、全体モデルでは見えない「係数の逆転」を明らかにする。
分析対象都市数
46
都道府県庁所在地（東京除く）
PCA累積寄与率（7主成分）
81.4%
42変数 → 7主成分に圧縮
クラスター数
5
ウォード法による分類
分析の3ステップ
Step 1
主成分分析
42変数 → 7PC
→
Step 2
階層クラスター
46都市 → 5群
→
Step 3
クラスター別
重回帰分析

特に注目する発見は「係数の逆転」である。全体モデルでは「都市規模を表す主成分PC1が所得に負の影響を与える」という結果が得られるが、大都市型クラスター内に限定すると係数が正に転じる。この「シンプソンのパラドックス的な逆転現象」を統計的に示すことが本研究の核心である。

データの取得と加工

データソース

データ出典取得変数年次
SSDSE-B（都道府県別標準化データ） 統計数理研究所 人口・学校数・病院数・婚姻離婚・気温・転入転出など 2020年
家計調査（二人以上世帯） e-Stat / 総務省統計局 年間可処分所得（目的変数） 2020年
分析対象と変数前処理 東京都を除く46都道府県庁所在地。42変数すべてを総人口で除して「比率化」（per 1000人）。スケールの違いを除去し、都市規模の差を排除した上でPCAを実施。目的変数は2人以上世帯の年間可処分所得（万円）。

説明変数（42変数→7主成分）

変数グループ具体的変数前処理
人口構成 15歳未満・15〜64歳・65歳以上人口比 総人口で除した比率（×1000）
就業・労働 転入者数・転出者数比率 総人口で除した比率（×1000）
婚姻・人口動態 出生数・婚姻件数・離婚件数比率 総人口で除した比率（×1000）
教育施設 小学校数・教員数・児童数比率、中学校数・高校数・教員数比率 総人口で除した比率（×1000）
医療施設 一般病院数比率 総人口で除した比率（×1000）
都市規模 対数人口（ln(総人口)） 対数変換
気候 年平均気温 そのまま使用

DS LEARNING POINT 1

比率化の重要性：都市規模バイアスの除去

「病院数」という変数をそのまま使うと、人口が多い都市ほど病院が多くなるため、「病院数が多い → 所得が高い」という疑似的な相関が生じる。総人口で除すことで、純粋に「医療施設の充実度（密度）」を測定できる。

import pandas as pd import numpy as np # 総人口で除して比率化（per 1000人） pop = df2020['A1101'].values.clip(1) # 0除算を防ぐ for col in ratio_cols: df_feat[col + '_r'] = df2020[col].values / pop * 1000 # 対数変換（都市規模の正規化） df_feat['ln_pop'] = np.log(pop) # 標準化してPCAへ from sklearn.preprocessing import StandardScaler scaler = StandardScaler() X_scaled = scaler.fit_transform(df_feat.values)
1
主成分分析（PCA）

42の説明変数を主成分分析によって圧縮する。多重共線性を排除し、互いに無相関な「合成変数（主成分）」に変換することで、その後の回帰分析・クラスター分析の安定性が増す。

まず42個もある説明変数を整理することが有効だと考えられる。 その理由は変数間に強い相関（多重共線性）があると回帰係数が不安定になり、解釈も困難になるからである。 ここでは情報をできるだけ保ったまま少数の合成軸に縮約することに着目し、 主成分分析（PCA）という手法を用いる。 7主成分程度で全体の分散の8割を説明できる結果が期待される。

主成分の寄与率

主成分個別寄与率累積寄与率解釈
PC130.2%30.2% 単独世帯・都市規模軸（対数人口・転入転出が高負荷）
PC213.4%43.6% 高齢化・非労働人口軸（65歳以上人口比が高負荷）
PC310.7%54.3% 高齢核家族増加軸（婚姻率低・高齢化進行）
PC48.9%63.2%教育施設充実軸
PC57.2%70.4%医療施設密度軸
PC66.1%76.5%気候・温暖性軸
PC74.9%81.4%出生率・若年世帯軸
固有値スクリープロット
図1：固有値スクリープロット（左）と各主成分の個別寄与率（右）。7主成分で分散の81.4%を説明。PC1が単独で30.2%を占め、都市規模の差が最大の変動要因であることを示す。
📌 この主成分散布図の読み方
このグラフは
主成分分析で抽出した第1・第2主成分を軸に、各サンプルを点で描いたグラフ。
読み方
点の位置が近いサンプルほど元の変数プロフィールが似ている。軸の端に位置するサンプルが強い特徴を持つ。
なぜそう解釈できるか
矢印（バイプロット）が付いている場合、矢印の向きが「その変数が影響する方向」。矢印が長いほど主成分への寄与が大きい。

DS LEARNING POINT 2

PCAの数学的な意味：分散最大化による次元圧縮

PCAは「データの分散が最大になる方向（主軸）」を順番に見つける手法。第1主成分はデータ全体の分散を最大化する方向、第2主成分はそれと直交しながら残りの分散を最大化する方向となる。

from sklearn.decomposition import PCA # n_components=7: 7主成分を抽出 pca = PCA(n_components=7, random_state=2025) scores = pca.fit_transform(X_scaled) # shape: (46都市, 7) # 寄与率 ev_ratio = pca.explained_variance_ratio_ # 各主成分の個別寄与率 cumulative = np.cumsum(ev_ratio) # 累積寄与率 # 負荷量（各変数が各主成分にどれだけ寄与するか） loadings = pca.components_ # shape: (7主成分, 変数数) # loadings[0, :] = PC1の全変数への負荷量（-1〜1）

「固有値（Eigenvalue）= 各主成分が説明する分散量」。固有値が1以上の主成分が「元の変数1個分以上の情報を持つ」というKaiser基準が採用の目安のひとつ。

主成分負荷量ヒートマップ
図2：上位4主成分の負荷量ヒートマップ。赤（正の負荷）・青（負の負荷）の強さで各変数と主成分の関係が見える。PC1では対数人口・転入者数が強い正の負荷を持ち、農村的指標（病院数比率・学校数比率）が負の負荷を持つ。
📌 この相関ヒートマップの読み方
このグラフは
複数の変数ペア間の相関係数（−1〜+1）を色の濃淡で示した行列図。
読み方
濃い赤（または青）が強い正（または負）の相関。対角線は自分自身との相関なので常に1.0。
なぜそう解釈できるか
「説明変数どうしの相関が高い（|r| > 0.8）」マスが多いと多重共線性の警告サイン。目的変数との相関が高い変数が候補として重要。
PC1の解釈：単身世帯・都市規模軸 PC1が大きい都市（スコアが正）= 人口が多く、転入・転出が活発な大都市。PC1が小さい都市（スコアが負）= 人口が少なく、地域に根付いた地方都市。この軸は都市規模と人口流動性の複合指標と解釈できる。
2
階層クラスター分析（ウォード法）

主成分スコア（7次元）を使って46都市を階層クラスター分析で分類する。ウォード法は「クラスター内の分散増加が最小になるように結合する」方法で、均等なサイズのクラスターが得られやすい。

前節のPC1が都市規模、PC2が高齢化軸として強く効く結果を踏まえると、 都市は単一の連続体ではなく似た特徴を持つグループに分かれていると考えられる。 これを検証する必要があるが、その手法としてウォード法による階層クラスタリングに着目した。 都市規模・年齢構成・産業構成の組み合わせで5タイプ程度に明瞭に分類できる結果が期待される。

階層クラスター樹形図
図3：ウォード法による樹形図（デンドログラム）。破線が5クラスターの切断点。札幌市・名古屋市・大阪市・横浜市などの大都市が一つのクラスターを形成し、高知市・鳥取市などの地方小都市が別クラスターを形成していることが確認できる。
📌 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。

5クラスターのプロファイル

Cluster 1
大都市型
487万円
平均可処分所得
PC1スコア: 高（+2.0以上）
特徴: 転入転出活発・単身世帯多
札幌市・名古屋市・大阪市・横浜市・福岡市 など
Cluster 2
地方中枢都市型
478万円
平均可処分所得
PC1スコア: 中（0〜+2.0）
特徴: 地域の中核、教育施設充実
仙台市・広島市・岡山市・金沢市 など
Cluster 3
中規模都市型
468万円
平均可処分所得
PC1スコア: 中低（-1.0〜0）
特徴: 製造業が盛ん、核家族
静岡市・浜松市・岐阜市・富山市 など
Cluster 4
地方小都市型
446万円
平均可処分所得
PC1スコア: 低（-2.0以下）
特徴: 高齢化・人口流出
鳥取市・松江市・高知市・山口市 など
Cluster 5
混合型
455万円
平均可処分所得
PC特性: 高齢化＋気候温暖
特徴: 複合的な特性
那覇市・鹿児島市・宮崎市・大分市 など

DS LEARNING POINT 3

ウォード法（Ward's Method）の仕組み

ウォード法は「2つのクラスターを結合したとき、クラスター内の分散（惰性）がどれだけ増加するか」を最小化する方法。各観測値からクラスター重心への距離の二乗和を最小化する。

from scipy.cluster.hierarchy import linkage, dendrogram, fcluster # ウォード法で階層クラスタリング Z = linkage(scores, method='ward') # Z: (N-1) × 4 の行列 # Z[i, 0], Z[i, 1]: 結合する2クラスターのインデックス # Z[i, 2]: 結合時の距離（ウォード距離） # Z[i, 3]: 結合後のクラスターサイズ # 5クラスターに切断 cluster_labels = fcluster(Z, t=5, criterion='maxclust') # t=5: クラスター数を5に固定 # 樹形図の描画 dendrogram(Z, labels=city_names, leaf_rotation=90, color_threshold=Z[-4, 2]) # 5クラスターの切断点
3
重回帰分析と係数逆転のメカニズム

前節の都市が5タイプに分かれる結果を踏まえると、 所得を規定するメカニズムがタイプによって異なる可能性が背景にあると考えられる。 これを検証する必要があるが、その手法として「全体モデル」と「クラスター内モデル」の重回帰係数比較に着目した。 層別すると、全体では負だった係数が大都市内では正に逆転する シンプソンのパラドックスが観察される結果が期待される。

主成分スコアを説明変数、可処分所得を目的変数とした重回帰分析を「全体モデル」と「クラスター内モデル」で比較する。

所得_i = α + β₁×PC1_i + β₂×PC2_i + β₃×PC3_i + ... + ε_i

全体モデル vs クラスター内モデルの係数比較

クラスター別所得と係数逆転
図4：クラスター別の平均可処分所得（左）と、PC1（都市規模軸）の回帰係数の比較（右）。全体モデルでは負だったPC1係数が、大都市型クラスター内では正に逆転している。
📌 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。
係数逆転の発見（シンプソンのパラドックス的逆転）
モデルPC1（都市規模）の係数解釈
全体モデル（46都市） 負（−） 全体では都市が大きいほど所得が低い
大都市型クラスター内 正（+） 大都市型内では都市規模 → 所得正比例
地方小都市型クラスター内 負（−） 地方小都市でも同様に負方向
なぜ逆転が起きるのか？ 大都市と地方都市を一緒に分析すると、「単身世帯が多く・転出入が激しい大都市（PC1が高い）では、核家族2人以上世帯の可処分所得が相対的に低い」という見かけの負の関係が生まれる。しかし大都市同士で比較すると、よりPC1スコアが高い（より大きな）都市ほど高所得という正の関係が現れる。

クラスター内での変数減少法（重回帰）結果

クラスター有意な説明変数係数の符号解釈
大都市型 PC1（都市規模） + 大都市内では規模が大きいほど高所得
地方中枢都市型 PC3（高齢核家族） − 高齢化が進む地中枢都市は所得低下傾向
中規模都市型 PC2（高齢化） − 非労働人口が多いほど所得低下
地方小都市型 PC1（都市規模） − 地方内では規模差が所得差を拡大
混合型 PC5（医療施設） + 医療施設充実 → 生活環境整備 → 高所得

DS LEARNING POINT 4

変数減少法（Backward Elimination）の実装

最初に全変数を含むモデルで回帰し、最もp値が大きい変数から順次除外していく。全変数が有意（p < 0.05）になるまで繰り返す。

import statsmodels.api as sm def backward_elimination(X, y, threshold=0.05): """変数減少法: 有意でない変数を順次削除""" cols = list(range(X.shape[1])) while True: X_sub = sm.add_constant(X[:, cols]) res = sm.OLS(y, X_sub).fit() pvals = res.pvalues[1:] # 定数項を除くp値 max_pval = pvals.max() if max_pval > threshold: drop_idx = pvals.argmax() cols.pop(drop_idx) # 最もp値が大きい変数を削除 else: break # 全変数が有意 return res, cols

DS LEARNING POINT 5

シンプソンのパラドックスと層別分析の重要性

集計レベルで観察される相関関係が、サブグループ（層）に分けると逆転する現象を「シンプソンのパラドックス」という。本研究の係数逆転はこの統計的パラドックスの典型例であり、「全体像を見ただけでは見えない本質的なメカニズム」がクラスター分析によって可視化されることを示している。

# 全体モデル res_all = sm.OLS(income, sm.add_constant(pc_scores[:, :3])).fit() coef_pc1_all = res_all.params[1] # 負の値 # 大都市型クラスター内モデル mask = (cluster == '大都市型') res_metro = sm.OLS(income[mask], sm.add_constant(pc_scores[mask, :3])).fit() coef_pc1_metro = res_metro.params[1] # 正の値！← 逆転 print(f"全体: β_PC1 = {coef_pc1_all:.2f}") # 例: -2.1 print(f"大都市型内: β_PC1 = {coef_pc1_metro:.2f}") # 例: +8.5

分析図の解釈まとめ

4つの図で読み解く都市類型別所得格差

図手法読み取れること
図1 スクリープロット PCA寄与率 7主成分で81.4%を説明。PC1（都市規模）の支配的な役割。
図2 負荷量ヒートマップ PCA負荷量 各変数がどの主成分に対応するか。対数人口はPC1に強く正の負荷。高齢者人口比はPC2に正の負荷。
図3 樹形図 階層クラスター 46都市の類型化。大都市群と地方都市群が明確に分離。
図4 係数逆転 クラスター別回帰 全体では負のPC1係数が大都市型内で正に逆転。層別分析の重要性。

まとめ・政策的含意

分析の結論

  1. 42変数→7主成分（累積寄与率81.4%）に圧縮：
    PC1（都市規模・単身世帯軸）が30.2%と最大。PC2（高齢化・非労働人口）が13.4%。
  2. 46都市を5クラスターに分類（ウォード法）：
    大都市型・地方中枢都市型・中規模都市型・地方小都市型・混合型。可処分所得は大都市型で最高（487万円）、地方小都市型で最低（446万円）。
  3. 係数逆転の発見：
    全体モデルでは「都市規模が大きいほど所得が低い（負）」だが、大都市型クラスター内に限定すると「都市規模が大きいほど所得が高い（正）」に逆転。都市類型ごとに異なるメカニズムが所得を規定している。
  4. 政策的含意：
    所得格差対策は「都市規模」だけでなく「都市類型」を考慮した設計が不可欠。地方小都市型には人口流出抑制、大都市型には単身世帯の所得向上（最低賃金・社会保障）といった類型別のアプローチが有効。
本研究の学術的貢献 PCA + 階層クラスター + クラスター内回帰という多段階分析により、「集計データの分析だけでは気づけない係数逆転」を明示的に示した点が評価された。高校生論文として、手法の組み合わせと解釈の明快さが優秀賞受賞の要因。
本分析の注意点・限界
  • クロスセクションデータ（2020年1時点）のため、因果関係の主張には慎重さが必要
  • 可処分所得データは家計調査（標本調査）のため、都市規模の小さい都市ではサンプル数が少なく推計誤差が大きい
  • 東京都を除外しており、大都市バイアスが完全には除去されていない可能性
教育的価値（この分析から学べること）
  • 所得格差のメカニズム：教育・職業・産業構造・労働需給など多層要因。
  • 都市類型：大都市・地方都市・農村など類型化することで、構造的差異が見える。
  • ジニ係数：0〜1で表す格差指標。所得分布の不平等度を1つの数値で示せる。

データ・コードのダウンロード

以下のファイルをダウンロードして同じフォルダに置き、 python 2025_H2_yushu.py を実行すると全図を再現できます。

● Pythonスクリプト

⬇ 分析・図生成スクリプト（2025_H2_yushu.py）

SSDSE-B-2026.csv を読み込んでPCA・階層クラスタリング・回帰分析・全図を生成。
必要ライブラリ: numpy, pandas, matplotlib, scipy, sklearn, statsmodels

● データ出典

データ出典
都道府県別標準化データ（人口・学校・病院など）SSDSE-B（統計でみる都道府県のすがた）2026年版, 統計数理研究所
年間可処分所得（二人以上世帯）e-Stat 家計調査 2020年, 総務省統計局
教育用再現コード ｜ 2025年 統計データ分析コンペティション 優秀賞（高校生部門） ｜ データ出典：SSDSE-B（統計数理研究所）・e-Stat家計調査（総務省）

⚠️ 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。
🔭 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。
🌲 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
医師数偏在の要因と診療科偏在への影響
次の論文 →
地方移住の決定要因に関するパネルデータ分析