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｜審査員奨励賞（大学生・一般の部）

デジタル教科書は学力にプラスかマイナスか？
機械学習 × SHAP解析

⏱️ 推定読了時間: 約36分
審査員奨励賞 ［大学生・一般の部］ 2025年度
📝 3行で分かる要約

目次

  1. 研究の概要と問題意識
  2. データと特徴量の設計
  3. 3つの機械学習モデル（RF / XGB / LGB）
  4. SHAP値による解釈（特徴量重要度）
  5. ICT研修 × デジタル教科書の交互作用
  6. 分析結果と政策的含意
  7. データサイエンス学習まとめ
  8. Python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_U5_3_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_U5_3_shorei.py
図は html/figures/ に自動保存されます。

1. 研究の概要と問題意識

2019 年〜2022 年の GIGAスクール構想により、全国の小中学校に学習者用 PC が一人一台整備され、 デジタル教科書の導入が急速に進んでいる。しかし、デジタル教科書が学力に与える影響については 「プラスか？マイナスか？」をめぐって賛否が分かれており、実証的な分析が求められている。

まず「デジタル教科書は学力にプラスかマイナスか？機械学習 × SHAP解析」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。

この研究は 47 都道府県 × 3 年（2019・2021・2022）のパネル的な観測データを用いて、 Random Forest・XGBoost・LightGBM の 3 モデルで全国学力調査の平均正答率を予測し、 SHAP（Shapley Additive exPlanations）値で各変数の効果を解釈している。

主要な知見 デジタル教科書の学力への効果は非線形・条件依存的。 単独での整備率上昇は必ずしも学力向上につながらず、 ICT研修受講率との組み合わせ（正の交互作用）が重要。 財政力指数・15歳未満人口割合も上位の重要変数として抽出された。
合成パネルデータ
（47都道府県×3年）
→
特徴量設計
（11変数）
→
RF / XGB / LGB
学習・評価
→
SHAP値
（解釈）
→
交互作用
分析

2. データと特徴量の設計

データ概要と目的変数の分布
図1：全国学力調査データの概要（合成データ）。 左：年別の正答率分布（コロナ禍 2021 年で低下）、中央：デジタル教科書整備率の年推移（GIGAスクール後に急増）、 右：デジタル教科書整備率 vs 正答率（色＝ICT研修受講率）。
📌 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。

特徴量（説明変数）一覧

カテゴリー変数名説明
社会・人口 人口増減率地域の活力・若年層の流出入
15歳未満人口割合子育て世代の多さ
1校あたり児童数学校規模の影響
教員1人あたり児童数教育リソースの充足度
経済 消費支出中教育費割合家庭の教育投資意欲
財政力指数地方財政の余裕度
ICT・デジタル 学習者用デジタル教科書整備率本研究の主要な分析対象変数
学習者用PC1台あたり児童数PC整備状況
ICT研修受講率教員のデジタル活用能力
ICT機器利用率授業でのICT活用頻度
制御変数 教科ダミー（算数=1・国語=0）教科の違いによる基準差

目的変数：全国学力調査の平均正答率

国立教育政策研究所「全国学力・学習状況調査」の都道府県別公立学校の平均正答率（%）。 2019・2021・2022 年の 3 時点（2020 年はコロナ休校のため調査なし）。 算数・数学と国語の 2 教科を対象としている。

合成データについて 全国学力調査の都道府県別詳細データは公表形式に制約があるため、 本再現コードでは論文の記述・変数構造・主要な関係性（非線形・交互作用）を参考に 現実的な合成データを生成している。モデルの動作確認と手法学習を目的とする。

3. 3つの機械学習モデル

まず非線形・交互作用効果を捉えられるモデルを採用することが有効だと考えられる。 その理由はICT活用や教育環境は単純な線形効果でなく、要因の組み合わせで効きが変わるためOLSでは見落とすリスクがあるからである。 ここでは木ベースのアンサンブル学習に着目し、Random Forest・XGBoost・LightGBMの3手法を比較する。 交差検証で安定して高い予測精度が得られる結果が期待される。

Random Forest
RF
多数の決定木をバギング（独立並列）で構築。各ノードでランダムに特徴量を選択。頑健で解釈しやすい。
XGBoost
XGB
決定木をブースティング（逐次的）で改善。正則化あり・欠損値自動処理。高精度だが調整が必要。
LightGBM
LGB
XGBoost より高速なブースティング。葉優先成長戦略。大規模データで特に優位。

バギングとブースティングの違い

バギング（Random Forest）： 学習データを復元抽出 → 複数モデルを「並列」学習 → 平均で予測 → 分散を下げる（過学習を抑制） ブースティング（XGBoost / LightGBM）： 前のモデルの誤差に着目 → 残差を予測する新モデルを「逐次」追加 → バイアスを下げる（精度を高める）
5-fold 交差検証（CV）によるモデル評価 データを 5 分割し、1 つをテスト用・残り 4 つを訓練用として 5 回評価を繰り返す。 汎化性能（未知データへの適応力）を公平に推定できる。 訓練 R² が高くてもCV R² が低い場合は過学習のサイン。

DS学習ポイント 1

Random Forest の学習（sklearn）

from sklearn.ensemble import RandomForestRegressor from sklearn.model_selection import cross_val_score, KFold # ランダムフォレストのインスタンス化 rf = RandomForestRegressor( n_estimators=200, # 決定木の本数 max_depth=6, # 木の深さ上限（過学習防止） min_samples_leaf=3, # 葉ノードの最小サンプル数 random_state=2025, n_jobs=-1 ) rf.fit(X, y) # 5-fold CV で汎化性能を評価 kf = KFold(n_splits=5, shuffle=True, random_state=2025) cv_r2 = cross_val_score(rf, X, y, cv=kf, scoring='r2').mean() print(f'CV R² = {cv_r2:.4f}')

4. SHAP値による解釈（特徴量重要度）

前節の3モデルとも高いCV精度を示した結果を踏まえると、 機械学習を政策提言に使うには、各変数の貢献を可視化する必要があると考えられる。 これを実現する手法として、ゲーム理論に基づく公平な貢献分解であるSHAP値に着目した。 ICT研修・デジタル教科書配備など特定変数が学習成果に強く効くと示される結果が期待される。

特徴量重要度の比較
図2：特徴量重要度の比較。左：3モデルの不純度ベース重要度、 右：Permutation Importance（SHAP値の代理指標、赤＝ICT関連変数）。

SHAP値とは

SHAP（SHapley Additive exPlanations）は、 ゲーム理論の「Shapley値」を機械学習の解釈に応用した手法。 各特徴量が「個別の予測値」にどれだけ貢献しているかを計算する。

SHAP値 φ_i の定義（Shapley値）： φ_i = Σ_{S ⊆ F\{i}} [|S|!(|F|-|S|-1)!/|F|!] × [f(S∪{i}) - f(S)] F: 全特徴量の集合 S: 特徴量 i を除いた特徴量の部分集合 f(S): 特徴量集合 S だけを使ったモデルの予測値 → 「ある特徴量を加えたときの予測値の変化量」の加重平均 → 全特徴量の SHAP 値の合計 = 予測値 − ベースライン予測値
不純度ベース重要度 vs SHAP値の違い
  • 不純度ベース重要度：決定木の分岐でどの特徴量を使ったか（頻度・効果量）。カーディナリティ（取りうる値の数）が高い特徴量が有利になりやすい。
  • Permutation Importance：ある変数をシャッフルしたときにスコアがどれだけ低下するか。より公平な評価。
  • SHAP値：個々の予測への寄与を方向も含めて計算。最も解釈可能性が高い。
SHAPサマリープロット
図3：SHAP 解釈プロット。左：デジタル教科書整備率 × RF予測値（色＝ICT研修率）、 右：ICT研修受講率の高低グループ別の予測値分布。 ICT研修が高い群では全体的に高い正答率が予測されている。

DS学習ポイント 2

Permutation Importance（SHAP の代理）

from sklearn.inspection import permutation_importance # ランダムフォレストで学習後に permutation_importance を計算 perm = permutation_importance(rf, X, y, n_repeats=10, random_state=2025, n_jobs=-1) # 重要度の平均と標準偏差 perm.importances_mean # shape: (n_features,) perm.importances_std # shape: (n_features,) # shap ライブラリが利用可能な場合 # import shap # explainer = shap.TreeExplainer(rf) # shap_values = explainer.shap_values(X) # shap.summary_plot(shap_values, X, feature_names=FEATURE_COLS)

5. ICT研修 × デジタル教科書の交互作用

前節のSHAP値でICT研修とデジタル教科書配備率がともに上位に来た結果を踏まえると、 両者が単独でなく組み合わさることで効果が増幅される交互作用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SHAP相互作用値（SHAP interaction）または部分依存プロットに着目した。 研修が普及した自治体ほどデジタル教科書の効果が大きいという結果が期待される。

交互作用分析
図4：ICT研修 × デジタル教科書の交互作用分析。 左：グループ別の平均正答率（ICT研修高 vs 低）。ICT研修が高い群ではデジタル教科書整備率の上昇に伴い正答率が改善。 右：RF予測面の等高線（右上ほど正答率が高い → 高整備×高研修の組み合わせが最良）。

交互作用効果とは

交互作用効果とは、ある変数の効果が別の変数の値によって変わること。 この研究では「デジタル教科書の整備率が高くなるほど学力が上がる」という単純な関係は見られず、 ICT研修の受講率が高い都道府県でのみデジタル教科書の正の効果が見られる。

線形交互作用モデル（参考）： y = β₀ + β₁×デジタル教科書 + β₂×ICT研修 + β₃×（デジタル教科書×ICT研修）+ ε β₃ > 0 → 正の交互作用（両変数が高い場合に相乗効果） β₃ < 0 → 負の交互作用（片方が高いと他方の効果が打ち消される） 機械学習（RF等）では、この交互作用を自動的に・非線形に学習できる
政策的含意：ICT研修なきデジタル化は逆効果リスク デジタル教科書を整備しても、教員の ICT スキルが不足していると、 活用できずに効果が出ない（場合によっては授業の質が低下する）。 ハード整備（機器・教科書）とソフト整備（研修・授業設計能力）を同時に進めることが重要。

DS学習ポイント 3

RF予測面（等高線プロット）で交互作用を可視化

# 2変数のグリッドを作成し、他変数を平均固定でRF予測 dt_grid = np.linspace(0, 95, 50) ict_grid = np.linspace(20, 90, 50) DT, ICT = np.meshgrid(dt_grid, ict_grid) # 全サンプルの平均値で固定 X_grid = np.tile(X.mean(axis=0), (50 * 50, 1)) X_grid[:, dt_idx] = DT.ravel() X_grid[:, ict_idx] = ICT.ravel() pred_grid = rf.predict(X_grid).reshape(50, 50) # 等高線プロット plt.contourf(DT, ICT, pred_grid, levels=20, cmap='RdYlGn') plt.colorbar(label='予測正答率') plt.xlabel('デジタル教科書整備率（%）') plt.ylabel('ICT研修受講率（%）')

6. 分析結果と政策的含意

モデル評価の比較

モデル 5-fold CV R² CV RMSE 特徴
Random Forest 〜0.75 〜2.5pt 安定した汎化性能・解釈しやすい
Gradient Boosting（XGB代替） 〜0.78 〜2.3pt やや高精度・ハイパーパラメータ調整が重要
Extra Trees（LGB代替） 〜0.72 〜2.7pt 高速・ランダム性強く外れ値に頑健

上位の重要変数（Permutation Importance 上位）

順位変数名方向性解釈
1 財政力指数 正 財政が豊かな都道府県ほど学力が高い傾向
2 ICT研修受講率 正 教員の ICT スキルが学力に正の影響
3 消費支出中教育費割合 正 家庭の教育投資意欲が学力を押し上げる
4 デジタル教科書整備率 非線形 単独効果は曖昧、ICT研修との組み合わせで効果
5 ICT機器利用率 正 授業でのICT活用が学力に正の影響
論文の主要知見（参考）
  • デジタル教科書単独の効果は非線形・逆U字型（高整備地域では逆効果の懸念）
  • ICT研修との正の交互作用が確認され、「研修なき導入は効果薄」
  • 財政力指数が最も影響力が大きく、教育格差の根幹には財政力の差がある
  • 機械学習モデルは線形回帰では捉えられない非線形・交互作用効果を自動で学習

7. データサイエンス学習まとめ

手法目的Pythonでの実装
Random Forest バギングによるアンサンブル予測 sklearn.ensemble.RandomForestRegressor
Gradient Boosting ブースティングによる逐次改善 sklearn.ensemble.GradientBoostingRegressor
交差検証（CV） 汎化性能の公正な評価 cross_val_score(cv=KFold(5))
Permutation Importance SHAP値の代理・変数重要度 sklearn.inspection.permutation_importance
Dependence Plot 特徴量 × 予測値の非線形関係 散布図 + 二次回帰曲線で近似
交互作用プロット 2変数の相乗・相殺効果の可視化 plt.contourf()で予測面を等高線表示
合成パネルデータ生成 実データ入手困難時の代替手段 np.random.default_rng(seed)
機械学習 vs 統計的回帰の使い分け
観点 重回帰（統計） 機械学習（RF等）
目的「なぜ」（因果推論・説明）「何が」（予測・変数重要度）
仮定線形性・正規性等の仮定が必要仮定が少ない（ノンパラメトリック）
交互作用明示的に項を追加する必要自動的に学習する
解釈係数・p値で直感的SHAP値・重要度で解釈
過学習変数が少なければ起きにくい適切な正則化・CVが必要
この論文から学べる重要な考え方
  • 複数モデルの比較：1つのモデルだけでなく複数で一致する知見を探す（ロバストネス確認）
  • 解釈可能な機械学習（Explainable AI）：予測精度だけでなく「なぜその予測をしたか」を説明する
  • 非線形・交互作用効果：政策変数の効果は他の条件に依存することが多い → 単純な線形モデルでは見落とす
  • 合成データの活用：実データがない場合でも手法の検証・学習ができる
教育的価値（この分析から学べること）
  • デジタル教科書の効果検証：学力への影響を機械学習×SHAPで分析する先端的手法。
  • SHAP（SHapley Additive exPlanations）：ゲーム理論ベースの変数寄与度。機械学習モデルを解釈可能にする XAI 手法の代表。
  • 教育介入の効果測定：RCTが理想だが現実的に困難。観察研究で代替する場合の限界を意識する。

データ・コードをダウンロード

分析スクリプトをダウンロードして実行すると、合成データを自動生成して全図を出力します。
外部データのダウンロードは不要です。

分析スクリプト（2025_U5_3_shorei.py）
必要ライブラリ：numpy pandas matplotlib scipy sklearn
任意（高精度版）：shap xgboost lightgbm
実行方法：python3 2025_U5_3_shorei.py（合成データを自動生成して図を保存）

⚠️ 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。
ノンパラメトリック
データが正規分布などの特定の分布に従うことを仮定しない手法。順位やランクを使って検定する。外れ値や歪んだ分布に頑健。
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。
🔗 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。
🔬 Kruskal-Wallis検定
何？
3グループ以上の間に統計的な差があるかを検定するノンパラメトリック手法（正規分布を前提としない）。
どう使う？
全データを合体して順位をつけ、グループ間の順位平均値の差をH統計量で検定する。
何がわかる？
「医師数の少・中・多の県で死亡率に差があるか」を分布の形に関わらず検定できる。
結果の読み方
p < 0.05 でグループ間に有意差あり。どのグループ間に差があるかは Dunn 検定などで追加確認する。
⚠️ 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。
🌲 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
女性の社会進出を支援する環境要因分析と改善案の提言
次の論文 →
日本の人口変動の要因分析（パネルデータ分析とランダムフォレス…