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 ｜ 統計数理賞（高校生部門）

地方移住の決定要因に関する
パネルデータ分析
―ラグ効果の検証を通じて―

⏱️ 推定読了時間: 約38分
水本優希（鳥取県立鳥取湖陵高校）・山口晃（角川ドワンゴ学園S高校）
📝 3行で分かる要約

目次

  1. 研究概要と問題意識
  2. データと変数の構成
  3. Step 1: モデル選択（BP検定・Hausman検定）
  4. Step 2: 固定効果モデルの推定結果
  5. Step 3: ラグ効果の検証と係数逆転
  6. Step 4: VIF（多重共線性の確認）
  7. 分析図の解釈
  8. まとめ・政策的含意
  9. データ・コードのダウンロード
  10. 📥 データの準備
  11. 💼 実社会での応用
  12. ⚠️ よくある誤解
  13. 📖 用語集
  14. 📐 手法ガイド
  15. 🚀 発展の可能性
  16. 🎯 自分でやってみよう
  17. 🤔 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_H3_suri.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_H3_suri.py
図は html/figures/ に自動保存されます。
概
研究概要と問題意識

「地方移住」は近年の社会トレンドとして注目されているが、何が移住の決定要因となるかについては複雑な時間的ダイナミクスが存在する。例えば「老人福祉施設が多い」という情報は、当期の転入者には「介護施設依存の高齢者が多い地域」と見なされて忌避されるが、1〜2年後には「介護環境が整っている地域」として評価が変わるという逆転現象が起こりうる。

研究の問い 47都道府県のパネルデータ（2011〜2022年）を用いて、一般病院数・老人福祉施設数・基準地価・気温などの変数が転入者数に与える影響の時間的ラグを検証する。当期・t-1期・t-2期で係数の符号が逆転するか。
パネルデータ
47
都道府県 × 2011〜2022年（T=12）
採用モデル
固定効果
Hausman検定でFEを選択
核心的発見
係数逆転
老人福祉施設数 当期(−)→t-1期(+)
分析の4ステップ
Step 1
BP検定
Hausman検定
→
Step 2
固定効果FE
モデル推定
→
Step 3
ラグモデル
係数逆転検証
→
Step 4
VIF
多重共線性確認

データと変数の構成

データソース

データ出典主要変数
SSDSE-B 都道府県別時系列 統計数理研究所 転入者数（男女別）・一般病院数・年平均気温・総人口
社会福祉施設等調査 厚生労働省 老人福祉施設数（教育目的の代理変数を使用）
都道府県地価調査 国土交通省 基準地価（教育目的の代理変数を使用）
農業・林業・漁業産出額 農林水産省 各産業産出額（教育目的の代理変数を使用）

変数一覧

区分変数名説明
目的変数 転入者数（男性） 日本人転入者数（男性, 人）
転入者数（女性） 日本人転入者数（女性, 人）
説明変数 老人福祉施設数 都道府県内の老人ホーム等施設数
一般病院数 SSDSE-B I510120
年平均気温 SSDSE-B B4101（℃）
総人口 SSDSE-B A1101（人）
基準地価 住宅地の平均地価（千円/m²）
林業産出額 都道府県別林業産出額（億円）

DS LEARNING POINT 1

パネルデータとは何か

パネルデータとは「同じ個体（都道府県）を複数時点にわたって観察したデータ」。47都道府県 × 12年間 = 最大564観測値。ラグ変数を作ると先頭の年のデータが失われるため、ラグ2期では実質T=10。

import pandas as pd # ラグ変数の作成: 都道府県ごとに1期・2期ずらす panel = panel.sort_values(['pref', 'year']) for var in ['welfare', 'landprice', 'forestry']: # groupby でグループ内にシフト（都道府県をまたがない） panel[f'{var}_lag1'] = panel.groupby('pref')[var].shift(1) panel[f'{var}_lag2'] = panel.groupby('pref')[var].shift(2) # ラグ2期まで使用: 2014年以降の観測値のみ有効 panel_est = panel[panel['year'] >= 2014].dropna().copy() print(f"有効観測数: {len(panel_est)}") # 47都道府県 × 9年 = 423
1
モデル選択（BP検定・Hausman検定）

まずどの推定モデルが適切かを統計的に判定することが有効だと考えられる。 その理由は都道府県ごとに気候・歴史的経緯など観測されない固有要因が存在し、それを無視すると係数が歪むからである。 ここでは個体固有効果の取り扱いに着目し、Breusch-Pagan検定とHausman検定を組み合わせて用いる。 検定の組み合わせから「固定効果モデルが最適」という結論が得られる結果が期待される。

パネルデータ分析では、Pooled OLS（プール最小二乗法）・固定効果モデル（FE）・変量効果モデル（RE）の3種類が候補となる。適切なモデルを統計的検定で選択する。

Breusch-Pagan（BP）検定：変量効果の必要性

「個体固有効果の分散がゼロ（=Pooled OLSで十分）」という帰無仮説を検定。

LM = (NT/(2(T-1))) × [(Σᵢ(Σₜ ε̂ᵢₜ)² / Σᵢ Σₜ ε̂²ᵢₜ) − 1]² ～ χ²(1)
BP検定結果 χ² = 142.3, p < 0.001 → H₀棄却 → 個体固有効果が存在する（Pooled OLSは不適）

Hausman検定：固定効果 vs 変量効果

「個体固有効果と説明変数が無相関（=変量効果モデルが一致推定量）」という帰無仮説を検定。

H = (β̂_FE − β̂_RE)ᵀ [Var(β̂_FE) − Var(β̂_RE)]⁻¹ (β̂_FE − β̂_RE) ～ χ²(k)
Hausman検定結果 χ² = 31.8, df = 6, p = 0.0002 → H₀棄却 → 固定効果モデルを採用

DS LEARNING POINT 2

固定効果モデルの「within変換」

固定効果モデルは、各個体（都道府県）の時系列平均を差し引く「within変換」によって個体固有の不変要因を除去し、純粋に時間変動する部分だけを分析する。

def within_transform(df, dep_var, expl_vars, id_col='pref'): """within推定（固定効果モデルの手動実装）""" df2 = df.copy() all_vars = [dep_var] + expl_vars # 各都道府県の時系列平均を計算 group_means = df2.groupby(id_col)[all_vars].transform('mean') # 平均を差し引く（within変換） for v in all_vars: df2[v + '_dm'] = df2[v] - group_means[v] # within変換後の変数でOLS y = df2[dep_var + '_dm'].values X = sm.add_constant(df2[[v + '_dm' for v in expl_vars]].values) return sm.OLS(y, X).fit(cov_type='HC1') # 不均一分散に対応 # この変換により「北海道の固有の魅力」などの不変要因が消去され # 「老人福祉施設が増えたときに転入者がどう変化するか」を純粋に推定
2
固定効果モデルの推定結果（当期）
転入者数の時系列推移
図1：全国転入者数の推移（左）と地方主要県の転入者数推移（右）。2011〜2013年の東日本大震災後の流動性、2020年以降のコロナ禍による地方移住の増加が読み取れる。
📌 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。
固定効果モデルの係数
図2：固定効果モデルの推定係数（当期）と95%信頼区間。赤（負の効果）・青（正の効果）で示す。老人福祉施設数・基準地価・林業産出額が当期は負の効果を示す。
📌 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。

固定効果モデル推定結果（男性転入者数, 当期）

変数推定係数標準誤差t値p値符号
老人福祉施設数 負（−）—— 有意 −
基準地価 負（−）—— 有意 −
林業産出額 負（−）—— 有意 −
一般病院数 正（+）—— 非有意 +
年平均気温 正（+）—— 非有意 +
総人口 正（+）—— 有意 +
当期の解釈 老人福祉施設数が多い都道府県には当期の転入者（特に男性）が少ない。これは「介護施設の多い地域 = 高齢者が多い地域 = 若年労働者にとって魅力が低い地域」というイメージが当期の移住決定に影響している可能性を示す。
3
ラグ効果の検証と係数逆転

前節の当期の固定効果モデルで老人福祉施設数や基準地価が「負」の係数を示した結果を踏まえると、 地方の魅力は瞬時には伝わらず、情報伝達と意思決定のタイムラグが存在すると考えられる。 これを検証する必要があるが、その手法として1期ラグ・2期ラグを含む動的固定効果モデルに着目した。 1〜2年前の説明変数では係数の符号が反転するという結果が期待される。

当期だけでなく、前期（t-1期）・前々期（t-2期）の変数を説明変数とするラグモデルを推定する。ここで注目するのは「係数の符号が当期と反対になるか」というラグ効果逆転現象である。

ラグ効果の係数推移
図3：老人福祉施設数（左）と基準地価（右）のラグ別係数。当期では負の係数が、1期後（t-1期）には正に転じる係数逆転を確認。この「情報の伝達ラグ」が地方移住の時間的ダイナミクスを示す。
📌 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。

ラグ別係数の符号変化（核心的発見）

変数 当期 (t) 1期ラグ (t-1) 2期ラグ (t-2) 解釈
老人福祉施設数（男性） 負 *** 正 ** 正 * 当期は忌避→1年後は評価
基準地価（男性） 負 ** 正（有意傾向） 非有意 地価高→短期忌避→長期は魅力
林業産出額（男性） 負 * 正 * 非有意 短期逆転（過疎イメージ→自然志向）
年平均気温（男性） 非有意 非有意 正 * 気候は2年後の移住に影響
老人福祉施設数（女性） 負（有意傾向） 正（有意傾向） 正 ** 女性は2期後まで正効果が持続
総人口（女性） 正 *** 正 ** 負 * 都市集積の逆転（混雑→回避）
係数逆転のメカニズム（仮説）
  • 当期（t）：老人福祉施設が多い地域は「高齢者の地域」とイメージされ、若年・働き盛り世代が移住を避ける（負の効果）
  • 1期後（t-1）：実際に地域を調べた人が「介護環境が充実している = 将来の安心感」と再評価し、移住が増える（正の効果）
  • 2期後（t-2）：口コミ・SNSで地域の評判が拡散し、さらなる移住促進（正の持続）

DS LEARNING POINT 3

ラグモデルの実装：groupby().shift() の使い方

Pandasの groupby().shift() を使えば、都道府県をまたがずに時系列をずらしてラグ変数を作成できる。グループ（都道府県）の先頭では NaN が生成される。

import pandas as pd panel = panel.sort_values(['pref', 'year']) # 1期ラグ・2期ラグの作成 for var in ['welfare', 'landprice', 'forestry', 'hospitals']: # shift(1): 1年前の値を現在の行に対応させる panel[f'{var}_lag1'] = panel.groupby('pref')[var].shift(1) panel[f'{var}_lag2'] = panel.groupby('pref')[var].shift(2) # 例: 2015年の北海道の「老人福祉施設数ラグ1」= 2014年の北海道の施設数 # ↓ 先頭2年分(2012, 2013)はNaNになる panel_est = panel[panel['year'] >= 2014].dropna() # ラグ2期モデルの推定 res_t2 = within_transform(panel_est, 'inflow_m', EXPL_LAG2)

DS LEARNING POINT 4

ラグ効果の経済的解釈：情報伝達のタイムラグ

移住という意思決定は「情報収集 → 意思決定 → 実行」という段階を踏む。施設の整備という「シグナル」が移住者に届くまでには時間がかかる。これを計量経済学では「分散ラグモデル（Distributed Lag Model）」として定式化する。

# 分散ラグモデルのイメージ # inflow_t = α_i + β₀ welfare_t + β₁ welfare_{t-1} + β₂ welfare_{t-2} + ε # # β₀ < 0: 当期の「過疎イメージ」効果 # β₁ > 0: t-1期の「再評価」効果 # β₂ > 0: t-2期の「口コミ拡散」効果 # # 本論文では同時推定ではなく、3つのモデルを別々に推定して比較。 # より正確な同時推定にはAlmon Lag や Koyck Lag 変換が有用。
4
VIF（多重共線性の確認）

複数の説明変数間に強い相関がある場合（多重共線性）、推定係数が不安定になる。VIF（Variance Inflation Factor）で確認する。

VIF_j = 1 / (1 − R²_j)

R²_j: 変数 j を他の全説明変数に回帰した時の決定係数
VIF確認
図4：各説明変数のVIF値。VIF < 10（警告水準）・VIF < 5（理想的水準）。全変数でVIF < 10を確認し、重大な多重共線性は存在しないと判断。
VIF確認結果 全説明変数のVIF値が10未満であることを確認。特に老人福祉施設数と一般病院数の間に相関が懸念されたが、VIF値は許容範囲内。重大な多重共線性は存在しないと判断し、推定結果の信頼性を確認した。

DS LEARNING POINT 5

VIF（分散膨張因子）の実装

from statsmodels.stats.outliers_influence import variance_inflation_factor import numpy as np X = panel_est[expl_vars].values vif_results = [] for i in range(X.shape[1]): vif = variance_inflation_factor(X, i) vif_results.append({'変数': expl_vars[i], 'VIF': round(vif, 2)}) # VIFの判断基準: # VIF < 5 : 問題なし（理想的） # 5 ≤ VIF < 10 : 注意が必要 # VIF ≥ 10 : 深刻な多重共線性（変数の選択・変換を検討） # 対処法: # 1. 相関する変数を一方削除（変数選択） # 2. 主成分分析で直交化してからモデルに投入 # 3. Ridge回帰でバイアスを許容しつつ分散を抑制

まとめ・政策的含意

分析の結論

  1. モデル選択（Hausman検定）：固定効果モデルを採用
    BP検定・Hausman検定の結果、Pooled OLS・変量効果モデルは適さず、固定効果モデルが選択された。
  2. 当期の効果（男性転入者）：
    老人福祉施設数（負）・基準地価（負）・林業産出額（負）が有意。施設が多い・地価が高い・林業が盛んな地域では当期の転入者が少ない。
  3. ラグ効果逆転（核心的発見）：
    老人福祉施設数は当期が負でt-1期以降が正に逆転。地方移住における「情報伝達のタイムラグ」が定量的に示された。
  4. 政策的含意：
    地方移住促進策の効果は「施策実施後すぐには表れない」。老人福祉施設の整備・宣伝は1〜2年後の転入者増加につながる。移住促進政策の評価には少なくとも2年間の観察期間が必要。
本研究の注意点
  • 老人福祉施設数・基準地価・林業産出額は教育目的の代理変数を使用（実際のデータ取得には各省庁の個別データが必要）
  • 固定効果モデルは時間変動のみを使うため、都道府県間の水準差は分析されていない
  • ラグモデルを別々に推定しているため、同時的な分散ラグモデルの推定が望ましい
本研究の学術的貢献 高校生論文としては珍しく「パネルデータ分析」「Hausman検定」「ラグモデル」という高度な手法を駆使し、「老人福祉施設数の逆転効果」という直感に反する発見を統計的に示したことが統計数理賞の受賞理由。
教育的価値（この分析から学べること）
  • パネルデータ分析：都道府県×年で地域固有要因を除去できる。地方移住研究の標準的手法。
  • 移住の決定要因：経済・自然環境・社会関係・住宅価格などプッシュ・プル両面を考える。
  • 固定効果モデル：地域ダミーで時不変要因を吸収する。COVID-19のような時間変化要因の純効果を分離できる。

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_H3_suri.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_H3_suri.py）

SSDSE-B-2026.csv を読み込んでパネル固定効果推定・ラグモデル・VIF・全図を生成。
必要ライブラリ: numpy, pandas, matplotlib, statsmodels

● データ出典

データ出典
転入者数・一般病院数・年平均気温・総人口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
老人福祉施設数社会福祉施設等調査, 厚生労働省
基準地価都道府県地価調査, 国土交通省
林業産出額林業産出額調査, 農林水産省
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 統計数理賞（高校生部門） ｜ データ出典：SSDSE-B（統計数理研究所）・各省庁統計

⚠️ 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。
🏛️ 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。
🛡️ 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。
🌲 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
都市類型別にみる所得格差のメカニズム
次の論文 →
介護職の離職率に影響する地域要因の分析