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 ／ 統計活用奨励賞 [大学生・一般の部]

日本におけるMRI設置の現状と
過剰導入の実証的検証

⏱️ 推定読了時間: 約34分
川村結愛・磯﨑結希・鍛治和香・濱田侑弥・宮脇渉多（大阪経済大学）
Bresnahan & Reiss (1991) 型エントリーモデル ／ 順序プロビット ／ 病床機能報告
📝 3行で分かる要約

目次

  1. 研究の背景：日本はMRI大国？
  2. 分析手法：Bresnahan-Reiss エントリーモデル
  3. 使用データと変数
  4. MRI台数の分布（記述統計）
  5. 人口規模とMRI台数の関係
  6. BR型順序プロビット推定結果
  7. 過剰設置地域の特定
  8. 年度別推移（2017〜2020）
  9. 政策的含意
  10. データ・コードのダウンロード
  11. 📥 データの準備
  12. 💼 実社会での応用
  13. ⚠️ よくある誤解
  14. 📖 用語集
  15. 📐 手法ガイド
  16. 🚀 発展の可能性
  17. 🎯 自分でやってみよう
  18. 🤔 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/ │ └── 2025_U4_katsuyo.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/2025_U4_katsuyo.py
図は html/figures/ に自動保存されます。

1. 研究の背景：日本はMRI大国？

日本は人口100万人あたりのMRI設置台数が世界最多クラスです。 OECD Health Statistics（2021）によると、日本のMRI密度は約57台/100万人で、 OECD平均（約19台）の3倍に達します。

まず「日本におけるMRI設置の現状と過剰導入の実証的検証」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。

問題意識 MRIは設備投資コストが高く（1台あたり数億円）、維持費・人件費も大きい。 市場競争による過剰参入が起きていないか？ 医療資源の効率的配分の観点から、「需要に対して過剰な設置」を実証的に検証する。

本論文はBresnahan & Reiss (1991)の産業組織論的エントリーモデルを 医療機器市場に適用し、二次医療圏・市区町村を「市場」と定義して、 人口規模とMRI設置台数の関係から必要人口閾値を推定・比較することで 過剰設置を実証しようとしたものです。

分析対象年度
3年
2017・2018・2020年度
二次医療圏数（最大）
348
2017年度
全国MRI台数（2020）
4,855台
二次医療圏集計
平均密度（2020）
6.1台
人口10万人あたり

2. 分析手法：Bresnahan-Reiss エントリーモデル

2-1. Bresnahan-Reiss (1991) の考え方

Bresnahan & Reiss (1991) は、競争市場への参入（entry）行動を構造モデルで分析した先駆的論文です。 鍵となる洞察は：

医療への応用 本論文ではMRIを導入する病院を「参入企業」、二次医療圏の人口を「市場規模S」と解釈。 MRI N台目の設置に必要な人口閾値を推定し、実際の設置台数と比較して過剰設置を判定。

2-2. 順序プロビットモデル

MRI台数を5カテゴリ（0台, 1-2台, 3-5台, 6-10台, 11台以上）に離散化し、順序プロビットで推定します。

【潜在変数モデル】 Y* = β · ln(Population) + ε, ε ~ N(0,1) 【カテゴリ確率】 P(Y=k) = Φ(μ_k - β·X) - Φ(μ_{k-1} - β·X) 【必要人口閾値（中央値: P(Y≥k)=0.5）】 ln(S*_k) = μ_k / β S*_k = exp(μ_k / β) 【BR競争効果比】 BR_k = S*_k / S*_{k-1} > 1 ならば競争が利潤を圧縮している
01
市場の定義
二次医療圏 = MRIサービスの需要・供給が完結する地理的市場単位
02
台数ビニング
0/1-2/3-5/6-10/11+台の5カテゴリに分類（順序プロビットに対応）
03
MLE推定
対数尤度最大化でβと閾値μ₁〜μ₄を推定
04
閾値→過剰判定
推定閾値と実際の人口・台数を比較し過剰設置地域を特定

DATA SCIENCE POINT

構造モデル vs. 縮約型モデル

通常の回帰分析（縮約型）は「何が相関しているか」を推定しますが、 BR型の構造モデルは「利潤関数の形状」という経済理論から导かれるパラメータを推定します。 構造モデルは反実仮想（「もし規制があったら？」）に答えられる点が強みです。

from scipy.special import ndtr # Φ(x) = 標準正規CDF from scipy.optimize import minimize def op_loglik(params, y, X): beta, mu1 = params[0], params[1] mu2 = mu1 + exp(params[2]) # δ=exp(·) で単調性を保証 ... ll = Σ log[Φ(μ_k - βX) - Φ(μ_{k-1} - βX)] return -ll # 最小化 → 最大尤度

3. 使用データと変数

データソース内容取得方法
病床機能報告（施設票） 病院・二次医療圏別のMRI台数（3T・1.5T・1.5T未満）、病院数 厚生労働省 病床機能報告制度（2017・2018・2020年度）
SSDSE-A-2025 市区町村別総人口 統計センター（教育用標準データセット）

変数の定義

変数名定義単位
mri_total二次医療圏内の総MRI台数（施設票から集計）台
mri_3t3T MRI台数（高精度機）台
mri_15t1.5T MRI台数（標準機）台
mri_bin台数カテゴリ（0/1/2/3/4 = 0/1-2/3-5/6-10/11+）—
population二次医療圏内推計人口人
ln_pop人口の自然対数—
mri_per_100k人口10万人あたりMRI台数台/10万人
n_hospitals二次医療圏内の病院数施設

4. MRI台数の分布（記述統計）

MRI台数分布（年度別）
図1. 二次医療圏別MRI台数カテゴリの分布（2017・2018・2020年度）
📌 この散布図の読み方
このグラフは
横軸（x）と縦軸（y）に2変数を取り、各都道府県（または自治体）を点で描いたグラフ。
読み方
点の並びに右上がりの傾向があれば正の相関、右下がりなら負の相関。点が直線に近いほど相関が強い。
なぜそう解釈できるか
回帰直線（赤線など）の傾きが回帰係数に対応する。直線から大きく外れた点が外れ値で、特異な地域を示す。

3年間を通じて、11台以上の大規模設置圏が最多を占め、次いで6-10台の中規模圏が続きます。 0台または1-2台の小規模圏（農村部・離島等）は少数派です。 2017年から2020年にかけて、高台数カテゴリへのシフトが確認でき、 全体的なMRI設置の増加傾向を反映しています。

記述統計（2020年度） 平均13.4台（SD=14.8）、中央値9台、最大128台（札幌）。 1人口10万人あたりの平均密度は6.1台（最大：福岡・糸島圏 77.9台）。 分布は右に大きく歪んでおり（歪度>2）、一部の大都市圏に台数が集中。

5. 人口規模とMRI台数の関係

前節のMRI台数分布が大きく右に歪み、一部の圏域に台数が集中している結果を踏まえると、 「人口で説明できる部分」と「説明できない過剰部分」が混在すると考えられる。 これを切り分ける必要があるが、その手法として対数人口とMRI台数の散布図と線形近似に着目した。 回帰直線より上方に位置する圏域が「過剰設置」候補として浮かび上がる結果が期待される。

人口とMRI台数の散布図
図2. 人口規模と二次医療圏MRI台数の関係（2020年度）。右図は対数スケール。
📌 この散布図の読み方
このグラフは
横軸（x）と縦軸（y）に2変数を取り、各都道府県（または自治体）を点で描いたグラフ。
読み方
点の並びに右上がりの傾向があれば正の相関、右下がりなら負の相関。点が直線に近いほど相関が強い。
なぜそう解釈できるか
回帰直線（赤線など）の傾きが回帰係数に対応する。直線から大きく外れた点が外れ値で、特異な地域を示す。

人口とMRI台数には明確な正の相関があります（右図の線形近似係数β≈9.5）。 ただし、同規模の人口でもMRI台数に大きなばらつきがあり、 一部の圏域では人口規模から期待される水準を大きく超えた台数が設置されています。 これが「過剰設置」の候補地域です。

散布図の読み方 対数人口軸で線形近似線より「上方」にある二次医療圏が 人口比で多くのMRIを抱えている地域です。 BR型エントリーモデルはこの上方乖離を構造的に解釈します。

6. BR型順序プロビット推定結果

前節の散布図で人口とMRI台数に正相関が見えるが、ばらつきも大きい結果を踏まえると、 競争が利潤を圧縮することで、台数が増えるほど必要人口閾値が非線形に上昇すると考えられる。 これを検証する必要があるが、その手法としてBresnahan-Reiss型エントリーモデル（順序プロビット）に着目した。 推定したBR比が1を大きく超え、過剰参入のインセンティブが定量的に裏付けられる結果が期待される。

BR推定結果
図3. 左：台数カテゴリ別予測確率曲線、右：Bresnahan-Reiss型必要人口閾値
📌 この散布図の読み方
このグラフは
横軸（x）と縦軸（y）に2変数を取り、各都道府県（または自治体）を点で描いたグラフ。
読み方
点の並びに右上がりの傾向があれば正の相関、右下がりなら負の相関。点が直線に近いほど相関が強い。
なぜそう解釈できるか
回帰直線（赤線など）の傾きが回帰係数に対応する。直線から大きく外れた点が外れ値で、特異な地域を示す。

推定パラメータ

パラメータ推定値解釈
β (ln_pop係数)2.09人口が1%増えるとMRI台数カテゴリが上昇する弾力性
μ₁ (閾値1)18.520台→1-2台カテゴリへの転換点
μ₂ (閾値2)22.521-2台→3-5台への転換点
μ₃ (閾値3)24.183-5台→6-10台への転換点
μ₄ (閾値4)25.806-10台→11台以上への転換点
対数尤度−224.4モデルの当てはまり

必要人口閾値（Bresnahan-Reiss推定値）

MRI台数必要人口（万人）BR比（前段階比）解釈
1台以上0.7万人—小規模市場でも1台は設置可能
2台以上4.7万人6.78競争効果が大きい（1台目の7倍の人口が必要）
3台以上10.5万人2.21競争で利潤が圧縮されている
4台以上22.7万人2.17さらに市場規模が必要
BR比の解釈：競争効果の存在 BR比がすべて1.0を大幅に超えています（6.78、2.21、2.17）。 これは「MRI台数が増えるにつれ、1台あたりの収益が競争によって圧縮される」ことを示します。 もし競争がなければBR比≒1.0になるはずです。 この結果は、MRI市場に競争的な過剰参入のインセンティブが働いていることを示唆します。

DATA SCIENCE POINT

必要人口閾値の計算

順序プロビットで推定した閾値 μ_k と係数 β から、 「P(Y≥k) = 0.5」となる人口規模（中央値閾値）を以下で求めます：

# P(Y≥k) = 0.5 ↔ Φ(μ_k - β·ln_pop) = 0.5 # ↔ μ_k - β·ln_pop = 0 # ↔ ln_pop = μ_k / β S_star_k = exp(μ_k / β) # BR比（競争効果） BR_ratio = S_star_k / S_star_{k-1} # > 1 → 競争で利潤圧縮

7. 過剰設置地域の特定

過剰設置マップ
図4. 人口規模と人口当たりMRI密度（2020年度）。色が赤いほど高密度。
📌 この散布図の読み方
このグラフは
横軸（x）と縦軸（y）に2変数を取り、各都道府県（または自治体）を点で描いたグラフ。
読み方
点の並びに右上がりの傾向があれば正の相関、右下がりなら負の相関。点が直線に近いほど相関が強い。
なぜそう解釈できるか
回帰直線（赤線など）の傾きが回帰係数に対応する。直線から大きく外れた点が外れ値で、特異な地域を示す。

人口10万人あたりMRI台数（MRI密度）で見ると、全国平均は約6.1台ですが、 一部の圏域では大幅に平均を超えた高密度設置が確認されます。

高密度設置圏の特徴 MRI密度が高い圏域として、福岡・糸島（77.9台）、南渡島（7.3台）などが挙げられます。 大都市近郊の人口密集地だけでなく、地方都市でも人口規模の割に多くのMRIが設置されている 圏域が存在します。これは病院間競争による戦略的設置が各地で起きていることを示唆します。

論文では市区町村レベルのより細かい分析も実施し、 「人口規模から予測される必要台数」を大きく超えた自治体を過剰設置地域として特定しています。

8. 年度別推移（2017〜2020）

MRI台数推移
図5. 全国MRI台数の推移（左）と2017→2020の変化分布（右）
📌 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。
なぜそう解釈できるか
複数の線を重ねるとリード・ラグ関係が視覚的にわかる。

全国のMRI台数総計は2017年の4,730台から2020年の4,855台へと約2.6%増加しています。 二次医療圏別の変化をみると、大半の圏域では変化がほとんどなく、 一部の圏域で台数が増加しているという右歪みの分布が確認されます。

パネルデータの利点 3年分のデータを縦結合したパネル構造により、 「時点間の変化」と「圏域間の差」を分離して分析できます。 年次効果（全体的なMRI普及）と圏域固有効果（地域特性）を区別することが重要です。

9. 政策的含意

ここまでのBR比1超および高密度設置圏の存在という結果を踏まえると、 MRI市場には競争による過剰参入のインセンティブが働いていると考えられる。 実務的には地域医療構想による設備配置のガイドライン整備や、二次医療圏単位での共同利用促進が必要であり、 本節ではエビデンスに基づく政策パッケージの方向性を整理する。

分析結果は、日本のMRI設置市場に競争的な過剰参入が存在することを示唆します。 日本では「医療計画」によりCT・MRIの設置数に整備目標は設定されていますが、 法的な台数規制は存在せず、病院が自由に導入できます。

過剰設置が生じる構造的原因

政策提言 論文は「二次医療圏単位の設置台数の上限規制」または「設置費用の条件付き助成制度」を提言。 人口規模に基づく必要台数の標準値を設定し、それを大幅に超える地域に対して 追加設置の事前審査を義務付けることが医療資源の効率的配分につながると示唆。
教育的価値（この分析から学べること）
  • 医療機器の過剰導入：MRI・CTなど高額機器が日本は人口比で世界一多い。費用対効果の問題。
  • 供給誘発需要：機器があるから検査が増える可能性。需要側要因と供給側要因の区別が難しい。
  • 政策含意：保険適用範囲・診療報酬の設計で過剰導入を抑える政策的視点を学べる。

10. 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、自分でも分析を再現できます。 data/2025_U4/とcode/を同じディレクトリに配置して実行してください。

ファイル内容サイズ目安ダウンロード
2025_U4_panel.csv 二次医療圏×3年パネルデータ（MRI台数・人口） 約60KB CSV
2025_U4_data_prep.py 病床機能報告→CSVデータ前処理スクリプト 約8KB Python
2025_U4_katsuyo.py BR型順序プロビット分析・図表生成スクリプト 約10KB Python

必要なデータソース（別途入手）

データ入手先ファイル形式
病床機能報告（施設票） 厚生労働省 病床機能報告制度（各年度） Excel (.xlsx)
SSDSE-A-2025 統計センター（ssdse.nstac.go.jp） CSV

実行環境

pip install pandas numpy scipy matplotlib openpyxl

# データ前処理（hospital_2017/2018/2020.xlsx が data/raw/mri/ に必要）
python3 code/2025_U4_data_prep.py

# 分析・図表生成（data/2025_U4/2025_U4_panel.csv が必要）
python3 code/2025_U4_katsuyo.py

⚠️ 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。
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。

📐 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。
↔️ 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
クラスタリングを用いた男子中学生の持久力低下の要因特定
次の論文 →
CO₂排出特性による市区町村の類型化と地域特性の関係