🔖 キーワード索引

このページ内のセクションへ素早く飛べます（クリックで該当箇所へジャンプ）：

「横断面データ (cross-sectional data)」は同一時点で複数主体を観測したデータ形式。 47 都道府県 × 1 時点、 1000 世帯 × 1 調査回など。 時系列データ・パネルデータと対比される。 本ページでは横断面データの定義・標本抽出設計・回帰分析の前提・時系列との違い・パネルへの拡張を整理する。

これらのキーワードは「同一時点の複数主体観測 → i.i.d. 仮定 → OLS / GLM の適用 → パネル化で因果推論へ」という横断面データの典型的学習動線を構成する。

🎨 直感で掴む — 横断データとは何者か

横断データとは「同じ時点での複数主体 (47 都道府県・1000 人の回答者・100 社の財務指標) を 1 枚の表に並べたデータ」。 縦軸は時間ではなく 主体。 SSDSE-B-2026 の 2023 年スライス (47 行 × 多変量) はまさに横断データで、 OLS 回帰や PCA の入力として直接使える。 「2010 年から 2023 年までの推移」のように時間方向に伸ばすと時系列、 両方を持つとパネルデータと呼び方が変わる。

🎮 触って理解する — 同じデータを3通りに切る

SSDSE-B-2026 は実は 47都道府県 × 12年（2012〜2023年）＝ 564観測 の大きな箱です。 この同じ箱からどの断面を切り出すかで、 分析単位も「言えること」も変わります。 下のボタンで 横断 / 時系列 / パネル を切り替え、 グリッド上でどこがハイライトされるかを体感してください（セルをタップすると切り出す年・県を変えられます）。 数値は A1101（総人口・万人）の実測値です。

※表示は6県の抜粋。実際のSSDSE-B-2026は全47県×12年＝564行。数値は総人口（万人・実測）。

📋 3構造 → 何が分析できるか（対応表）

図で見る — 同じ高齢化率を 3 通りに切る

上の表の切り方を、高齢化率（65 歳以上人口 ÷ 総人口）の実データで図にしました。同じ 564 個の数値でも、どこを切り出すかで見えるものがまったく違います。

左の横断図が答えられるのは「2023 年度にどの県の高齢化率が高いか」だけで、秋田県が 12 年で 8.4 ポイント上がったこと（中の図）は左の図のどこにも写っていません。右のパネル図を見ると、県の順位はほとんど入れ替わらずに全体が右上がりに動いていることが分かります。横断面で見つけた県の間の差と、時間とともに起きる変化は、別々の量として扱う必要があります。

📐 数式・定義

横断データは「ある時点 $t_0$ における複数個体 $i$ の観測集合」として形式化される。 時間添字 $t$ が固定 (実質ない) 点が、 時系列・パネルとの本質的な違い。

① 形式: $$ D_{\text{cross}} = \{(y_i, \mathbf{x}_i) \mid i=1,2,\dots,n\}, \quad t = t_0 \text{ (固定)} $$

② 平均・分散・相関といった個体間集計量を計算する: $$ \bar{y} = \frac{1}{n}\sum_{i=1}^{n} y_i, \quad s_{xy} = \frac{1}{n-1}\sum_{i=1}^{n}(x_i - \bar{x})(y_i - \bar{y}) $$

③ パネルとの対比: $D_{\text{panel}} = \{(y_{it}, \mathbf{x}_{it}) \mid i=1\dots n, t=1\dots T\}$。 添字が 1 本減ることで「同一個体の時間内変化」を追えない代わり、 同一時点での多個体比較に専念できる。

📐 横断面データの厳密定義と典型例

横断面データ（Cross-sectional Data）とは、 「ある特定時点（または短期間）に、 複数の主体（個人・企業・地域など）について同時に観測された」データです。 主体添字 $i$ のみを持ち、 時間添字 $t$ を持たない（または固定）点が特徴です。

🔬 数式を言葉で読み解く（その 1：3 つのデータ構造比較）

SSDSE-B-2026 は典型的な横断面データで、 「2026 年公表時点での 47 都道府県」を切り取った断面です。 時間的変動は捕えられないので、 推論できるのは「時点間の差異」ではなく「主体間の差異」になります。

🔬 数式・定義を「言葉」で読み解く

先ほどの数式・定義に出てきた記号や概念を、 一つずつ確認します。 とくに 横断データ の文脈で意味を取り違えやすい部分を強調します。

横断データの記号は「個体添字 $i$ が存在し時間添字 $t$ が存在しない（または固定）」が判別の鍵です。 $y_{it}$ のように添字が 2 本ある式はパネル、 $y_t$ のように $t$ のみは時系列で、 横断データを混同すると「同じ個体が時点間でどう変化したか」を推定しようとして失敗します。 $n$（個体数）と $N$（母集団サイズ）の区別、 $s^2$（標本分散）と $\sigma^2$（母分散）の区別も論文ごとに確認してください。

🔬 数式を言葉で読み解く（その 2：横断面 OLS の前提）

横断面データに OLS（最小二乗法）を適用する典型モデルは：

OLS が一致推定量となるためには、 以下のガウス・マルコフ前提を満たす必要があります：

1. 線形性：$y_i$ は $\beta_j$ について線形
2. 無作為標本：$(y_i, x_i)$ は i.i.d.
3. 外生性：$E[\varepsilon_i | x_i] = 0$（誤差項と説明変数が無相関）
4. 不偏分散：$\mathrm{Var}(\varepsilon_i | x_i) = \sigma^2$（均一分散）
5. 共線性なし：$X$ の階数がフル

SSDSE のような都道府県横断面では、 とくに「無作為標本」が成立しません。 47 都道府県は「全数」であり、 母集団からのランダムサンプルではないのです。 推論の解釈は「その年度 (例: 2023 年度) の県間構造」に限定する必要があります。

また、 均一分散の仮定は「大都市は分散大、 地方は分散小」のような場面で破れがちで、 横断面では White の不均一分散頑健標準誤差を使うのが定番です：

🔬 数式を言葉で読み解く（その 3：横断面で因果が言えない理由）

横断面 OLS の係数 $\hat\beta_j$ は「他の変数を一定としたときの $x_j$ と $y$ の相関」ですが、 これを因果と読むには「条件付き独立性」が必要です：

この前提が破れる典型ケース：

• 省略変数バイアス：未観測の交絡因子 $u$ が $y$ と $x$ 両方に影響。 例：「県の子育て支援策・産業構造」は SSDSE-B に指標として無いが、 出生率 A4103 と住宅着工 C3301 の両方に影響しうる
• 逆因果：$y$ が $x$ を引き起こす方向もある。 例：出生率 A4103 が高い県ほど後に年少人口 A1301 が増える（$y \to x$ の逆向き経路）
• 測定誤差：$x$ が誤差付きで観測される（attenuation bias）
• セレクション：観測される主体が母集団からの無作為抽出でない

横断面データのみで因果を主張するには、 道具変数（IV）、 回帰不連続デザイン（RDD）、 傾向スコアマッチング（PSM）、 差分の差分（DID、 ただしパネルが必要）などの工夫が必要です。

SSDSE のように 1 時点 47 県の限定状況では、 因果より「関連の構造記述」「仮説生成」「予測モデル構築」に留めるのが誠実な姿勢です。

🧮 SSDSE-B 実値で計算してみる

横断データの最初の一歩は、 同じ年度の複数の県を並べて代表値と散らばりを求めること。 この章では 2023 年度の 5 道府県の合計特殊出生率で平均と標本標準偏差を手で計算し、 同じ計算を Python で再現して一致を確かめる。

🧮 数式に値を入れて手で計算する: クロスセクション平均と分散

クロスセクションデータの典型例として、 SSDSE-B-2026 の同一年度 (2023 年度) における 5 道府県の合計特殊出生率 (A4103) を並べ、 同時点スナップショットの代表値 (平均・標本標準偏差) を求める (時間方向の集約は行わない)。

Step 1: 5 県データ

Step 2: 平均と標本標準偏差

🐍 Python で再現

1
2
3
4
5
6
7

import numpy as np
# SSDSE-B-2026 の 2023 年度・合計特殊出生率（A4103）: 北海道, 秋田県, 東京都, 大阪府, 沖縄県
x = np.array([1.06, 1.10, 0.99, 1.19, 1.60])
print(f"合計: {x.sum():.2f}")
print(f"平均: {x.mean():.3f}")
print(f"偏差平方和: {((x - x.mean())**2).sum():.5f}")
print(f"標準偏差 (標本): {x.std(ddof=1):.4f}")

📤 実行結果

💬 手計算 (Step 2) の平均 1.188・偏差平方和 0.23308・s = 0.2414 と Python 出力が一致。 偏差平方和 0.233 のうち 0.170 (73%) は沖縄県 1 県から来ており、 5 県の横断データでは 1 県の値が散らばりの大半を決めてしまうことが分かる。

🐍 Python 実装

以下は 横断データ を SSDSE-B-2026 で扱うときの典型コード。 encoding='cp932' は政府統計の Shift-JIS 対応。 skiprows=1（header=1 と同じ）は 1 行目の英字コード行を飛ばし、2 行目の日本語項目名を列名にする定石。

① 基本パターン（読み込み・確認・主要列抽出）

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21

import pandas as pd

# 横断データ に関連する SSDSE-B-2026 分析の基本パターン
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', header=1)
# 見出しの下に地域コード以外の行が混ざるので、47 都道府県だけ残して数値に直す
df = df[df['地域コード'].astype(str).str.match(r'^R\d{5}$', na=False)].copy()
for _c in df.columns[3:]:
    df[_c] = pd.to_numeric(df[_c], errors='coerce')

# 横断データ = ある 1 時点の断面。12 年度が縦に積まれているので 2023 年度だけ切り出す
df = df[df['年度'] == 2023].copy()

print(df.shape)            # (47, 112) = 2023 年度の 47 都道府県
print(df.dtypes.head(10))
print(df.describe().T.head(10))

# 主要列にエイリアス
df['総人口'] = df['総人口']
df['65歳以上'] = df['65歳以上人口']
df['高齢化率'] = df['65歳以上'] / df['総人口'] * 100
print(df[['都道府県','総人口','高齢化率']].head())

💬 2023 年度だけを切り出すと (47, 112) になり、年度列の標準偏差が 0（全行 2023）であることが「1 時点の断面」になった証拠。総人口は平均 264.6 万人に対し中央値 154.9 万人で、少数の大都市県が平均を押し上げる横断データ特有の右裾の形が出ている。head の北海道 33.0%・秋田県 39.1%・宮城県 29.2% のように、横断データでは県同士の差を比べるのが基本の見方になる。

③ 前処理：欠損・外れ値・型変換

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36

import pandas as pd
import numpy as np

# 横断データ に関わる前処理の典型パターン
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', header=1)

# 見出しの下に地域コード以外の行が混ざるので、47 都道府県だけ残して数値に直す
df = df[df['地域コード'].astype(str).str.match(r'^R\d{5}$', na=False)].copy()
for _c in df.columns[3:]:
    df[_c] = pd.to_numeric(df[_c], errors='coerce')

# 横断データ = ある 1 時点の断面。12 年度が縦に積まれているので 2023 年度だけ切り出す
df = df[df['年度'] == 2023].copy()

# ① 欠損値の確認
print('欠損数:')
print(df.isna().sum().sort_values(ascending=False).head(10))

# ② 数値変換（カンマ・%除去 など）
def to_num(s):
    if isinstance(s, str):
        return float(s.replace(',', '').replace('%', ''))
    return s
_num_cols = [c for c in df.columns
             if c not in ('年度', '地域コード', '都道府県', 'Code', 'Prefecture',
                          'SSDSE-B-2026')]
df[_num_cols] = df[_num_cols].apply(lambda col: col.map(to_num))

# ③ 外れ値検出（IQR）
# 地域コードや都道府県名は大小比較できないので、数値の列だけで判定する
_num = df.select_dtypes(include='number')
q1 = _num.quantile(0.25)
q3 = _num.quantile(0.75)
iqr = q3 - q1
outlier_mask = ((_num < q1 - 1.5*iqr) | (_num > q3 + 1.5*iqr)).any(axis=1)
print('外れ値を含む行数:', outlier_mask.sum())

💬 2023 年度の 47 行で欠損は 0、外れ値を含む県は 22 県。東京都は 92 列、大阪府は 86 列で外れているのに対し、青森県は年平均気温、岐阜県は交通・通信費の 1 列だけで引っかかっており、同じ「外れ値あり」でも中身がまったく違う。横断データでは県の規模差がそのまま外れ値になるので、人口当たりに直してから判定し直すと本当に特殊な県が見えてくる。

④ 検定・推定の最小例（scipy.stats）

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24

import pandas as pd
from scipy import stats

# 横断データ 文脈での基本的な仮説検定
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', header=1)
# 見出しの下に地域コード以外の行が混ざるので、47 都道府県だけ残して数値に直す
df = df[df['地域コード'].astype(str).str.match(r'^R\d{5}$', na=False)].copy()
for _c in df.columns[3:]:
    df[_c] = pd.to_numeric(df[_c], errors='coerce')

# 横断データ = ある 1 時点の断面。12 年度が縦に積まれているので 2023 年度だけ切り出す
df = df[df['年度'] == 2023].copy()

df['aging']  = df['65歳以上人口'] / df['総人口'] * 100
df['region'] = df['都道府県'].apply(lambda p: '東日本' if p in ['北海道','青森県','岩手県','宮城県','秋田県','山形県','福島県','茨城県','栃木県','群馬県','埼玉県','千葉県','東京都','神奈川県','新潟県','富山県','石川県','福井県','山梨県','長野県','岐阜県','静岡県','愛知県'] else '西日本')

east = df.loc[df['region']=='東日本', 'aging']
west = df.loc[df['region']=='西日本', 'aging']

t, p = stats.ttest_ind(east, west, equal_var=False)
print(f'東日本 平均高齢化率: {east.mean():.2f}%')
print(f'西日本 平均高齢化率: {west.mean():.2f}%')
print(f't = {t:.3f}, p = {p:.4f}')
print('判定:', '有意差あり' if p < 0.05 else '有意差なし')

💬 2023 年度という 1 時点の断面で比べると、東日本 31.18%・西日本 31.97%、t = −0.804、p = 0.43 で有意差なし。12 年度を積んだ 564 行で検定すると t = −2.81、p = 0.005 と「有意」になっていたが、それは同じ県を 12 回数えただけで、横断データとパネルデータを取り違えた典型例。年度の違いまで使いたいなら、県を単位にした固定効果などパネルの手法に切り替える。

※ より高度な例（クロス集計、 機械学習、 ベイズ推定）は data-types のグループ教材を参照。

🐍 SSDSE-B-2026 で典型的な横断面回帰

このコードでやること：SSDSE-B-2026（47 都道府県の典型的横断面データ）で「合計特殊出生率」を被説明変数として OLS を実行し、 通常標準誤差と White の頑健標準誤差を比較します。

📥 入力データ：47 都道府県、 6 指標（A1101 総人口・A1301 年少人口〈15歳未満人口〉・B4101 年平均気温・C3301 着工建築物数・E3501 中学校生徒数・E3701 中学校卒業者数）。 被説明変数は A4103 合計特殊出生率。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17

import numpy as np
import pandas as pd
import statsmodels.api as sm

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1]).query('`SSDSE-B-2026` == 2023')
features = ['A1101','A1301','B4101','C3301','E3501','E3701']
X = df[features].astype(float)
y = df['A4103'].astype(float)   # 合計特殊出生率

X = sm.add_constant(X)
res_ols = sm.OLS(y, X).fit()
print(res_ols.summary().tables[1])

# White の不均一分散頑健標準誤差 (HC1)
res_hc1 = sm.OLS(y, X).fit(cov_type='HC1')
print('--- HC1 (Robust SE) ---')
print(res_hc1.summary().tables[1])

📤 実行例：

💬 通常 SE でも頑健 SE (HC1) でも、 総人口 A1101（負・規模が大きい県ほど出生率が低い）と 年平均気温 B4101（正・温暖な県ほど出生率が高い＝沖縄の TFR が高いことと整合）は有意なまま。 HC1 で標準誤差はやや広がるが主要な結論は頑健です。 横断面では県の規模が大きく異なるため、 頑健 SE を併記して「結論の頑健性」を確認するのが定石です。

📊 横断面 vs 時系列：何ができて何ができないか

🐍 横断面の相関と、県の中の時間変化の相関は別物 — 気温と出生率

上の表の「問える問い」の違いを、実データで確かめます。年平均気温と出生率（人口千人あたり出生数）の関係を、(1) 年度ごとの横断面、(2) 県ごとの 12 年平均を引いた「県の中の時間変化」、(3) 564 行をそのまま混ぜたもの、の 3 通りで計算します。

🎯 このコードでやること：年平均気温（B4101）と出生率（A4101 ÷ A1101 × 1000）の相関を、年度ごとの横断面（各 47 県）、県内の時間変化（県ごとに 12 年平均を引いた 564 行）、564 行をそのまま混ぜたもの、の 3 通りで計算する。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22

import pandas as pd
from scipy import stats

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df['出生率'] = df['A4101'] / df['A1101'] * 1000      # 人口千人あたり出生数
df['気温'] = df['B4101']                              # 年平均気温（℃）

# (1) 横断: 年度ごとに 47 県で相関をとる
rows = []
for y, g in df.groupby('SSDSE-B-2026'):
    r, p = stats.pearsonr(g['気温'], g['出生率'])
    rows.append((y, len(g), round(r, 3), f'{p:.1e}'))
print(pd.DataFrame(rows, columns=['年度', 'n', '横断の r', 'p']).to_string(index=False))

# (2) 県の中の時間変化: 県ごとに 12 年の平均を引いてから相関をとる
dev = df[['気温', '出生率']] - df.groupby('Code')[['気温', '出生率']].transform('mean')
print(f'県内の時間変化どうしの r = {dev.corr().iloc[0, 1]:.3f}（564 行）')
# (3) 564 行をそのまま混ぜた r
print(f'564 行をそのまま混ぜた r = {df[["気温", "出生率"]].corr().iloc[0, 1]:.3f}')
nat = df.groupby('SSDSE-B-2026').agg(気温=('気温', 'mean'), 出生=('A4101', 'sum'), 人口=('A1101', 'sum'))
print(f'47 県平均の気温 2012 {nat["気温"].iloc[0]:.2f}℃ → 2023 {nat["気温"].iloc[-1]:.2f}℃、'
      f'全国の出生率 {nat["出生"].iloc[0] / nat["人口"].iloc[0] * 1000:.2f} → {nat["出生"].iloc[-1] / nat["人口"].iloc[-1] * 1000:.2f}')

💬 年度ごとの横断面では、12 年すべてで r = 0.723〜0.774（p はすべて 10⁻⁸ 以下）と、「暖かい県ほど出生率が高い」関係が毎年はっきり出ます。ところが県の中の時間変化で見ると r = −0.726 と、符号が逆になります。この 12 年で 47 県平均の気温は 15.20℃ → 16.80℃ と上がり、全国の出生率は 8.13 → 5.85 と下がったため、どの県でも「気温が上がった年ほど出生率が低い」形になるからです。564 行をそのまま混ぜると r = 0.439 で、2 つの逆向きの関係が打ち消し合った、どちらの問いにも答えていない数字になります。

図 2 と図 3 を並べると、「気温と出生率は正の関係か負の関係か」という問い自体が、どの切り方で問うかを決めないと意味を持たないことが分かります。横断面の r = 0.77 は「暖かい地域の県は出生率が高い」という地域差の記述で、図 3 の r = −0.73 は「全国共通の時間の流れの中で、気温は上がり出生は減った」という時間方向の記述です。どちらも「気温が出生を左右する」という因果の証拠ではありません。図 3 で点が年度ごとに固まっていることから分かるとおり、時間方向の相関は、年ごとに全国で共通して動く要因（年の効果）がほぼすべてを作っています。

🐍 不均一分散の Breusch-Pagan 検定

このコードでやること：横断面 OLS で頻発する不均一分散を Breusch-Pagan 検定で確認します。 残差の二乗を説明変数で回帰し、 説明力があれば「分散が説明変数に依存している」と判定します。

📥 入力：上記 OLS の結果（残差 $\hat\varepsilon_i$）。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26

import numpy as np
import pandas as pd
import statsmodels.api as sm
from statsmodels.stats.diagnostic import het_breuschpagan, het_goldfeldquandt

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1]).query('`SSDSE-B-2026` == 2023')
features = ['A1101','A1301','B4101','C3301','E3501','E3701']
X = sm.add_constant(df[features].astype(float))
y = df['A4103'].astype(float)
res = sm.OLS(y, X).fit()

# Breusch-Pagan 検定
bp_stat, bp_pval, _, _ = het_breuschpagan(res.resid, X)
print(f'Breusch-Pagan LM 統計量: {bp_stat:.3f}')
print(f'Breusch-Pagan p 値: {bp_pval:.4f}')

# Goldfeld-Quandt 検定（A1101 で分割）
gq_stat, gq_pval, _ = het_goldfeldquandt(y, X, idx=1)
print(f'Goldfeld-Quandt F 統計量: {gq_stat:.3f}')
print(f'Goldfeld-Quandt p 値: {gq_pval:.4f}')

# 残差の絶対値と説明変数の相関
print('--- 残差絶対値 vs 説明変数 相関 ---')
for f in features:
    r = np.corrcoef(np.abs(res.resid), df[f].astype(float))[0,1]
    print(f'  |resid| vs {f}: r = {r:+.3f}')

📤 実行例：

💬 BP 検定 p=0.378、 Goldfeld-Quandt 検定 p=0.307 で いずれも 5% 有意でない → この 6 変数モデルでは不均一分散の強い証拠は見られない（残差絶対値と各説明変数の相関も |r|≲0.23 と小さい）。 ただし横断面では県規模の差から不均一分散が生じやすいため、 頑健 SE (HC1/HC3) を併記して確認するのは依然として良い習慣です。 「検定してから頑健 SE の要否を判断する」 という手順自体が横断面分析の型です。

🐍 47 県の K-means クラスタリング

このコードでやること：典型的な横断面分析として、 SSDSE-B-2026 の 47 県を 5 つのクラスタに分けます。 横断面データは「主体間の類似性」を扱える代表的データ形式で、 クラスタリングが定番手法です。

📥 入力：47 県 × 6 指標（標準化済）

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20

import numpy as np
import pandas as pd
from sklearn.cluster import KMeans
from sklearn.preprocessing import StandardScaler

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1]).query('`SSDSE-B-2026` == 2023')
features = ['A1101','A1301','B4101','C3301','E3501','E3701']
X = StandardScaler().fit_transform(df[features].astype(float))

km = KMeans(n_clusters=5, n_init=20, random_state=0).fit(X)
df['cluster'] = km.labels_

# クラスタ別の県と平均
for c in range(5):
    members = df[df['cluster']==c]['Prefecture'].tolist()
    avg = df[df['cluster']==c][features].mean()
    print(f'\n--- Cluster {c} ({len(members)} 県) ---')
    print('代表県:', members[:6])
    print(f'平均: 人口={avg["A1101"]:.0f}, 出生率={df[df["cluster"]==c]["A4103"].mean():.3f}')
print(f'\n慣性 (inertia): {km.inertia_:.1f}')

📤 実行例：

💬 6 指標のうち 5 つが人口・生徒数・着工数といった「規模」の変数なので、クラスタはまず規模で分かれる。人口 1,408.6 万人の東京都が単独（出生率 0.990）、平均 820 万人の埼玉・神奈川・愛知・大阪（1.188）、平均 507 万人の千葉・静岡・兵庫・福岡（1.235）と、規模が大きいほど出生率が低い並びになる。残る 38 県は年平均気温で割れ、北海道・東北・北関東・新潟・長野の 11 県（平均 14.1℃、出生率 1.185）と、西日本中心の 27 県（17.5℃、1.372）に分かれた。「社会経済構造の類型」と呼ぶ前に、規模の変数を人口当たりに直してから分け直すと、規模以外の違いが見えるかを確かめられる。

✅ 横断面データ分析チェックリスト

• □ データの「時点」を明示したか（2023 年度時点、 など）
• □ 主体（県・個人・企業）の母集団・抽出方法を確認したか
• □ サンプルサイズ $n$ と説明変数 $p$ の比は十分か（$n > 10p$ が目安）
• □ 不均一分散検定（BP, White）を実施したか
• □ 不均一分散があれば頑健 SE（HC1-HC3）を採用したか
• □ 外れ値（東京など）の影響を Cook 距離で確認したか
• □ 空間相関（Moran's I）をチェックしたか（地域データの場合）
• □ 「県間関係」を「時間因果」と取り違えていないか
• □ 省略変数バイアスの可能性を議論したか
• □ パネル化・時系列化で頑健性を確認できないか検討したか
• □ 結論を「該当時点・該当主体集合」に限定したか

⚠️ よくある落とし穴（7 件）

横断データ に取り組むときに、 学生・実務者・研究者がよく踏むワナをまとめました。 該当しそうな項目があれば、 自分の分析を見直してみてください。

⚠️ 横断面分析の落とし穴（深掘り）

1. サンプル数 $n=47$ の罠：都道府県横断面はサンプル数が小さいので、 自由度を消費しすぎると過剰適合します。 説明変数は最大でも 6-8 個程度に抑え、 ステップワイズや Lasso で慎重に絞ること。
2. 時間変動の見落とし：「2023 年度だけの構造」を「普遍的関係」と誤解するのは典型ミス。 結論は必ず「2023 年度時点」と但し書きを付け、 同じ SSDSE-B-2026 に入っている 2012〜2022 年度でも同じ構造かを確認しましょう。
3. 空間相関の無視：隣接県は経済構造や人口動態が似ています。 「主体間独立」の前提が崩れ、 標準誤差が過小評価されます。 空間計量モデル（SAR, SEM）や地理加重回帰（GWR）の検討が必要。
4. 異質性：「平均効果」だけで議論すると、 「東京と沖縄では係数の符号さえ違う」可能性を見落とします。 ローカル回帰、 量子点回帰、 群別 OLS で異質性をチェック。
5. 外れ値県の影響：東京は人口・経済規模で他県と桁違い。 外れ値が回帰係数を支配するので、 Cook 距離・てこ比で確認し、 ロバスト回帰（Huber, RANSAC）の併用が安全。
6. 標準化と単位：人口（百万単位）、 進学率（％単位）、 財政力指数（無次元）の混在する横断面では係数の解釈に混乱が起きます。 比較目的なら標準化済係数（βスタンダード化）も併記。
7. 横断面 → 時系列の越権：「県間で X が高い県は Y も高い」から「X を上げれば Y も上がる」と推論するのは典型誤り。 時間方向の因果は時系列・パネル分析で別途検証が要ります。
8. クロスセクション・ディペンデンス：マクロショック（全国共通の景気変動）があると、 県間の誤差が共通要因で相関します。 マクロダミーやクラスタ標準誤差で対処。

⚠️ 実データで確かめる — 横断面の相関は 1 県で動き、別の変数で説明できてしまう

上の「外れ値県の影響」と「横断面 → 時系列の越権」を、気温と出生率の例で数字にします。横断面の r = 0.77 がどれくらい頑健か、また別の説明が立たないかを調べます。

🎯 このコードでやること：2023 年度の横断面で、年平均気温と出生率の相関・順位相関・回帰の傾きを、47 県と沖縄県を除く 46 県で比べる。出生率の高い県・低い県と、気温と高齢化率の相関も出す。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

import numpy as np
import pandas as pd
from scipy import stats

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
d = df[df['SSDSE-B-2026'] == 2023].copy()               # 2023 年度の横断面（47 行）
d['出生率'] = d['A4101'] / d['A1101'] * 1000
x, y = d['B4101'], d['出生率']

def show(label, x, y):
    fit = stats.linregress(x, y)
    rho = stats.spearmanr(x, y)[0]
    print(f'{label:12s} n={len(x):2d}  r={fit.rvalue:.3f}  ρ={rho:.3f}  傾き={fit.slope:.3f}（気温 1℃あたりの出生率の差）')

show('47 県', x, y)
ok = d['Prefecture'] != '沖縄県'
show('沖縄県を除く', x[ok], y[ok])
top = d.nlargest(3, '出生率')[['Prefecture', 'B4101', '出生率']].round(2)
low = d.nsmallest(3, '出生率')[['Prefecture', 'B4101', '出生率']].round(2)
print('出生率の高い 3 県:'); print(top.to_string(index=False))
print('出生率の低い 3 県:'); print(low.to_string(index=False))
aging = d['A1303'] / d['A1101'] * 100
print(f'気温と高齢化率の r = {stats.pearsonr(x, aging)[0]:.3f}、高齢化率と出生率の r = {stats.pearsonr(aging, y)[0]:.3f}')

💬 沖縄県 1 県を除くだけで、r は 0.767 → 0.671、傾きは気温 1℃あたり 0.264 → 0.215 と 2 割近く小さくなります。順位相関 ρ は 0.614 → 0.588 とあまり動かないので、r の大きさの一部は沖縄県の極端な位置（23.8℃、8.55）が作っていると分かります。さらに、気温と高齢化率の r は −0.445、高齢化率と出生率の r は −0.615 です。出生率が最も低い秋田県（3.95）は高齢化率も最高の県で、「暖かい県ほど出生率が高い」の一部は「暖かい県ほど若い人の割合が高い」で説明できます。出生数を総人口で割った粗い出生率は、年齢構成の影響をそのまま受けるからです。

横断面の分析で強い相関を見つけたら、(1) 1 県ずつ除いて結果がどれだけ動くか、(2) 年齢構成・人口規模など、両方の変数に効く第 3 の変数がないか、(3) 別の年度の横断面でも同じか（上の 12 年分の r）、の 3 点を確かめてから文章にします。(3) で毎年同じ結果が出ても、それは「毎年同じ地域差がある」ことの確認であって、時間方向の因果の確認にはなりません。

⚠️ 実データで確かめる — どの年度を切り出すかで相関の符号まで変わる

横断データはある 1 時点の集合写真なので、 撮る年度を変えると写るものも変わる。 SSDSE-B-2026 の 12 年度それぞれから 47 行の横断データを作り、 同じ 2 変数の相関がどれだけ動くかを確かめる。

🎯 このコードでやること：年度ごとに 47 都道府県の横断データを切り出し、 (a) 有効求人倍率（月間有効求人数 ÷ 月間有効求職者数、 一般）と転入超過率（人口 1000 人あたり）、 (b) 年平均気温と合計特殊出生率、 の 2 組についてピアソン相関を 12 年度分並べる。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

import pandas as pd
import numpy as np

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df['求人倍率'] = df['F3103'] / df['F3102']                          # 月間有効求人数 ÷ 月間有効求職者数（一般）
df['転入超過率'] = (df['A5101'] - df['A5102']) / df['A1101'] * 1000  # 人口 1000 人あたり

rows = []
for year, g in df.groupby('SSDSE-B-2026'):                          # 年度ごとに 47 行の横断データを作る
    rows.append({'年度': year,
                 'r(求人倍率, 転入超過率)': np.corrcoef(g['求人倍率'], g['転入超過率'])[0, 1],
                 'r(年平均気温, 合計特殊出生率)': np.corrcoef(g['B4101'], g['A4103'])[0, 1]})
r = pd.DataFrame(rows).set_index('年度').round(2)
print(r.T.to_string())
print('\n符号が + の年度:', r.index[r['r(求人倍率, 転入超過率)'] > 0].tolist())
print('幅: 求人倍率×転入超過率', r.iloc[:, 0].min(), '〜', r.iloc[:, 0].max(),
      ' / 気温×出生率', r.iloc[:, 1].min(), '〜', r.iloc[:, 1].max())

💬 求人倍率と転入超過率の相関は、 2012〜2019 年度の 8 年度では +0.02〜+0.33 と「求人倍率が高い県ほど人が転入している」向きなのに、 2020 年度から −0.42、 −0.57、 −0.46、 −0.37 と符号が逆になる。 2015 年度の横断データだけを見た人は「仕事の多い県に人が集まる（r = +0.33）」と書き、 2021 年度だけを見た人は逆の関係（r = −0.57）を書くことになる。 一方、 年平均気温と合計特殊出生率は 12 年度とも +0.42〜+0.57 に収まり、 年度を変えても結論は変わらない。 1 時点の相関を報告するときは年度を明記し、 ほかの年度でも同じ向きかを確かめてから一般化する。 なお、 符号が変わった理由（求人の減り方や人の動きの変化）は、 この横断データの相関だけからは特定できない。

🔭 さらに深掘り — 直感・落とし穴・発展（追記）

ここまでの各セクションを踏まえ、 横断面データの「掴み方」「踏みやすい罠」「次の一手」を、 SSDSE-B-2026 の実測値とともに一枚にまとめ直します。 既に上で触れた論点も、 直感 → 落とし穴 → 発展 の順に並べ替えると腹落ちしやすくなります。

🎨 直感：横断面は「ある一瞬の集合写真」

横断面データとは、 ある一時点で多数の個体を横一列に切り取ったスナップショットです。 SSDSE-B-2026 の「2023 年・47 都道府県」はまさにこれ。 この 1 枚の中では、 総人口 A1101 は 鳥取 53.7 万人 〜 東京 1408.6 万人（47 県平均 264.6 万人）と県間で大きくばらつきます（いずれも 2023 年の実測値・万人換算）。 「どの県が多い／少ないか」という横の比較はこの 1 枚で十分できます。

一方、 同じ大きな箱（47 県 × 2012〜2023 年）を県で固定して時間方向に切ると時系列になり、 東京は 2012→2023 で +85.2 万人、 秋田は −14.9 万人という時間変化が初めて見えます（実測値）。 縦（時間・1 個体）＝時系列、 横（個体・1 時点）＝横断面、 両方＝パネル、 という三つの切り口の違いを、 同一データで体感できるのが SSDSE-B の強みです。

⚠️ 落とし穴（重要）— 早見表

横断面データで最も多い誤りは、 1 時点しかないのに「因果」や「時間変化」を語ってしまうことです。 代表的な罠と対処・関連ページを一覧にします。

🚀 発展：時間軸を足すと解ける問題

• パネルデータ＋固定効果：同一個体を複数時点で追い、 within 変換（各県の期間平均を引く）で時不変の個体異質性を丸ごと除去できます。 前述のとおり総人口の分散の約 99.95% は県間差（between）ですが、 固定効果はこの between を吸収し、 残る within（年変動）だけで係数を識別します。 → パネルデータ／固定効果／パネル因果推論／変量効果（固定 vs 変量の選択は Hausman 検定）
• 反復横断面（repeated cross-section）：各時点で別々の標本を横断的に取り直す設計（国民生活基礎調査など）。 個体は追えませんが、 集計量の時間変化や擬似パネル（pseudo-panel）による分析は可能です。 本サイトでは縦断データもパネルデータのページで扱っています。
• 横断面回帰の限界と因果の道具：1 時点・n=47 では原則として因果は語れません。 時間差を使う 差分の差分（DID）（パネルが必要・前提は 平行トレンド）、 外生変動を使う 操作変数（IV）、 閾値を使う 回帰不連続（RDD） などを併用して初めて因果に近づけます。 横断面単独では「関連の構造記述・仮説生成・予測」に留めるのが誠実です。

🔗 このテーマの深掘り先（相対リンク）

上の各論点に対応する用語ページ（いずれも本用語集内に存在）：

※「生態学的誤謬」「個体異質性」の独立ページは未整備のため本文で解説。 「縦断データ」は パネルデータ のページで扱っています。

🌐 関連手法・派生

横断データ と同じ「データ種」カテゴリ、 または直接の上位・派生となる用語：

🌐 関連手法・派生・バリエーション

• 時系列データ／パネルデータ／プールド横断／反復横断（年次更新）

🌐 横断面データの代表的解析パターン

🔗 関連用語（前提・並列・発展）

📘 前提（先に理解しておきたい）

横断データ を学ぶうえで、 これらを先に押さえると吸収が早い：

📗 並列（同じ階層の関連用語）

対比・補完して理解すべき同階層の用語：

📕 発展（一歩進んだ応用・拡張）

横断データ を理解した後の自然な発展先：

🔗 さらに学ぶための関連用語

• 前提：データ型、 標本抽出、 記述統計
• 並列：時系列データ、 パネルデータ、 縦断データ、 反復横断面
• 分析手法：OLS、 Lasso、 ロジスティック回帰、 クラスタリング、 PCA
• 診断：不均一分散、 多重共線性、 外れ値、 影響点
• 因果推論：道具変数、 傾向スコア、 回帰不連続、 因果と相関
• 空間統計：空間自己相関、 地理加重回帰、 Moran's I

📚 関連グループ教材（全体像）

横断データ は「データ種」分野の一部です。 同じグループに属する用語は以下：

• 🎯 data-types（このグループの総合ページ） — 全体像を学びたいときはここから
• 変数の型 — このグループの構成要素
• 実データ — このグループの構成要素
• 模擬データ — このグループの構成要素
• 調査データ — このグループの構成要素
• 実験データ — このグループの構成要素
• 高齢化率 — このグループの構成要素
• 合計特殊出生率 — このグループの構成要素
• 有効求人倍率 — このグループの構成要素

📊 横断データを 6 つの軸で徹底比較

横断データの強みと限界を理解するには、 縦断（時系列）データ・パネルデータ との比較が最も効果的です。 ここでは 6 つの観点で 3 形式を並列比較し、 さらに横断データを使った分析設計の判断基準を整理します。

表 1: データ形式 3 種類の構造的比較

表 2: 横断データの強みと限界の対比

表 3: 横断データを選ぶべき場面 — 判断フロー

表 4: 横断データ分析でやりがちな 7 つの誤り

表 5: 横断データ分析の品質チェックリスト

表 6: 横断データの実例カタログ（公的統計 + 民間）

✅ 理解度チェック — 横断データを使いこなせるか

以下 8 問を解いてみてください。 7 問以上正解できれば、 横断データの実務応用に十分な基礎が身についています。 各問の解答は折りたたみで提示しています。

🧭 横断データを実務で運用する 6 つの論点

1. 時点の定義 — 「2022 年」とはいつか

横断データを設計する際の最初の論点は 「時点とは何日間か」です。 国勢調査は 10 月 1 日 0 時の状態を 1 時点として記録します。 経済センサスは数週間にわたって調査票を回収しますが、 集計時には「2021 年 6 月 1 日時点」と表記します。 SSDSE-B は年次集計ですが、 月次変動の大きい変数（観光入込客数など）では「年間平均」と「特定月のスナップショット」で結果が大きく変わるため、 時点定義を明示する必要があります。 厳密には、 ある 1 日に全個体を観測した「真の横断」は希少で、 多くは「実質的横断（quasi-cross-section）」として扱います。

2. サンプリング設計 — 全数調査か標本調査か

47 都道府県すべてを観測する SSDSE-B は 全数調査（悉皆調査）の性質を持ち、 統計的推測（信頼区間・p 値）の意味が変わります。 全数なら「母集団＝標本」なので推測の必要はなく、 観測値そのものが真値。 一方、 家計調査や労働力調査は標本調査で、 母集団は数千万世帯、 標本は数千〜数万。 横断データを使うときは 「これは全数か標本か」「標本なら抽出法は何か」を明示することが、 解析の前提として必須です。

3. 単位の選び方 — 県・市町村・個人の粒度

横断データの粒度（県 vs 市町村 vs 個人）は、 分析対象と利用可能データに依存します。 県単位は 47 サンプルしかなく、 回帰の説明変数を増やしすぎると過学習しやすい（経験則: 説明変数は 5 個以内、 サンプルサイズ N の 1/10 以下）。 市町村単位なら約 1,700 サンプル、 個人単位なら数千〜数万まで拡張可能ですが、 公開データの制約も大きくなります。 粒度を粗くするほど 生態学的誤謬のリスクが上がり、 細かくするほど 欠損・プライバシーの課題が増えます。

4. 欠損と外れ値 — 47 都道府県は特殊な「閉じた」サンプル

SSDSE-B のような都道府県横断データは 「全数 47 個体」という特殊な性質を持ちます。 欠損が出ても補完は難しく（島根県のデータがない、 はあり得ない）、 外れ値（東京）を除外すると「46 都道府県データ」になってしまい解釈が変わります。 そのため、 都道府県横断では 「すべて含めて分析 + 東京を除いた感度分析を併記」が標準作法。 個人レベル横断（家計調査など）ではマルチプル・インピュテーションや IPW（逆確率重み付け）で対応します。

5. 因果推論への接続 — 横断データでもできる工夫

横断データは因果推論に弱いと言われますが、 工夫次第で部分的な因果主張は可能です。 主要な道具は ① 操作変数法（IV）: 内生性のある X に対し、 Y には直接影響しない Z を見つけて 2 段階推定。 ② 回帰不連続デザイン（RDD）: 閾値前後で個体が「ほぼランダムに」処置/非処置に分かれる場合に局所平均処置効果を推定。 ③ 傾向スコア・マッチング: 観測共変量で処置群と対照群を釣り合わせる。 これらは横断データでも適用可能ですが、 仮定の妥当性検証が必須です。

6. 機械学習との接続 — 横断データは ML のデフォルト

sklearn・XGBoost・LightGBM など主要な機械学習ライブラリの典型的な入力は 「N 行 × P 列の表形式（X）と N 行のラベル（y）」で、 これはまさに横断データの形式です。 時系列モデル（ARIMA, LSTM）と異なり、 行の順番に意味がなく、 訓練/検証分割は train_test_split でランダムに行えます。 機械学習の入門書が SSDSE のような都道府県データではなく Iris や Titanic を使うのは、 この「横断データ」性質が完全に共通だから。 横断データを理解することは、 機械学習の入力理解そのものです。

📚 関連グループ教材

この用語の全体像を学ぶには、 横断的な教材で文脈を掴むのが効率的です：

• 📚 時系列データグループ — クロスセクションとの構造的対比
• 📚 パネルデータグループ — クロスセクション × 時系列の融合
• 📚 サンプリンググループ — 単純無作為・層化・クラスター抽出
• 📚 回帰分析グループ — 横断データに最も使われる手法

• SSDSE-B-2026 教育用標準データセット（https://www.nstac.go.jp/use/literacy/ssdse/）— 典型的な 47 都道府県 × 単一時点の横断データ
• e-Stat 政府統計の総合窓口（https://www.e-stat.go.jp/）— 国勢調査・経済センサスなど横断調査の一次データ
• 総務省統計局『社会・人口統計体系』（https://www.stat.go.jp/data/ssds/index.html）— 都道府県・市区町村別の横断データ集
• World Bank Open Data（https://data.worldbank.org/）— 国別横断データ（GDP / 教育 / 健康指標）
• OECD Data（https://data.oecd.org/）— 加盟国横断比較データ

🗺 概念マップ

クロスセクションデータを中心に、 時系列データ・パネルデータ・反復横断データとの比較関係、 サンプリング (層化・クラスター)、 分析手法 (回帰・主成分・クラスタリング) への接続を整理した。 SSDSE-B-2026 が典型的な 47 都道府県 × 単一時点のクロスセクションデータであることを念頭に、 どの手法が直接適用でき、 どの手法が時系列構造を要求するかを判断する地図として使える。

概念マップ中央のクロスセクションデータから 3 方向に枝が伸びる: 上方の「公的統計の活用」は SSDSE や国勢調査のような 同一時点で全 47 都道府県を一気に観察する 典型例。 右方の「学術研究」は社会学・経済学で家計・企業を横並びにする横断調査。 左下の「実務応用」は商品別売上比較や店舗別 KPI ベンチマークなど、 日々の意思決定で最も頻出する形態。

クロスセクションの強みは 時間軸を固定して個体差だけに集中できる 点だが、 同時に「因果方向が不明」「コーホート効果が紛れ込む」という弱みも持つ。 図右下の「時系列データ」「パネルデータ」は、 これらの弱みを時間情報を加えて補完する隣接概念で、 SSDSE-B-2026 のように年度別ファイルを縦結合すればパネルデータに昇格できる。

🔗 隣接手法への橋渡し

「クロスセクションデータ」は単独で完結する手法ではなく、 隣接領域と連携することで真価を発揮する。

• 上流: 入力データの前処理・整備 (データ収集、 データクレンジング)
• 並列: データ構造の兄弟 — 時系列データ (時間方向、 同一個体の経時変化)、 パネルデータ (時間×個体、 両方向の変動を分離可能) と比較・併用 (時系列データ、 パネルデータ)
• 下流: 出力結果の評価・解釈 (重回帰分析、 代表値 (記述統計))

クリーニング → 記述統計 → 群間検定/回帰 → 政策示唆の流れで、 因果は推論できないため「相関の段で結論を急がない」設計が要点。

🌳 手法選択フロー

横断データ（同一時点で個体を横並びに観測）は、 時間軸の扱い・個体追跡の有無・因果推論の意図で、 どのデータ構造へ展開するかを多段で決める。

1. ① 時間軸の情報は必要か？
   • No（1 時点での比較のみ）→ 横断データ 確定 → ② へ
   • Yes → 時間情報の扱い方を ③ で決める
2. ② 横断データ内での分析目的は？
   • 地域 / 個体間の 記述 → 記述統計 + 箱ひげ図 / ヒートマップ
   • 変数間の 関連 → 相関 → 重回帰
     • カテゴリ変数あり → ダミー変数 + 分散分析
     • 非線形関係疑い → Spearman 相関 / ランダムフォレスト
   • 分類 / 予測 → ロジスティック回帰 / RF / XGBoost
3. ③ 時間軸を加えるなら、 個体は追跡するか？
   • 同一個体を複数時点で追跡 → パネルデータ（時系列 × 横断）
     • 個体内の 固定効果 必要 → 固定効果モデル
     • 個体差のランダム要素 → ランダム効果モデル
   • 個体は変わるが時点は反復 → 反復横断データ
   • 1 個体を時間方向で追う → 時系列データ → ARIMA
4. ④ 因果推論をしたいか？
   • 横断だけで因果を主張 → 困難（時間順序が無く逆因果が排除できない）→ 傾向スコア + 操作変数 で部分的に対応
   • パネル取得可 → 差の差分析（DID） / 固定効果 で個体特性を統制
   • 自然実験あり → 回帰不連続デザイン / IV
5. ⑤ サンプリングは適切か？
   • 無作為抽出 → 単純無作為 でそのまま分析
   • 層別構造あり → 層別抽出 + 重み付き集計
   • 選択バイアス疑い → 選択バイアス 補正 / Heckman 2 段階

💡 ポイント: 「時点の扱い → 個体追跡の有無 → 因果意図 → サンプリング」 の順で多段判定すると、 横断 → 反復横断 → パネル → 時系列の使い分けが整理できる。