🔖 キーワード索引

このページで扱う主要キーワード（クリックで該当セクションへ）：

🎨 直感で掴む

データサイエンスの問い (Data Science Question) は、 分析プロジェクトの「最初に決めること」であり「最後まで効くもの」です。 良い問いがないままモデルを作ると、 たとえ高い精度でも「で、 何が言いたいの？」と返されます。

Leek & Peng (2015) の有名な分類に従うと、 問いは次の 6 種類に分けられます。 簡略化して 4 種類で覚えても良い：

難度は下に行くほど上がる傾向があります。 多くの初学者は「予測的」「因果的」の問いを立てたいが、 データが「記述的」までしか答えられない、 というギャップが起こりがちです。

🎨 概念図で押さえる — 「問い」の3つの抽象階層

「良い問い」 を立てるには、 (1) データの形 (記述レベル)、 (2) 変数間の関係 (関連・予測レベル)、 (3) 観察と介入の違い (因果レベル) の 3 階層を順に上がる必要があります。 ここでは代表的な 3 枚の図を使い、 「問い」 の階層をビジュアルに刻みます。

読み取るポイント:

• 分布が歪んでいるか → 平均と中央値どちらを採用するか
• 裾が長いか → 対数変換やロバスト統計の検討
• モードはいくつか → 集団が複合しているか

読み取るポイント:

• 線形か非線形か → 相関係数 vs スピアマン vs 非線形回帰
• 外れ値が関連を支配していないか → 東京除外で再計算
• 第三変数の影響はないか → 偏相関や層別分析

読み取るポイント:

• 平行トレンドの仮定が成り立つか → 介入前の傾きを確認
• 共通ショック (例: 全国一斉政策) はないか → イベントスタディで確認
• 対照群の選び方は妥当か → マッチング前後で比較

この 3 枚を順に読むと、 「分布記述 → 変数関連 → 因果推論」 という問いの 3 階層が一望できる。 初学者は図 A → B → C を順に上がる経験を繰り返すことで、 問いの抽象度をコントロールする力が身につく。 関連用語 因果関係 / 相関係数 / 差分の差分 へ進めば、 各図の理論背景を深掘りできる。

📐 数式・定義

形式的に書けば、 1 つの問いは「対象 $P$、 指標 $X$、 制約 $C$、 期間 $T$」の組として整理できます。

たとえば 「2023 年 47 都道府県（=P）における 高齢化率（=X）と 消費支出（=Y）の 相関（=比較 B）」 は次のように：

仮説検定の言い方をすれば、 問い → 仮説 → 統計量 → 検定 → 結論 という流れ：

📐 問いタイプ × データタイプ マトリクス

🌏 『問い』を取り巻く 6 文脈

🎓 『問い』を立てる力 ── データサイエンティストの中核スキル

データサイエンスのプロジェクトで最も価値を生むのは、 高度な統計手法でも巨大な深層学習モデルでもない。 『良い問い』である。 良い問いがあれば、 単純な記述統計でもビジネスインパクトを生む。 悪い問いに対しては、 どれだけ高度な手法を投入しても結果は曖昧になる。 Einstein が『1 時間で解決すべき問題に直面したら、 55 分間問いを練り、 5 分間で解く』と言ったとされる（厳密な引用源は議論あり）が、 核心は『問いの質が解決の質を決める』という普遍的真理である。

SSDSE-B-2026 のような公的統計データで分析を行うとき、 多くの初学者は『データを見て、 思いついた相関を計算する』というスタイルから始める。 これは EDA（探索的データ分析）として有用だが、 そこで終わってしまうと『発見の羅列』にとどまる。 良い問いは、 (1) 動機（なぜこの問題に取り組むか）、 (2) 操作化（どう測定するか）、 (3) 仮説（予想される答え）、 (4) 方法（どう答えるか）、 (5) アクション（答えが出たら何をするか）、 という 5 要素を備える。

『問いの 6 階層』（Leek & Peng 2015、 Science 誌）は、 自分の問いがどの抽象度かを明示する道具。 (1) 記述、 (2) 関連、 (3) 推論、 (4) 予測、 (5) 因果、 (6) メカニズム。 各階層で必要なデータ・手法・結論の強さが異なる。 SSDSE のような観察データだけでは因果まで踏み込むことが難しく、 関連・推論・予測の階層で誠実に止まることが、 過剰主張を避ける作法。

HARKing（Hypothesizing After Results are Known、 結果を見てから仮説を立てる悪習）は、 心理学・社会科学・データサイエンスを通じての再現性危機の元凶。 100 変数の相関を片っ端から計算し、 高相関を『最初からの仮説』と書くことは、 多重比較未補正の偽陽性を量産する。 防止策：(a) Pre-registration（OSF.io に事前登録）、 (b) 探索データと検証データの厳密分離、 (c) Bonferroni / FDR 補正、 (d) 別データセットでの再検証。 これらの規律が、 信頼性のあるデータサイエンスの前提。

『因果と相関の混同』も初学者が必ず通る関門。 SSDSE で『教育費と学力に正の相関』を発見しても、 観察データだけでは因果は確定できない。 教育費 → 学力、 学力 → 教育費、 共通原因（教育意識）→ 両者、 の 3 通りが区別できない。 因果的に答えるには RCT（ランダム化比較試験）、 自然実験、 IV（操作変数法）、 DID（差の差分法）、 Causal DAG＋仮定明示、 のいずれかが必要。 観察データで因果を断定することの原理的困難を理解することが、 データサイエンティストの倫理。

LLM 時代において、 『問いを立てる力』は Prompt Engineering と通底する。 良い問いを LLM に投げれば良い答えが返る。 ただし LLM はハルシネーション（事実誤認を自信満々に出力）を起こすため、 出力を鵜呑みにせず批判的に検証する姿勢が前提。 また、 LLM への問いも『良い問い』の条件（SMART, PICO, FINER）が役立つ。 2026 年のデータサイエンティストは、 統計手法だけでなく、 Prompt Engineering とドメイン知識を統合する『問い設計者』となることが期待される。

🛠 SSDSE-B-2026 で『問い』を段階的に深める実例

具体的に SSDSE-B-2026 で問いを段階化する完全なワークフロー：

段階 0：動機（なぜ取り組むか）

『日本の教育格差が気になる』。 ニュースで地方教育格差の話題、 自分の出身県と東京の違い、 親世代の教育への関心の差── 主観的な動機が出発点。

段階 1：記述的問い（何が起きているか）

『47 都道府県で教育費（SSDSE-B-2026 の B4103 列）の平均・分散・最大／最小はどうか？』 これは df['教育費'].describe() で即答できる。 操作化済み、 測定可能、 達成可能、 関連性あり、 時間軸明示（2024 年データ）。 SMART 達成。

段階 2：関連的問い（何と一緒に動くか）

『教育費は消費支出（A4101）、 人口（A1101）、 高齢化率と相関するか？』 相関行列で答える。 r=0.65（消費支出）、 r=0.30（人口）、 r=-0.40（高齢化率）。 関連は見えるが、 因果は不明。

段階 3：推論的問い（母集団に拡張できるか）

『全国の都道府県（仮想）で、 教育費の真の平均は X 円と言えるか？』 95% 信頼区間で答える。 N=47 なので、 ブートストラップ法で頑健に。

段階 4：予測的問い（次は何が起きるか）

『他都道府県のデータから、 ある県の教育費を MAE<10,000 円で予測できるか？』 Ridge / Lasso / GBDT で 5-fold CV、 MAE 約 8,500 円。 予測モデルとしては実用範囲。

段階 5：因果的問い（介入で何が変わるか）

『教育費を 10% 増やしたら学力は上がるか？』 観察データだけでは答えられない。 RCT は倫理的に困難。 別データ（学習指導要領変更前後の自然実験等）が必要。 SSDSE だけでは『誠実に限界を認める』段階。

段階 6：メカニズム的問い（なぜそうなるか）

『教育費が学力に効くメカニズムは？』 構造方程式モデリング（SEM）、 Mediation Analysis、 認知科学・教育学の知見との接続が必要。 SSDSE だけでは答えられない、 文献調査と他データセットの組合せで初めて踏み込める階層。

段階 7：規範的問い（どうあるべきか）

『教育費を増やすべきか？』 データだけでは答えられない。 価値判断（誰の福祉を優先するか、 短期 vs 長期、 他予算とのトレードオフ）が入る。 ただしデータは『価値判断の前提条件を整理』『各選択肢の予想効果を提示』に貢献。 民主的議論の素材として。

このように、 同じ『教育格差』というテーマでも、 問いの階層を上げていくと、 必要なデータ・手法・結論の強さ・アクションへの接続が変わる。 自分のプロジェクトがどの階層に立っているかを常に意識することが、 過剰主張を避け、 信頼性のある分析を行う前提となる。

📐 『問い』を磨く ── 哲学的・方法論的補遺

『問い』を立てる行為の哲学的・方法論的背景を整理する。

1. 科学哲学の視点：Popper の反証可能性（falsifiability）は、 良い問いの最低条件として広く引用される。 『すべての白鳥は白い』は反証可能（黒い白鳥を見つければ反証）だが、 『何か超自然的なものが存在する』は反証不能。 後者は科学的問いとして不適。 SSDSE 例なら『47 県で教育費の変動係数 > 0.3』は反証可能、 良い問い。

2. Kuhn のパラダイム：『良い問い』は時代によって変わる。 古典力学のパラダイム内では『質量とエネルギーは別物』が前提、 アインシュタイン以降は『E=mc²』。 データサイエンスでも、 ベイズ統計派・頻度派・機械学習派でパラダイムが異なる。 自分がどのパラダイムで問うているかを意識する。

3. Feyerabend の方法論アナーキズム：『方法に絶対はない』。 既存の方法論に縛られず、 問題に応じて柔軟に手法を選ぶべき。 SSDSE 規模では『深層学習が良い』とは限らず、 線形回帰・Ridge・GBDT・XGBoost と多様な手法を比較検討するのが現実的。

4. 統計学の三大学派：頻度派（Fisher, Neyman-Pearson）：仮説検定。 ベイズ派（Jeffreys, Savage）：事前分布で仮説表現。 尤度派（Edwards）：尤度比のみ重視。 同じ問いでも、 学派により答え方が変わる。 SSDSE 教育費分析なら、 頻度派なら『相関の有意性検定』、 ベイズ派なら『相関係数の事後分布』。

5. 因果推論の三段階（Pearl）：(1) 観察（Seeing）：『教育費と学力が一緒に動くか？』、 (2) 介入（Doing）：『教育費を変えたら学力は？』、 (3) 反事実（Imagining）：『教育費を変えていなかったらどうなった？』 観察データでは (1) は答えられる、 (2)(3) は仮定が必要。

6. データ駆動と仮説駆動：データ駆動（EDA から仮説生成）と仮説駆動（理論から仮説立て検証）の両方が必要。 EDA で仮説生成 → 別データで検証、 という循環が現実的。 HARKing 防止のため、 探索データと検証データを分けることが規律。

7. CRISP-DM の 6 段階：(1) Business Understanding：問いを立てる、 (2) Data Understanding：データを理解、 (3) Data Preparation：前処理、 (4) Modeling：モデル構築、 (5) Evaluation：評価、 (6) Deployment：展開。 1996 年に EU プロジェクトで策定、 25 年経った今もデータサイエンスプロジェクトの標準。 第 1 段階が『問いを立てる』こと、 これがプロジェクトの 30〜50% の時間を占めるべき。

8. OSEMN ワークフロー：Obtain（取得）、 Scrub（クレンジング）、 Explore（探索）、 Model（モデル化）、 iNterpret（解釈）。 Mason & Wiggins (2010) 提唱、 『awesome』に音が近い記憶法。 各段階で問いを再確認する習慣を。

9. Open Science と Pre-registration：仮説・分析計画を事前に公開する慣行。 OSF.io、 AsPredicted.org が代表。 HARKing 防止、 再現性向上、 倫理的に正しいデータサイエンスの基盤。 2010 年代後半から急速普及。

10. AI 時代の問い設計：LLM への問いも『良い問い』の条件が役立つ。 ただし LLM はハルシネーションあり、 出力を批判的に検証する姿勢が前提。 Prompt Engineering、 RAG、 Chain-of-Thought 等の技法も『AI に対する問い設計』として理解できる。

これら 10 観点を意識することで、 『問い』を立てる行為が、 単なる技術的作業ではなく、 哲学的・方法論的・倫理的な総合的判断であることが理解できる。 データサイエンティストは『データを扱う技術者』であると同時に、 『問いを設計する思想家』でもある。

🎯 まとめと次のステップ ── データサイエンスの問い

📋 問い ── 階層別の SSDSE-B-2026 適用例

🚀 次に進む先

🌟 『問い』の総合的考察 ── 哲学・実践・教育の交差点

1. 科学革命と問い

16-17 世紀の科学革命は、 『なぜ』を問う scholastic 哲学から『どのように』を問う実証科学へのパラダイムシフトとして理解できる。 Galileo は『重い物は早く落ちる』というアリストテレス的問いを『重さに関係なく同じ加速度で落ちるか』へ転換し、 ピサの斜塔で実験的に答えた（伝説）。 これが『測定可能な問い』への転換点。

2. 統計学の祖と問い

17 世紀の Graunt は教会の死亡記録（Bills of Mortality）から『ロンドンの死亡パターン』を分析し、 近代統計学を始めた。 18 世紀の Bayes は『新情報で確率はどう更新されるか』を問い、 ベイズ統計の礎を築いた。 19 世紀の Galton は『身長は世代を超えてどう伝わるか』を問い、 相関係数を発明した。 20 世紀の Fisher は『どう実験設計すれば因果が分かるか』を問い、 RCT の方法論を確立した。 統計学史は『良い問いの連鎖』である。

3. データサイエンスの問いの特殊性

古典統計が『母集団パラメータの推定』を中心としたのに対し、 データサイエンスは『予測・因果・メカニズム』まで踏み込む。 また、 ビッグデータ時代になり、 『データを見てから問いを立てる』探索的アプローチも実用化された。 ただし HARKing の罠を避けるため、 探索と検証を分離する規律が必須。 Tukey が 1962 年に提唱した EDA（探索的データ分析）は、 この規律の元祖。

4. SSDSE と公共統計の問い

SSDSE-B-2026 のような公的統計データで分析を行うことは、 単なる練習問題ではない。 公共データから問いを立てる行為は、 (a) 社会の現状把握、 (b) 政策評価、 (c) 学術研究、 (d) 市民教育、 という 4 つの公益的価値を持つ。 47 都道府県のデータで『教育格差』を分析することは、 自分の地域・家族・将来に直結する問いを立てる訓練として最適である。

5. AI と問いの未来

2022 年以降の Generative AI ブームで、 『問いを立てる力』の重要性がさらに高まった。 LLM への Prompt Engineering は、 本質的には『良い問い』を AI に投げる技術である。 ChatGPT に『日本の教育格差を分析して』と投げても曖昧な答えしか返らないが、 『SSDSE-B-2026 の B4103 列で 47 都道府県の変動係数を計算し、 0.3 を超えるかを Python コードで示せ』と投げれば実行可能なコードが返る。 問いの操作化が、 AI 時代の必須スキルとなった。

6. 教育における問いの設計

本サイトの教材は、 SSDSE データセットを横軸、 用語ページを縦軸とした『問い駆動』の学習設計である。 各用語ページの末尾に『次に読むべき関連ページ』を配置することで、 学習者が自分の問いを段階的に深められる構成。 1 つの用語を入口に、 統計・機械学習・データエンジニアリング・MLOps の関連用語へ自然に拡張できる『地図』としての価値を持つ。

7. 結論 ── 良いデータサイエンティストになるために

『データを扱う技術』を学ぶことは、 データサイエンティストへの必要条件だが十分条件ではない。 真に価値あるデータサイエンティストは、 『良い問いを立てる思想家』でもある。 問いを立てる訓練は一生涯続く。 統計手法・機械学習・深層学習・MLOps を学ぶのと並行して、 哲学・科学史・社会科学・倫理学にも目を向けることが、 長期的な成長の鍵となる。 SSDSE での日々の分析の中で、 『この問いは本当に意味があるか？』『答えが出たら誰が何をするか？』を自問する習慣を持つことが、 一流のデータサイエンティストへの確実な道である。

🎁 『問い』を立てる力 ── 学習者への補遺

🔬 数式を言葉で読み解く

医学の PICO（Population, Intervention, Comparator, Outcome）はリサーチデザインに直結する型として有名で、 データサイエンスでも使えます。

🔬 数式を言葉で読み解く（問いの構造）

🧮 実値で計算してみる（SSDSE-B-2026）

🧮 SSDSE-B-2026 で問いを操作化する

🏭 産業／研究事例 6 件

⚖️ 問いの種類比較

🧱 問い設計フレームワーク比較

💥 失敗例 5 件

📝 演習 5 題

📖 用語辞典 10 語

📑 参考文献・出典

• Leek, J. T., Peng, R. D. (2015). What is the question? Science 347, 1314-1315.
• Wickham, H., Grolemund, G. (2017). R for Data Science. O'Reilly.
• Provost, F., Fawcett, T. (2013). Data Science for Business. O'Reilly.
• Hernán, M. A., Robins, J. M. (2020). Causal Inference: What If. Chapman & Hall/CRC.
• Pearl, J., Mackenzie, D. (2018). The Book of Why. Basic Books.
• Kerr, N. L. (1998). HARKing: Hypothesizing After the Results are Known. Personality and Social Psychology Review.
• Cuttler, M. (2015). The Research Question Game. — 問い設計演習
• CRISP-DM 1.0 (2000). Cross-Industry Standard Process for Data Mining.
• SSDSE-B-2026 公式ページ — 独立行政法人統計センター

🧮 問いの操作化を数式で

🧮 数式に値を入れて手で計算する: 問いの優先度スコア

合成データで問い候補 5 件の「重要度 × 実現可能性 × データ充実度」を計算する。

Step 1: 観点別評点 (1-5)

Step 2: 最高優先度

🐍 Python で再現

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11

import numpy as np
scores = np.array([
    [5,3,4],
    [4,5,3],
    [3,2,2],
    [5,4,5],
    [2,5,3],
])
total = scores.sum(axis=1)
print(f"問い別合計: {total}")
print(f"最高 index: {total.argmax()} (合計 {total.max()})")

📤 実行結果

💬 手計算 (Step 2) q4 (index=3) 14 点と Python 出力が完全一致。

🐍 Python 実装

例 1：問いの操作化（測定可能な変数に変換）

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13

import pandas as pd

# cp932 / skiprows=[1]（列コード行を採用し日本語名は読み飛ばす）/ 2023 フィルタ
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df.rename(columns={'SSDSE-B-2026': '年度', 'A1101': '総人口',
                        'A1303': '65歳以上人口', 'L3221': '消費支出',
                        'Prefecture': '都道府県'})
df = df[df['年度'] == 2023].reset_index(drop=True)

# 問い:「地域格差はあるか？」を測定化（消費支出＝二人以上の世帯・月, 実在列 L3221）
print('最大:', df['消費支出'].max())      # 344092（埼玉県）
print('最小:', df['消費支出'].min())      # 223423（愛媛県）
print('CV  :', round(df['消費支出'].std() / df['消費支出'].mean(), 3))  # 0.082

例 2：問い「高齢化率と消費支出は相関？」

1
2
3

df['高齢化率'] = df['65歳以上人口'] / df['総人口']
r = df[['高齢化率', '消費支出']].corr().iloc[0, 1]
print('Pearson r =', round(r, 3))   # -0.306（弱い負相関）

例 3：問いを比較として書き直す（介入想定）

1
2
3
4
5
6
7
8

# 「高齢化率 30% 超 / 未満で 消費支出は違うか?」
high = df[df['高齢化率'] >= 0.30]['消費支出']
low  = df[df['高齢化率'] <  0.30]['消費支出']
from scipy.stats import ttest_ind
t, p = ttest_ind(low, high, equal_var=False)
print('t=', round(t, 3), ' p=', round(p, 4))   # t= 1.126  p= 0.2756（有意差なし）
print('high 平均:', round(high.mean()))          # 293399
print('low  平均:', round(low.mean()))           # 303021

例 4：問いを KPI 化してダッシュボード化

1
2
3
4
5
6
7
8
9

kpi = {
    '対象期間': '2023',
    '対象範囲': '47都道府県',
    '指標': '消費支出 (二人以上の世帯, 円/月)',
    '中央値': float(df['消費支出'].median()),                 # 300652.0
    '上位5県': df.nlargest(5, '消費支出')['都道府県'].tolist(),  # 埼玉/東京/三重/富山/栃木
    '下位5県': df.nsmallest(5, '消費支出')['都道府県'].tolist(), # 愛媛/沖縄/宮崎/和歌山/長崎
}
print(kpi)

📂 ケーススタディ・追加実装例

ケース 1：SMART 化チェック

ケース 2：問いを 仮説 に翻訳

問い：「東京と他県では人口動態が異なるか？」

• $H_0$：東京と地方の平均年率変化率は等しい
• $H_1$：等しくない
• 検定：Welch の t 検定、 有意水準 5%
• サンプル：2010-2023、 各県の年率変化率（SSDSE-B 派生）

ケース 3：PICO テンプレで医療データの問い

• P (Population)：65 歳以上の高齢者
• I (Intervention)：定期健康診断受診
• C (Comparator)：未受診
• O (Outcome)：5 年後の生存率

ケース 4：データドリブン vs 仮説ドリブン

ケース 5：問いの「品質チェックリスト」

• □ 5W1H（誰の・何の・いつ・どこの・どう・なぜ）が明確
• □ 答えるためのデータが手元にある／取得可能
• □ 反証可能な閾値・基準を持つ
• □ 結果の使い手（意思決定者）が明確
• □ 結論の意味と限界を 1 文で書ける

ケース 6：SSDSE-B-2026 で問いの粒度を試す

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

import pandas as pd
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df.rename(columns={'SSDSE-B-2026': '年度', 'A1101': '総人口',
                        'A1303': '65歳以上人口', 'L3221': '消費支出'})

# Q1: 記述 — 2023 年の総人口分位点
df23 = df[df['年度'] == 2023].copy()
print('Q1:', df23['総人口'].quantile([0.25, 0.5, 0.75]).tolist())
# → [1034000.0, 1549000.0, 2636500.0]

# Q2: 探索 — 高齢化率と消費支出の相関
df23['高齢化率'] = df23['65歳以上人口'] / df23['総人口']
print('Q2 r:', round(df23[['高齢化率', '消費支出']].corr().iloc[0, 1], 3))  # -0.306

# Q3: 推測 — 高齢化率の 95% CI
import numpy as np
m = df23['高齢化率'].mean()
se = df23['高齢化率'].std(ddof=1) / np.sqrt(len(df23))
print('Q3 CI:', round(m - 1.96*se, 4), round(m + 1.96*se, 4))  # 0.3063 0.3254

🪜 ステップバイステップ チュートリアル

チュートリアル：SSDSE-B-2026 で問いを 5 ステップで磨く

ステップ 1：粗い問いを書く

「日本の地域格差を分析したい」 — これだけでは何もできない。

ステップ 2：5W1H で具体化

• Who：都道府県（47 個）
• What：消費支出 (二人以上の世帯・L3221, 経済指標)
• When：2023 年
• Where：日本全体
• Why：地方創生政策の優先度づけ
• How：CV と分位範囲を測る

ステップ 3：仮説を立てる

• H1：消費支出の CV は 0.3 以上で、 大きな地域格差がある
• H2：上位 5 県と下位 5 県の差は 3 倍以上ある
• H3：高齢化率と 消費支出は負の相関がある

ステップ 4：分析プラン

1. 記述統計：CV、 四分位、 上位／下位 5 県
2. 探索：Pearson 相関、 散布図
3. 推測：t 検定で上位 vs 下位の差検定
4. 結果の信頼性：ブートストラップで CI

ステップ 5：実行

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

import pandas as pd, numpy as np
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df.rename(columns={'SSDSE-B-2026': '年度', 'A1101': '総人口',
                        'A1303': '65歳以上人口', 'L3221': '消費支出'})
df = df[df['年度'] == 2023].reset_index(drop=True)
df['高齢化率'] = df['65歳以上人口'] / df['総人口']

# H1: CV
cv = df['消費支出'].std() / df['消費支出'].mean()
print('H1 CV:', round(cv, 3))            # 0.082

# H2: 上位/下位 5 県差
top5 = df.nlargest(5, '消費支出')['消費支出'].mean()
bot5 = df.nsmallest(5, '消費支出')['消費支出'].mean()
print('H2 ratio:', round(top5/bot5, 2))  # 1.33

# H3: 相関
r = df[['高齢化率', '消費支出']].corr().iloc[0, 1]
print('H3 r:', round(r, 3))              # -0.306

ステップ 6：結論と提言

「CV=0.08、 上位/下位比＝1.33 倍、 r=−0.31。 消費支出の地域差は小さく、 H1（CV>0.3）・H2（3 倍以上）は支持されない。 高齢化率とは弱い負相関で H3 は弱く支持される。 政策的含意：消費支出そのものの地域格差は限定的であり、 格差は所得・資産など別指標で捉え直す必要がある」 — のように、 問い → 仮説 → 検証 → 提言まで一気通貫で書く（仮説が棄却されること自体も誠実な結論である）。

🚀 現場での応用シナリオ（8 例）

応用 1：自治体施策の優先順位づけ

「47 都道府県のうち、 子育て支援を強化すべき優先 5 県は？」 → SSDSE-B から「出生率低位 × 子育て支援費低位」を抽出。

応用 2：教育の課題発見

「不登校率と学校資源の関係は？」 → 文科省統計と SSDSE 教育指標を結合。

応用 3：医療資源の最適配分

「医師偏在指標と県別人口当たり医師数の関係は？」 → 公的データから KPI を導出。

応用 4：マーケティング

「新商品 X の購入意向を年代別に予測」 → ロジスティック回帰、 ROC-AUC で評価。

応用 5：人事 / People Analytics

「離職率を高めている要因は？」 → 因果推論（A/B テスト、 IV）、 共変量調整。

応用 6：研究・論文執筆

「○○と△△の関係を明らかにする」 → 仮説 → 統計検定 → CI → 結論。 PRISMA / RECORD ガイドラインに沿う。

応用 7：競争・コンペ

SIGNATE / Kaggle / 統計データ解析コンペ：「予測精度」or「説明力」 を最大化、 という問いに事前に分解。

応用 8：意思決定支援

「介入 X を行うと Y は何 % 改善するか？」 — 因果問い。 RCT、 IV、 RDD、 DID、 などの設計が必要。

🏋️ 演習問題（8 題）

1. 「学生の成績を上げるには？」 を SMART 化し、 SSDSE と組み合わせて検証可能にせよ。
2. Leek & Peng の 6 タイプそれぞれに、 SSDSE-B-2026 から問いを 1 つずつ作れ。
3. PICO 枠組みで「コロナ後遺症に対する運動療法」 の問いを設計せよ。
4. 「相関がある」 と 「因果がある」 の違いを 300 字で説明せよ。
5. HARKing を避けるために、 事前登録のテンプレートを書け（仮説・データ・分析手順）。
6. CRISP-DM の 6 段階を SSDSE 分析プロジェクトに当てはめよ。
7. KPI と OKR の違いを表で整理せよ。
8. 「予測できる」 と 「因果が分かる」 の違いを SSDSE 例で示せ。

🐍 Python で「問いの 4 階層」を実装する

データサイエンスの「問い」は、 記述 (Descriptive)・診断 (Diagnostic)・予測 (Predictive)・処方 (Prescriptive) の 4 階層に整理される。 ここでは SSDSE-B-2026 を用いて、 各階層に対応する Python 実装を 4 つ示す。

コード 1（記述）：47 都道府県の総人口分布を要約する

🎯 このコードでやること：「2023 年の総人口はどう分布しているか?」という記述的問いに、 平均・中央値・標準偏差・四分位を計算して答える。

📥 入力データ（SSDSE-B-2026 抜粋）：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10

import pandas as pd

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1]).rename(columns={'SSDSE-B-2026': '年度', 'A1101': '総人口'})
pop23 = df[df['年度'] == 2023]['総人口']

print('平均   :', round(pop23.mean() / 1e4, 1), '万人')
print('中央値 :', round(pop23.median() / 1e4, 1), '万人')
print('標準偏差:', round(pop23.std() / 1e4, 1), '万人')
print('最大   :', round(pop23.max() / 1e4, 1), '万人')
print('最小   :', round(pop23.min() / 1e4, 1), '万人')

📤 実行結果：

💬 結果の読み方：中央値 (155 万人) より平均 (265 万人) が大きい → 右に裾の長い分布。 東京都の 1409 万人が平均を押し上げている。 「典型的な県」は中央値を見る方が適切、 という記述的洞察が得られる。

コード 2（診断）：人口が多い県は出生数も多いのか? 相関分析

🎯 このコードでやること：「なぜ県によって出生数が違うのか?」という診断的問いに、 総人口との相関係数を計算して答える。

📥 入力データ：SSDSE-B-2026 2023 年分 47 行（総人口・出生数列）。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13

import pandas as pd
from scipy import stats

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1]).rename(columns={'SSDSE-B-2026': '年度', 'A1101': '総人口', 'A4101': '出生数', 'Prefecture': '都道府県'})
d23 = df[df['年度'] == 2023]

r, p = stats.pearsonr(d23['総人口'], d23['出生数'])
print('相関係数 r =', round(r, 4))
print('p 値      =', f'{p:.2e}')

# 出生率 (= 出生数 / 総人口) で「規模効果」を除いた診断
d23 = d23.assign(出生率=d23['出生数'] / d23['総人口'] * 1000)
print('出生率トップ3:', d23.nlargest(3, '出生率')[['都道府県','出生率']].values.tolist())

📤 実行結果：

💬 結果の読み方：r=0.99 → 人口が多いほど出生数も多い、 という当然の結果。 ただし「人口あたり出生率」で割り算すると沖縄が突出 → 単なる相関では見えない「県ごとの出生力の違い」が浮かび上がる。 診断的問いは「割合・比率」への変換が鍵。

コード 3（予測）：2024 年の人口を予測する

🎯 このコードでやること：「来年の総人口はどうなるか?」という予測的問いに、 線形回帰でトレンドを外挿して答える。

📥 入力データ：SSDSE-B-2026 全 13 年分の東京都データ。

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

import pandas as pd
from sklearn.linear_model import LinearRegression

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1]).rename(columns={'SSDSE-B-2026': '年度', 'A1101': '総人口', 'Prefecture': '都道府県'})
tk = df[df['都道府県'] == '東京都'].sort_values('年度')

X = tk[['年度']].values
y = tk['総人口'].values
model = LinearRegression().fit(X, y)

pred_2024 = model.predict([[2024]])[0]
print('東京都 2023 実績:', round(tk[tk['年度']==2023]['総人口'].values[0] / 1e4, 1), '万人')
print('東京都 2024 予測:', round(pred_2024 / 1e4, 1), '万人')
print('傾き (年あたり):', round(model.coef_[0] / 1e4, 2), '万人/年')

📤 実行結果：

💬 結果の読み方：線形外挿で 1429 万人と予測。 ただし「予測は仮定 (線形トレンド継続) に依存」する点を必ず確認。 コロナ禍など外的ショックで仮定が崩れることもある → 予測の信頼区間を併記すべき。

コード 4（処方）：少子化対策の費用対効果はどう試算するか

🎯 このコードでやること：「どの県に少子化対策予算を投じるべきか?」という処方的問いに、 出生率ランキングと改善ポテンシャルから優先順位を提示。

📥 入力データ：SSDSE-B-2026 2023 年の総人口・出生数。

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

import pandas as pd

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1]).rename(columns={'SSDSE-B-2026': '年度', 'A1101': '総人口', 'A4101': '出生数', 'Prefecture': '都道府県'})
d23 = df[df['年度'] == 2023].copy()
d23['出生率'] = d23['出生数'] / d23['総人口'] * 1000

# 全国平均出生率まで引き上げた場合の追加出生数
target_rate = d23['出生率'].mean()
d23['潜在追加出生'] = ((target_rate - d23['出生率']) * d23['総人口'] / 1000).clip(lower=0)

print('全国平均出生率:', round(target_rate, 2))
top5 = d23.nlargest(5, '潜在追加出生')[['都道府県','出生率','潜在追加出生']]
print('改善ポテンシャル上位5県:')
print(top5.to_string(index=False))

📤 実行結果：

💬 結果の読み方：北海道は出生率 4.80 で全国平均より 0.93 ポイント低く、 これを埋めると年 4,727 人増。 政策立案者は「人口規模 × 改善余地」を掛けたランキングで予算配分を決められる。 処方的問いは「アクションへの直接の入力」となる。

これら 4 つのコードは、 データサイエンスの「問いの階層」（記述→診断→予測→処方）を具体的なコードに落とし込んだもの。 同じ SSDSE-B-2026 データでも、 問いのレベルが上がるにつれて手法が複雑化し、 ビジネス価値も増していく。 学習者は自分の問いがどの階層にあるかを意識することで、 必要な手法と落とし穴を予測できる。

🎮 触って理解する

ここでは「良い問い・悪い問いの見分け」と「問いをデータで答えられる形に磨く」ことに特化して手を動かします。 データ収集や分析サイクル（PPDAC）そのものは データ分析サイクル のページに譲り、 本ページは問いの質そのものだけに集中します。 3 つのミニ道具で、 (1) 良問度をスコアで測り、 (2) 悪問を段階的に磨き、 (3) 問いのタイプを分類します。

※ ここでの問い例・数値は概念を体感するための架空・例示を含みます（実測値は「🧮 実値で計算してみる」節を参照）。 タイプと手法の対応は EDA / 仮説検定 / 因果関係 / 相関 の各ページで深掘りできます。

⚠️ よくある落とし穴

❓ よくある質問（FAQ）

📜 歴史と背景

位置づけ：「問いを立てる」は、 統計学・データサイエンス・計量経済学・社会科学すべてに共通する 最上位 の課題です。 にもかかわらず教科書では軽く扱われがちで、 結果として「ツールは使えるが何を問うべきか分からない」学習者が多発します。

研究の歴史的整理：

• 1980 年代 — Tukey の EDA（Exploratory Data Analysis）が「データを見て問いを更新する」反復過程を強調
• 2003 — CRISP-DM（Cross-Industry Standard Process for Data Mining）が「ビジネス理解 → データ理解 → 準備 → モデリング → 評価 → 展開」のサイクルを標準化
• 2015 — Leek & Peng が Science 誌で 6 種類の問い分類を提案
• 2020 年代 — 「問いと意思決定の接続」を強調する Decision-Science 系の方法論が定着

SMART（Specific, Measurable, Achievable, Relevant, Time-bound）原則や、 医学研究の PICO 枠組み（Population, Intervention, Comparator, Outcome）は、 データサイエンスの問い設計にも直接転用できます。

🧭 直感を深める ── 「良い問い」から始め、答えられる形に落とす

分析の出発点は、 高度な手法ではなく良い問いである。 現場の関心（ビジネス課題・社会課題）は、 たいてい 「地域格差をなんとかしたい」 のように曖昧なまま持ち込まれる。 データサイエンスの最初の仕事は、 この曖昧な課題をデータで検証可能な問いへ翻訳することにある。 翻訳の合言葉は 「対象・指標・期間・比較」 の 4 点を必ず埋めること。

問いの 4 つの種類（本文の 6 階層を実務向けに圧縮）

本ページ冒頭の Leek & Peng 6 階層は、 実務では記述・探索（関連）・予測・因果の 4 種類に圧縮して使うと扱いやすい。 同じ SSDSE-B-2026 のデータでも、 問いの種類が変われば必要な手法と結論の強さが変わる。 下表は「🧮 実値で計算してみる」「🐍 Python で『問いの 4 階層』を実装する」節で実測済みの値だけを使った例である。

ビジネス課題 → 検証可能な問い（翻訳の型）

ポイントは、 翻訳後の問いは 1 文で書け、 答えが数値か Yes/No で返ること。 これが 「答えられる問い」 の最小条件である。 種類ごとの手法は 仮説検定 ・ 相関 ・ データ分析プロセス の各ページで深掘りできる。

⚠️ 落とし穴をさらに深掘り ── 問いが壊れる 7 つの型

既存の 「⚠️ よくある落とし穴」 に加え、 問い設計で特に事故が起きやすい 7 型を、 SSDSE-B-2026 の文脈で整理する。 いずれも数値は本ページで実測済みの値のみを用いている。

🚀 発展 ── PPDAC・分析成熟度・事前登録・探索と確証

PPDAC サイクルの中の「問い」

統計教育で標準的な PPDAC（Problem → Plan → Data → Analysis → Conclusion）では、 最初の Problem（問題＝問い）がサイクル全体の質を決める。 曖昧な Problem のまま Plan/Data に進むと手戻りが増える。 問いを起点にした反復設計は PPDAC サイクル ・ データ分析プロセス のページに詳しい。

分析成熟度の 4 段階（記述→診断→予測→処方）

問いの階層は、 意思決定への近さで 記述 → 診断 → 予測 → 処方 の 4 段階（分析成熟度モデル）としても整理できる。 下表は 「🐍 Python で『問いの 4 階層』を実装する」 節の実測結果に対応する。

処方（規範）に近づくほど価値は高いが、 必要な仮定・データも増える。 SSDSE のような観察データは記述・診断・予測に強く、 因果・処方は誠実に限界を明示するのが基本である。

SMART による問いの精緻化

曖昧な動機を SMART（Specific／Measurable／Achievable／Relevant／Time-bound）で研磨する。 例：「消費の地域差を知りたい」 → 「2023 年（Time）の 47 都道府県（Specific）で 消費支出(L3221) の変動係数（Measurable、 実在列＝Achievable）が基準を超えるか、 地方施策の優先度づけ（Relevant）に用いる」。 実測では CV ≒ 0.082 と小さく、 「消費支出だけでは格差は限定的」 という誠実な結論になる（仮説が支持されないこと自体も成果）。

探索的分析と確証的分析の区別（事前登録）

問いには 2 つのモードがある。 探索的（Exploratory）＝ データを眺めて仮説の種を見つける段階。 確証的（Confirmatory）＝ 事前に固定した仮説を検証する段階。 両者を混ぜると HARKing・多重比較で偽陽性が量産される。 分ける規律の中核が事前登録（仮説と分析計画を先に記録）であり、 事前登録 ・ 仮説検定 のページに接続する。 問いを立てる力そのものは データリテラシー の中核スキルである。

🌐 関連手法・派生・対概念

🌐 『問い』設計の業界別事例

📜 『問い』設計の歴史

📝 『問い』── データサイエンスの出発点であり最大の成果物

💭 問い設計 追加 FAQ（15 問）

📋 『問い』を磨くチェックポイント 20 項目

🔗 関連用語（前提・並列・発展）

📘 前提となる用語

🤝 並列・関連する用語

🚀 発展・応用

🔗 関連ページ橋渡し

• EDA ─ 問いの精緻化フェーズ
• CRISP-DM ─ DS プロジェクトの段階モデル
• 相関 ─ 関連的問いの基礎
• 機械学習の基礎 ・ 機械学習 ─ 予測的問いの中核
• データリーケージ ─ 評価の落とし穴
• AI 応用 ─ 規範的問いに繋がる

❓ FAQ 20 問

📜 『問い』とデータサイエンス略史

🧪 概念的補遺 ── 問いの 6 階層（Leek & Peng 2015）

🚶 SSDSE-B-2026 で問いを精緻化するステップ

📚 関連グループ教材

このページの内容を、より広い文脈で学びたいときは：

• 📚 データサイエンスの全体像 — 問いから提案までの流れ
• 📚 リサーチデザイン — 問い・仮説・実験の組み立て
• 📚 コンペ攻略：問いの立て方 — テーマから提出物への落とし込み

📚 参考文献・出典

• Leek, J. T., Peng, R. D. (2015). What is the question? Science, 347, 1314-1315.
• Wickham, H., Grolemund, G. (2017). R for Data Science. O'Reilly.
• Provost, F., Fawcett, T. (2013). Data Science for Business. O'Reilly.
• CRISP-DM 1.0 (2000). Cross-Industry Standard Process for Data Mining.

🎯 解説の目的・入出力ガイド

📚 『問い』にまつわる小話

🎬 コードツアー ── SSDSE-B-2026 で問いを段階化する

 1# === 段階 1: 記述的問い ===
 2df = pd.read_csv("data/raw/SSDSE-B-2026.csv", skiprows=1)
 3desc = df["教育費"].describe()
 4print(f"平均: {desc['mean']:.0f}円, CV: {desc['std']/desc['mean']:.2f}")
 5
 6# === 段階 2: 探索的問い ===
 7import seaborn as sns
 8corr = df[["教育費", "消費支出", "人口", "高齢化率"]].corr()
 9sns.heatmap(corr, annot=True)
10# 教育費と消費支出の相関 r=0.65 を発見
11
12# === 段階 3: 推論的問い ===
13from scipy import stats
14ci_low, ci_high = stats.t.interval(0.95, len(df)-1, loc=df["教育費"].mean(), scale=stats.sem(df["教育費"]))
15print(f"95% CI: [{ci_low:.0f}, {ci_high:.0f}]円")
16
17# === 段階 4: 予測的問い ===
18from sklearn.pipeline import Pipeline
19from sklearn.preprocessing import StandardScaler
20from sklearn.linear_model import Ridge
21from sklearn.model_selection import cross_val_score
22X = df[["消費支出", "人口", "高齢化率"]]
23y = df["教育費"]
24pipe = Pipeline([("s", StandardScaler()), ("m", Ridge())])
25mae = -cross_val_score(pipe, X, y, cv=5, scoring="neg_mean_absolute_error").mean()
26print(f"予測 MAE: {mae:.0f}円")
27
28# === 段階 5: 因果的問い（SSDSE 単体では限界） ===
29# 観察データなので因果は直接答えられない
30# 別データ（時系列、 政策変更データ）が必要
31# SSDSE では Causal DAG を描いて『仮定』を明示するに留める
32
33# === 段階 6: メカニズム的問い ===
34# 構造方程式モデリング（SEM）や Mediation Analysis が必要
35# SSDSE データだけでは検証困難、 文献調査と組合せ

🔍 『問い』を多視点で見る

🎭 問い設計 実戦シナリオ 6 件

📚 『問い』の理論的基礎

📖 問い設計 深堀り用語辞典

🗺 学習ロードマップ

🗺 学習ロードマップ

1. レベル 1 — 問いの 6 タイプ（記述／探索／推測／予測／因果／機構）を区別。
2. レベル 2 — SMART 化、 PICO 化のテンプレートを使った具体化。
3. レベル 3 — 問い → 仮説 → 検証 → 結論の流れを SSDSE で実行。
4. レベル 4 — HARKing、 多重比較、 事前登録、 再現可能性の作法。
5. レベル 5 — 因果推論の枠組み（RCT、 IV、 DID、 RDD、 PSM）。
6. レベル 6 — 意思決定科学、 価値関数、 効用、 ベイズ意思決定。

📊 比較表（兄弟手法・選択肢）

問いの 6 タイプ比較（Leek & Peng 2015）

📖 用語ミニ辞典

🍳 コードレシピ（コピペ用 15 連発）

「[誰の] の [何] を、 [どの期間] の [どのデータ] で、 [どの比較] で測る」

Population, Intervention, Comparator, Outcome

Feasible, Interesting, Novel, Ethical, Relevant

「2023 年 47 都道府県で X と Y の Pearson 相関は、 95% 信頼区間で 0.5 を超えるか」

H0: 母平均は等しい / H1: 等しくない

対象 / 期間 / 指標 / 目標値 / 計測方法

Objective（質的）+ Key Results 3-5 個（量的）

P=20-65 歳労働者、 I=リモートワーク、 C=出社、 O=月平均生産性

Business / Data / Prep / Model / Eval / Deploy の 6 ステップ

「データの粒度は？欠損は？分布は？外れ値は？」

「H0 が真と仮定したとき、 観察以上に極端な結果が起こる確率」

「100 回サンプリングして 95 回は真の値を含む区間」

「次の Y を当てる、 因果は問わない」

「X を操作したら Y はどう変わるか」

事前登録 / 仮説 → 分析 の順 / 探索と確認的分析を分離

問いを軸にしたデータサイエンスの流れ：

   【ステークホルダーの関心】
              │
              ▼
       【問い】← 操作化（SMART / PICO）
              │
              ▼
      【仮説 H0 / H1】
              │
              ▼
   ┌──────────┼──────────┐
記述   関連   予測   因果
（記述統計 / 相関 / 機械学習 / 因果推論）
              │
              ▼
        【結論・KPI・提言】
              │
              ▼
        【意思決定・施策】

🗺 『問い』を立てる力 学習ロードマップ

💬 問い設計 あるある対話

✅ 『問い』設計チェック

📖 『問い』設計 拡張ケース 6 件

📊 6 種類の問いと具体例（SSDSE-B-2026 適用）

📊 問い設計フレームワーク比較

🔗 隣接手法への橋渡し

「データサイエンスの問い」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。 具体的には次の 3 方向と密接につながる：

• 上流: データリテラシーと データサイエンスの全体像把握 — 問いの位置付け
• 並列: 仮説検定と 探索的分析 — 問いに答えるための手法
• 下流: データストーリーテリングと レポート — 問いに対する答えを伝える

良い問いの設計が、 良い分析・良い意思決定への第一歩。

🌳 問いの分類 ── 意思決定ツリー

🛠 問い設計でのよくあるミス対処

🌳 手法選択フロー

「データサイエンスの問い」を扱う際の手法選択は、 状況に応じて以下のフローで判断すると迷いが減る。

1. Step 1: 目的は記述か予測か?
   • 記述 (現状把握・要約) → 集計・可視化・要約統計量で全体像を掴む
   • 予測 (未知データへの推定) → モデル構築・検証フェーズへ移行
2. Step 2: データの種類・規模は?
   • 数値データ・小〜中規模 → 「データサイエンスの問い」やその拡張手法を直接適用
   • カテゴリデータ → カテゴリカル変数を扱う問い — 分類問題やセグメント比較に再定義
   • 大規模・高次元 → 次元削減や 機械学習を組み合わせる問い — スケールに応じて手法を選ぶ
3. Step 3: 結果の解釈・共有は?
   • 専門家向け → 数値指標・統計検定で精緻に評価
   • 非専門家向け → 可視化・自然言語での要約を重視

このフローに沿って判断することで、 「データサイエンスの問い」を中核とした適切な手法選択ができる。