目次
🎯 この記事を読むと何ができるようになるか
- 研究の核心：「小中高生の自殺要因についての統計的検討」の問題意識と分析アプローチ
- 分析手法：重回帰分析で「複数の要因がどの程度結果に影響するか」を同時に推定する方法
- 分析手法：パネルデータ固定効果モデルで「都道府県固有の見えない差」を統制した因果推論
- 分析手法：主成分分析（PCA）で多次元データを2〜3軸に圧縮し可視化する方法
- 結果の読み方：係数・p値・図表から「何が言えて何が言えないか」を判断する力
- 応用：同じデータと手法を使って、別の問いを立てて分析する発想
📥 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_H5_1_shorei.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_H5_1_shorei.py
図は html/figures/ に自動保存されます。
概
研究概要と問題意識
日本の若年層自殺は先進国の中でも高水準にある深刻な問題である。本研究は、47都道府県別の「学生10万人あたり自殺数」を目的変数として、複数の社会的要因との統計的関連を分析した。
研究の問い
都道府県ごとに異なる学生自殺率の差異は、どのような社会的・経済的・教育的要因によって説明されるか？
分析のフロー
OLS重回帰
（HC3ロバスト）
（HC3ロバスト）
→
Cook's Distance
外れ値診断
外れ値診断
→
PCA
多重共線性確認
多重共線性確認
→
LASSO
変数選択
変数選択
OLS重回帰 HC3ロバスト標準誤差 Cook's Distance PCA LASSO（CV）
データと変数
データ概要
都道府県別（N=47）の横断面データ。目的変数・説明変数ともに公表統計から収集した実態値を使用。
| カテゴリ | 変数名 | 変換 | 想定される効果 |
|---|---|---|---|
| 目的変数 | 学生10万人あたり自殺数 | — | — |
| 家庭環境 | 片親率 | — | 正（家庭不安定） |
| 経済 | 1人あたり県民所得 | log | 負（豊かさ） |
| 虐待 | 虐待相談件数 | — | 正（家庭環境悪化） |
| 学校環境 | SCカウンセラー配置率（小・中・高） | — | 負（支援）→逆因果の懸念 |
| 不登校 | 不登校率 | log | 正 |
| いじめ | いじめ認知数 | log | 正 |
| 進学 | 大学進学率 | — | ？（プレッシャーvs機会） |
| 都市性 | 人口密度 | log | — |
| 雇用 | 失業率 | — | 正 |
| 精神医療 | 精神障害受療割合 | — | 正（需要代理） |
注：合成データについて
本教育用コードでは論文の記述統計・結果に基づいた合成データを使用している（np.random.seed(2025)）。実際の分析は各都道府県の公表統計から構築したデータによる。変数間の関係性の方向は論文の結果を反映している。
1
OLS重回帰分析（HC3ロバスト標準誤差）
まず仮説に挙げた要因を一度に投入したベースラインモデルを推定することが有効だと考えられる。 その理由は全変数を入れた素朴な重回帰の結果が、後段の外れ値処理や変数選択の出発点になるからである。 ここでは47都道府県という小標本ゆえの分散不均一に着目し、HC3ロバスト標準誤差付きのOLSを用いる。 不登校率や所得など仮説変数が予想どおりの符号を示す結果が期待される。
最初に全変数を投入したOLS重回帰を行い、各変数の偏回帰係数と有意性を確認する。都道府県データは分散不均一（heteroskedasticity）の可能性があるため、HC3ロバスト標準誤差を使用する。
y_i = β₀ + β₁x₁ + β₂x₂ + ... + β₁₂x₁₂ + ε_i
HC3標準誤差: SE(β̂_j) = √[（X'X）⁻¹ Σ ê_i²/(1−h_ii)² x_i x_i' （X'X）⁻¹]
HC3標準誤差: SE(β̂_j) = √[（X'X）⁻¹ Σ ê_i²/(1−h_ii)² x_i x_i' （X'X）⁻¹]
図1：OLS重回帰の係数推定値と95%信頼区間（HC3ロバスト標準誤差）。赤色が5%有意、青色が10%有意、灰色が非有意。
📌 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。
主要な結果
| 変数 | 係数 | p値（HC3） | 解釈 |
|---|---|---|---|
| 高校SCカウンセラー配置率 | 正（+） | 有意 | 逆因果：問題ある学校ほど配置 |
| log(不登校率) | 正（+） | 有意 | 不登校と自殺の関連 |
| log(県民所得) | 負（−） | 弱有意 | 豊かさが保護的に機能 |
| 片親率 | 正（+） | 非有意 | 方向は予測通りだが不有意 |
| 失業率 | 正（+） | 非有意 | 間接的影響 |
R² = 0.32（全変数モデル）の意味
説明変数が自殺率の変動の32%を説明できている。公衆衛生・社会統計の横断面分析としては標準的な水準であり、残りの68%は本研究で測定していない要因（個人レベルの要因、精神的健康状態など）による。
DS LEARNING POINT 1
HC3ロバスト標準誤差とは
通常のOLSは誤差分散が均一（homoskedasticity）と仮定するが、実データでは外れ値や構造的な分散不均一が起きやすい。HC3（heteroskedasticity-consistent covariance estimator type 3）はレバレッジが高い観測点に対してより保守的な補正を行う。
import statsmodels.api as sm
X = sm.add_constant(X_raw)
model = sm.OLS(y, X).fit(cov_type='HC3')
# cov_type='HC3' を指定するだけで自動的にロバスト標準誤差が計算される
print(model.summary()) # 係数・p値はHC3ベースで報告される
2
外れ値診断（Cook's Distance）
前節のOLSでR²=0.32にとどまり一部の係数が想定と異なる結果を踏まえると、 少数の都道府県（外れ値）が推定値を引っ張ってい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Cook's Distanceによる影響力診断に着目した。 閾値4/Nを超える観測点を特定でき、除外後にR²が改善する結果が期待される。
Cook's Distanceは、ある観測値を除外したときに回帰係数がどれだけ変わるかを測る指標である。値が大きいほどその観測値が回帰結果に強い影響を与えている「影響力の大きい点（influential point）」であることを意味する。
D_i = (ŷ − ŷ₍₋ᵢ₎)ᵀ (X'X) (ŷ − ŷ₍₋ᵢ₎) / (p × MSE)
通常の閾値: D_i > 4/N（N = サンプルサイズ）
通常の閾値: D_i > 4/N（N = サンプルサイズ）
図2：Cook's Distanceプロット。赤線（4/N）を超える都道府県が外れ値の候補として識別された。
外れ値除外後の結果
外れ値除外前後のR²比較
- 全データ（N=47）: R² ≈ 0.32
- 外れ値除外後: R² ≈ 0.42（論文参考値）
DS LEARNING POINT 2
Cook's Distanceの実装と解釈
statsmodelsではget_influence()メソッドを使って影響度診断量を一括計算できる。
influence = model.get_influence()
cooks_d = influence.cooks_distance[0] # インデックス0がD値
threshold = 4 / N # 一般的な閾値
outliers = np.where(cooks_d > threshold)[0]
print(f"外れ値候補: {[prefs[i] for i in outliers]}")
# 外れ値を除外して再推定
mask_in = np.ones(N, dtype=bool)
mask_in[outliers] = False
model_clean = sm.OLS(y[mask_in], X[mask_in]).fit(cov_type='HC3')
3
主成分分析（PCA）
説明変数間に多重共線性（multicollinearity）がある場合、個々の回帰係数の推定は不安定になる。PCAは変数間の相関構造を主成分として要約し、データの次元削減と多重共線性の診断に用いられる。
図3：PCAの結果。左：スクリープロット（各主成分の寄与率）。右：因子負荷量（バイプロット）。近い変数ほど正の相関がある。
📌 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。
PCAの読み方
- スクリープロット：肘（elbow）が現れる成分数が情報量の集約点
- バイプロット：同じ方向に向く変数は正の相関、逆方向は負の相関
- 第1主成分に高く載る変数は「社会経済的豊かさ」などの潜在変数を反映することが多い
DS LEARNING POINT 3
PCAの実装（scikit-learn）
from sklearn.preprocessing import StandardScaler
from sklearn.decomposition import PCA
# 1. 標準化（単位が異なる変数を比較可能にする）
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X_raw)
# 2. PCA
pca = PCA() # n_components 省略で全主成分を計算
pca.fit(X_scaled)
# 3. 寄与率の確認
print(pca.explained_variance_ratio_) # 各主成分の寄与率
print(pca.explained_variance_ratio_.cumsum()) # 累積寄与率
# 4. 因子負荷量（第1・第2主成分）
loadings = pca.components_[:2].T # (n_features, 2)
4
LASSO回帰（交差検証によるλ選択）
前節のPCAで説明変数が複数の主成分に分解され、変数間の重なりが大きいと示された結果を踏まえると、 OLSでは冗長な変数のノイズが係数の安定性を損なっていると考えられる。 これを検証する必要があるが、その手法として交差検証によるLASSO回帰に着目した。 本質的に効く変数だけが残り、政策的に注目すべき要因が絞り込まれる結果が期待される。
変数が多く多重共線性が懸念される場合、LASSO（Least Absolute Shrinkage and Selection Operator）回帰が有効である。LASSO は回帰係数に L1 ペナルティを課すことで、不要な変数の係数をゼロに縮退させる変数選択効果を持つ。
LASSO: min { Σ(y_i − ŷ_i)² + λ Σ|β_j| }
λ: 正則化パラメータ（大きいほど変数選択が強まる）→ 交差検証で選択
λ: 正則化パラメータ（大きいほど変数選択が強まる）→ 交差検証で選択
図4：LASSO回帰の係数（左）とOLS標準化係数との比較（右）。ゼロに縮退した変数はLASSOによって「除外」されたことを意味する。
📌 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。
LASSOとOLSの比較
| 手法 | 変数選択 | 解釈性 | 多重共線性への頑健性 |
|---|---|---|---|
| OLS（HC3） | なし（全変数） | 高い（係数の意味が明確） | 低い（係数が不安定） |
| LASSO（CV） | あり（自動でゼロ化） | 選択変数のみに注目可 | 高い（L1正則化） |
| Ridge | なし（縮小のみ） | 全変数が残る | 高い（L2正則化） |
主要な発見：逆因果性の問題
高校SCカウンセラー配置率が自殺率と正の関係を示すのは「SCカウンセラーが自殺を増やす」のではなく、「自殺・精神健康問題が多い学校ほどSCカウンセラーが配置される」という逆因果（reverse causality）の可能性が高い。政策評価では因果方向に注意が必要。
DS LEARNING POINT 4
LassoCV による交差検証
scikit-learn の LassoCV は内部で K-fold 交差検証を行い、最適な正則化パラメータ λ（alpha）を自動選択する。
from sklearn.linear_model import LassoCV
from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X_raw)
# cv=5: 5分割交差検証
lasso = LassoCV(cv=5, random_state=2025, max_iter=5000)
lasso.fit(X_scaled, y)
print(f"最適 lambda = {lasso.alpha_:.4f}")
print("選択変数（係数がゼロでない）:")
for name, coef in zip(var_names, lasso.coef_):
if abs(coef) > 1e-6:
print(f" {name}: {coef:+.4f}")
まとめ・政策的含意
主要な発見
- R²=0.32（全変数）→ 外れ値除外後R²=0.42：都道府県レベルの社会的要因が学生自殺率の変動の一定割合を説明する
- 高校SCカウンセラー配置率が正（逆因果）：配置が多い県ほど自殺率が高い→問題が深刻な地域への重点配置を示す可能性
- 不登校率・所得が弱有意：経済的貧困と不登校を通じた間接的な経路
- LASSOによる変数選択：多重共線性を考慮すると有効な説明変数が絞り込まれる
政策への示唆
- SCカウンセラー配置は既存問題への対応として不可欠だが、効果の測定には操作変数法などの因果推論手法が必要
- 不登校・貧困への総合的な対策が自殺予防にもつながる可能性
- 県単位の分析から個人レベルの分析へと展開することで、より強固なエビデンスが得られる
分析の限界
- N=47の横断面分析のため、因果関係の特定は困難
- 集計データ（都道府県）の分析は生態学的誤謬（ecological fallacy）のリスクがある
- 時系列変化の分析（パネルデータ）が今後の課題
教育的価値（この分析から学べること）
- 自殺の統計的検討：経済・社会・心理要因が絡む。公衆衛生学の最重要テーマの1つ。
- レアイベント分析：件数が少ないので、ポアソン回帰や負の二項回帰が適する。
- 予防介入：ゲートキーパー研修・相談窓口設置などの効果を、地域比較で評価できる。
データ・コードのダウンロード
python 2025_H5_1_shorei.py を実行すると全図（4枚）が再現される。
| データ | 出典 |
|---|---|
| 学生自殺統計 | 厚生労働省 自殺対策白書・警察庁自殺統計 |
| SCカウンセラー配置状況 | 文部科学省 生徒指導・学校安全の取組 |
| 不登校・いじめ統計 | 文部科学省 問題行動等調査 |
| 都道府県別経済・人口統計 | 総務省統計局・内閣府県民経済計算 |
本教育用コードは論文の方法論を再現する目的で合成データを使用。実際の分析には各機関の公表データを参照。
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 審査員奨励賞 [高校生の部] ｜ 開成高等学校
⚠️ 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。
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。
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。
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。
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。
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。
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
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。
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
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
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）
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。
🔭 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。
✂️ 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。
🎯 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。
↔️ 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。
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。
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。
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。
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」。
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。