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）

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トを用いて

⏱️ 推定読了時間: 約36分
遠山修生・降籏直二郎・HOANG THI MY LINH （信州大学 経法学部）
📝 3行で分かる要約

目次

  1. 研究概要と問題意識
  2. データの取得と構造
  3. Step 1: モデル選択（BP検定 + Hausman検定）
  4. Step 2: 固定効果パネル回帰の結果
  5. Step 3: ランダムフォレスト（5分割CV + 特徴量重要度）
  6. まとめ・政策的含意
  7. データ・コードのダウンロード
  8. 📥 データの準備
  9. 💼 実社会での応用
  10. ⚠️ よくある誤解
  11. 📖 用語集
  12. 📐 手法ガイド
  13. 🚀 発展の可能性
  14. 🎯 自分でやってみよう
  15. 🤔 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_U5_4_shorei.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_U5_4_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

日本の総人口は2008年の1億2808万人をピークに減少を続け、2022年時点では約1億2477万人と10年余りで330万人以上が失われた。地方においては人口流出・少子高齢化がさらに深刻で、都道府県間の格差も拡大している。

まず「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トを用いて」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。

本研究では「何が都道府県の人口増減率を規定するのか」を問い、単なる記述統計を超えて因果関係に迫るために、（1）パネルデータの固定効果回帰と（2）機械学習のランダムフォレストという2つのアプローチを組み合わせて分析した。

分析の流れ（2ステップアプローチ）
BP検定
（個体効果の検定）
→
Hausman検定
（FE vs RE）
→
固定効果
パネル回帰
+
ランダム
フォレスト
→
政策的
含意
論文の位置づけ パネルデータの固定効果モデルとランダムフォレストの双方を用いることで、線形モデルの解釈可能性と機械学習の非線形関係の検出力を組み合わせた。両手法で重要とされた変数の頑健性が本研究の強みである。

データの取得と構造

データソース

データ出典主な変数期間
SSDSE-B 都道府県別時系列 統計数理研究所 保育所等数・幼稚園数・病院数・有効求人数・婚姻件数・住宅地価格・各種消費支出 2013〜2022
人口増減率 e-Stat 住民基本台帳・人口推計 自然増減率 + 社会増減率（‰） 2013〜2022
在留外国人数 e-Stat 在留外国人統計（法務省） 都道府県別在留外国人数 2013〜2022
刑法犯認知件数 e-Stat 刑事統計（警察庁） 都道府県別刑法犯認知件数 2013〜2022
パネルデータの構造 47都道府県（N=47）× 2013〜2022年（T=10）= 470観測値。 目的変数は1人当たり人口増減率（単位：‰ = 人口千人当たり）。 すべての説明変数はZ-score標準化済みで、係数の大きさが変数間の相対的重要度を表す。

変数一覧（18説明変数）

変数カテゴリ変数名予想される符号
施設・社会インフラ 保育所等数正（子育て支援 → 人口増）
幼稚園数正
医療施設数（一般病院）正
労働・経済 有効求人数正（雇用機会 → 転入）
住宅地価格負（生活コスト高 → 転出）
各種消費支出（5変数）混在
社会的要因 在留外国人数正（多様化・活力）
刑法犯認知件数負（治安悪化 → 転出）
婚姻件数正（定住の促進）
人口増減率の時系列推移
図1：47都道府県の人口増減率（‰）の推移（2013〜2022年）。全国的に減少トレンドがある中、東京・沖縄は相対的に高く、秋田・青森は低い。
📌 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。
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の文化・風土・自然環境は観測できないが人口増減と相関しており、無視すると説明変数の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検定によるモデル選択を用いる。 両検定とも固定効果モデルが選ばれる結果が期待される。

なぜパネルモデルの選択が重要か

パネルデータの分析では、観測できない都道府県固有の特性（地域の文化・風土・自然環境など）が目的変数と説明変数の両方に影響している可能性がある。この「潜在変数バイアス」を適切に処理するために、検定を通じてモデルを選択する。

yit = αi + xitβ + εit

αi：都道府県 i の固有効果（観測不能な不変要因）
xit：時点 t の標準化済み説明変数ベクトル（18変数）

Breusch-Pagan (BP) 検定：個体効果の存在確認

「個体固有効果は存在しない（Pooled OLS で十分）」という帰無仮説を検定する。

BP検定の結果 χ² = 284.3, df = 46, p < 0.001 → 個体固有効果が有意に存在 → Pooled OLS は不適切

Hausman 検定：固定効果 (FE) vs 変量効果 (RE)

変量効果（RE）モデルは「個体固有効果 αi と説明変数が無相関」という強い仮定を置く。この仮定が成立しない場合、RE推定量はバイアスを持つため FE を使用すべきである。

H = (β̂FE − β̂RE)ᵀ [V(β̂FE) − V(β̂RE)]−1 (β̂FE − β̂RE) ～ χ²(k)
Hausman検定の結果 χ² = 21.3, df = 13, p = 0.012
→ H₀「個体効果と説明変数は無相関（RE が一致推定量）」を棄却 → 固定効果（FE）モデルを採用
モデル選択フロー
図2：パネルモデル選択の手順。BP検定で個体効果の存在を確認し、Hausman検定で固定効果モデルが適切と判断した。

DS LEARNING POINT 1

固定効果モデルとは何をしているか

固定効果モデルは、各都道府県の「平均からの乖離」（Within変換）を分析する。つまり、「東京都の観測値 − 東京都の全期間平均値」という変換を行い、都道府県固有の不変要因（地理・文化・政策の慣性など）を事前に除去した上で回帰する。

from linearmodels.panel import PanelOLS import statsmodels.api as sm # Two-way 固定効果（個体 + 時間の両方を制御） # linearmodels でのパネル推定 df_panel = df.set_index(['pref_id', 'year']) y = df_panel['pop_change_rate'] X = sm.add_constant(df_panel[Z_VARS]) fe_model = PanelOLS(y, X, entity_effects=True, # 個体（都道府県）固定効果 time_effects=True # 時間（年度）固定効果 ).fit(cov_type='robust') # HC ロバスト標準誤差 print(fe_model.summary)
2
固定効果パネル回帰の結果

前節のBP/Hausman検定でTwo-way固定効果モデルが選好された結果を踏まえると、 都道府県と年度の固定効果を統制した上で、保育・雇用・治安などの効果を比較できる段階であると考えられる。 これを検証する必要があるが、その手法としてZ-score標準化済み変数によるTwo-way FE回帰に着目した。 保育所数・有効求人数が正、治安・地価が負と仮説どおりの効果が見える結果が期待される。

個体固定効果 + 時間固定効果（Two-way FE）モデルでの推定結果を示す。全変数はZ-score標準化済みであるため、係数の絶対値が変数の相対的重要度を表す。

主要な回帰結果

変数係数標準誤差p値解釈
保育所等数+0.480.180.008 **保育施設 → 子育て支援 → 人口増
有効求人数+0.620.210.004 **雇用機会 → 転入促進
在留外国人数+0.350.140.013 *多様性・活力の指標
婚姻件数+0.410.160.011 *定住意向の指標
刑法犯認知件数−0.520.190.007 **治安悪化 → 転出・転入抑制
住宅地価格−0.380.150.012 *生活コスト高 → 転出
年度ダミー（2014〜2022）全て負—<0.05全国的な人口減少トレンド
一般病院数+0.120.220.580非有意
消費支出（総額）+0.080.280.780非有意
モデルの適合度 R² = 0.742、調整済みR² = 0.693、観測数 = 470（47都道府県 × 10年）
人口増加要因（正の効果）
保育所等数
+0.48**
子育て支援の整備が
人口流入につながる
人口増加要因（正の効果）
有効求人数
+0.62**
雇用機会の多い地域に
人口が集まる
人口減少要因（負の効果）
刑法犯認知件数
−0.52**
治安の悪化が
人口流出を促進する
固定効果回帰の係数プロット
図3：固定効果モデルの回帰係数（±95%信頼区間）。緑色は有意な正の効果（人口増加要因）、赤色は有意な負の効果（人口減少要因）。
📌 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。

DS LEARNING POINT 2

年度ダミーの「一貫して負」の解釈

Two-way FE では基準年（2013年）を1として年度ダミーを投入する。2014〜2022年の年度ダミーが全て有意に負であることは、「全国共通の人口減少トレンド」が存在することを意味する。これは少子化・高齢化という全国的な構造変化を反映している。

# 年度ダミーの係数（参考値） # 2014年: -0.28*, 2015年: -0.55*, 2016年: -0.72** # 2017年: -0.95**, 2018年: -1.12**, 2019年: -1.38*** # 2020年: -1.65***, 2021年: -1.88***, 2022年: -2.15*** # → 年を経るごとに全国的な人口減少が加速していることを示す
3
ランダムフォレスト（5分割CV + 特徴量重要度）

前節の線形FEモデルで主要変数の効果方向が確認できた結果を踏まえると、 変数間の非線形な関係や交互作用効果が見落とされ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5分割交差検証付きのランダムフォレストとPermutation Importanceに着目した。 線形モデルと非線形モデルの両方で共通して重要と判定される変数が浮かび上がる結果が期待される。

固定効果回帰は線形モデルであり、交互作用や非線形関係を捉えることができない。ランダムフォレストは決定木の集合体であり、変数間の複雑な関係や非線形効果を自動的に学習できる。両手法を比較することで、線形・非線形両面から変数の重要度を確認した。

5分割交差検証（k-fold CV）

データを5分割し、4つで訓練・1つでテストを繰り返すことで、過学習を検出する。

評価指標平均標準偏差評価
R²（テストセット）0.6230.058FEモデルより低いが、非線形関係を含む
RMSE（‰）1.8420.2151人口増減率の誤差範囲
FE vs RF のR²の違いについて 固定効果モデルのR²（0.742）がRFのCV-R²（0.623）より高い理由は、FEが47×10=470の固定効果ダミーを用いてデータに適合しているためである。FEのR²はトレーニングデータへの適合度であり、RFの交差検証R²は汎化性能を測っている。比較には注意が必要。

Permutation Importance（特徴量重要度）

学習済みモデルで、特定の変数の値をランダムにシャッフルしたときのR²の低下量（=その変数がなくなったときの性能劣化）を30回繰り返して平均した値。パネル回帰とは独立したアプローチで変数の重要度を評価する。

ランダムフォレスト特徴量重要度
図4：ランダムフォレストの変数重要度（左: Permutation Importance、右: 5分割交差検証のFold別R²スコア）。有効求人数・婚姻件数・保育所等数は両手法で一貫して重要。

DS LEARNING POINT 3

Permutation Importance の実装

sklearn の permutation_importance は、特定の変数列をランダムシャッフルしてモデルに予測させ、R²の変化量を測定する。変数の列をシャッフルすることで「その変数の情報」を壊し、モデルがどれだけ依存していたかを逆算する。

from sklearn.inspection import permutation_importance # n_repeats=30: 30回シャッフルを繰り返して平均・標準偏差を計算 perm_imp = permutation_importance( rf, X_test, y_test, n_repeats=30, # 繰り返し回数（多いほど安定） random_state=2025 ) imp_mean = perm_imp.importances_mean # 各変数のR²低下量の平均 imp_std = perm_imp.importances_std # 標準偏差（信頼性の指標） # 解釈: imp_mean が大きい変数ほど予測に重要 # 負の値: ランダムシャッフルで逆にスコアが上がった（偶然の揺れ）

両手法で共通して重要な変数

パネル回帰 + ランダムフォレストで頑健に重要と示された変数
  • 有効求人数（正）: 雇用機会の確保が人口維持の最重要要因
  • 婚姻件数（正）: 結婚・定住の促進が長期的人口基盤に寄与
  • 保育所等数（正）: 子育て支援インフラが若年層の転入・残留を促進
  • 在留外国人数（正）: 外国人の受け入れが人口規模維持に貢献
  • 刑法犯認知件数（負）: 治安悪化は転出を誘発する強力な要因

まとめ・政策的含意

分析の結論

47都道府県 × 10年のパネルデータ（470観測値）を、固定効果モデルとランダムフォレストで分析した結果：

  1. BP検定・Hausman検定により固定効果モデルが適切と判断。
    都道府県固有の不変要因（地域特性・文化）が人口増減率に影響を与えており、これを除去した上での分析が必要。
  2. 固定効果モデルの結果：R² = 0.742
    有効求人数・保育所等数・在留外国人数・婚姻件数（正）、刑法犯認知件数・住宅地価格（負）が有意。
  3. 年度ダミーは一貫して負：
    全国的な人口減少トレンドは構造的問題であり、個別地域の政策効果を超えたマクロレベルの対策が必要。
  4. ランダムフォレストのCV-R² = 0.623、変数重要度が回帰結果と整合的。
    非線形モデルでも同様の変数が重要であることで、分析の頑健性が確認された。

政策的含意

地方創生政策への示唆
  • 保育所等の整備（子育て支援）: 若年層の転入・残留に直結する最も効果的な投資
  • 雇用機会の確保（有効求人数の増加）: 産業誘致・起業支援が人口維持の基盤
  • 治安の維持（刑法犯認知件数の抑制）: 安心・安全な環境づくりが転出抑制に有効
  • 外国人受け入れ政策: 少子化が深刻化する中、在留外国人の定住促進も現実的選択肢
分析の限界と今後の課題
  • 因果推論: 固定効果モデルで一部バイアスを除去するが、操作変数（IV）等のより厳密な因果識別が望ましい
  • データ期間: 2013〜2022年の10年間に限定。コロナ禍（2020〜2022）の影響が含まれる
  • 市区町村レベル: 都道府県集計では地域内格差が見えない。市区町村データでの再分析が有益

DS LEARNING POINT 4

線形モデルと機械学習の相補的活用

固定効果回帰とランダムフォレストは目的が異なる。FEは統計的な有意性（p値）と信頼区間を与え「説明」に強い。RFは予測精度と非線形関係の検出に強い。両者を使うことで：(1) FEで有意な変数を特定→(2) RFで変数の重要度順位を確認→(3) 両方で重要な変数に政策的注目、という頑健な分析設計が可能になる。

# 推奨ワークフロー # Step1: パネル固定効果回帰で「有意変数」を統計的に特定 # Step2: ランダムフォレストで「重要変数」を機械学習的に特定 # Step3: 両方に登場する変数 → 線形・非線形ともに頑健な効果 # ポイント: 5分割CVは必ず実装する（過学習の検出） cv_r2 = cross_val_score(rf, X, y, cv=KFold(n_splits=5, shuffle=True), scoring='r2') print(f"CV R²: {cv_r2.mean():.3f} ± {cv_r2.std():.3f}")
教育的価値（この分析から学べること）
  • ランダムフォレスト：決定木のアンサンブル学習。非線形・交互作用も捉えられる強力な予測モデル。
  • 変数重要度：ランダムフォレストから各変数の予測寄与度を計算できる。回帰係数の機械学習版。
  • 人口変動の構造：自然増減と社会増減の2成分。それぞれの要因が違うので分けて分析する。

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_U5_4_shorei.py を実行すると全図・全結果を再現できます。

● Pythonスクリプト

分析スクリプト（2025_U5_4_shorei.py）

SSDSE-B-2026.csv を読み込んでパネル回帰・ランダムフォレスト・全図を生成するスクリプト。
必要ライブラリ: numpy, pandas, matplotlib, statsmodels, linearmodels, scikit-learn, scipy

● 必要なデータ

SSDSE-B-2026.csv

● データ出典

データ出典
SSDSE-B（都道府県別時系列）統計数理研究所 SSDSE 2026年版
人口増減率e-Stat 住民基本台帳に基づく人口・人口動態・世帯数（総務省）
在留外国人統計e-Stat 在留外国人統計（法務省 出入国在留管理庁）
刑法犯認知件数e-Stat 警察統計（警察庁）
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（大学生）｜ 遠山修生・降籏直二郎・HOANG THI MY LINH（信州大学経法学部）

⚠️ 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。
📅 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。
🌲 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
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
次の論文 →
人口動態の地域差に着目した基礎的分析