🔖 キーワード索引

「fixed effects」は統計データ分析の文脈で扱う重要概念のひとつ。 本ページでは「fixed effects」を取り巻く中核キーワードを以下にチップで一覧化する。 各キーワードは関連する概念・手法・道具立てを含み、 文献検索や学習計画の起点になる。

これらのキーワードは「fixed effects の理解 → 適用 → 検証」のプロセスを構成する。 各章で詳しく解説する。

🎨 直感で掴む — 固定効果モデル

固定効果 (Fixed Effects, FE) モデルは、 SSDSE-B-2026 の 都道府県ごとに自前のダミー変数 を 1 本ずつ追加するイメージです（最大 46 本）。 これにより「東京の出生率がもとから低い理由」のような 時間を通じて変わらない地域特性 を完全に吸収できます。 残った変動は 各都道府県内の年次変化 のみ — つまり「同じ都道府県内で年が進むと $x$ が変化したとき、 $y$ も変化したか」を見ています。

比喩で言うなら、 各人の身長を年齢の関数で表現するときに「身長の絶対値の差（個人差）」を一旦消して、 各人の身長の伸びだけで議論する のと同じ発想。 個体差という最大の交絡をエレガントに退治できるので、 観察研究で因果に最も近づける推定量の一つとして広く使われます。

🎨 概念図で押さえる

固定効果モデルは「個体ごとに異なる切片（観測されない時間不変の特性）」を吸収することで、 時間内変動だけから因果効果を推定する。 ここでは「プール OLS との違い」「within 変換」「県固有切片の意味」を概念図で視覚化する。

🎮 触って理解する

4 つの個体（グループ）からなるパネルデータを散布図に色分け表示しています。 各個体の中では傾き +0.80 の同じ正の関係がありますが、 個体ごとに切片（＝観測されない時間不変の個体固有効果 α_i）が異なります。 スライダーで個体効果の強さ kを上げると、 個体間の切片差が説明変数 x と相関して交絡を生み、 全体をプールした OLS（黒破線）の傾きが真値からずれ、 やがて符号まで反転します。 「表示切替」ボタンで within 変換（各個体の平均を引く）後の図に切り替えると、 個体固有効果が消去され真の個体内効果 +0.80 が復元される様子が体感できます。

🧠 直感 — なぜ「平均を引く」と交絡が消えるのか

固定効果は「観測されない時間不変の個体差」をまるごと吸収する仕組みです。 各個体の平均を引く within 変換を行うと、 個体ごとに固定された切片 α_i はその個体の平均に完全に含まれるため差し引きゼロになります。 残るのは「同じ個体の中で x が動いたとき y がどう動いたか」という個体内の変動だけ。 上の図で k をいくら上げても within の傾きが +0.80 のまま揺らがないのは、 個体固有効果がどれほど強い交絡を生んでも、 平均差分によって機械的に除去されるからです。

⚠️ よくある落とし穴 — 何でも消せるわけではない

• 除去できるのは「時間不変」の交絡だけ：地理・気候・歴史・県民性など、 期間中に変化しない個体属性は吸収されます。 しかし時間とともに変化する交絡（時変交絡）は残る。 例：景気・全国的な政策変更・技術トレンドが x と y の両方に影響する場合、 固定効果では取り除けません（年ダミー＝時間固定効果の併用や DID が必要）。
• 時間不変な説明変数は推定できない：within 変換で消えるため、 「その個体でずっと一定の変数」の係数は識別不能になります。
• 個体内変動が小さいと不安定：x がほとんど動かない個体では within 推定の分母が小さく、 標準誤差が大きくなります。

🚀 発展 — 隣接手法との関係

• 変量効果モデル（Random Effects）：個体効果 α_i が説明変数と無相関と仮定できるなら、 より効率的な推定が可能。 相関があるかどうかは Hausman 検定 で判定します（詳細は 変量効果モデル）。
• 差分の差分法（DID）：2 群 × 2 時点の設計では、 個体固定効果＋時間固定効果を組み合わせた特殊形が DID に相当し、 政策評価で多用されます。
• 前提の整理：固定効果が対処するのは 交絡／内生性 の一形態であり、 ベースは OLS・パネルデータ の枠組みです。 within 変換は「各個体の平均からの偏差」を用いる操作を指します。

📐 定義・数式

推定は within 変換（個体平均を引く）で行います：

これで $\alpha_i$ は綺麗に消える（$\bar{\alpha}_i = \alpha_i$ なので差し引きゼロ）。 SSDSE-B-2026 で「東京の婚姻率が高い年と低い年で、 出生率がどう動いたか」だけを使って $\beta$ を推定するのが FE の本質です。

🔬 数式を言葉で読み解く — 記号 → 意味

FE は時間不変な変数（地域固定の制度、 緯度、 海岸線など）の係数は推定できない（withinゼロになる）点に注意。 そういうときは RE か Mundlak 型を検討します。

📖 詳細な解説

固定効果（Fixed Effects, FE）は、 パネルデータで「個体（県・企業・人）ごとに観測されない時間不変の特性」をダミー変数として吸収する手法です。 同一個体内の時間方向の変動だけを使って係数を推定するため、 個体固有の交絡因子（県の地形・気候、 企業の経営方針、 個人の性格など）に強い識別が可能になります。 観測値 y_it = α_i + βX_it + u_it の α_i を消去（within 変換または LSDV）するのが核です。

固定効果が活きる場面

SSDSE-B-2026 (47 都道府県 × 12 年、 2012-2023) のように同じ個体を複数時点で観測するパネルでは、 OLS は県間の異質性で交絡を起こします。 固定効果はそれを構造的に除去します。

使い時の判断基準（FE vs RE vs Pooled OLS）

• 個体内の時間変動が十分あるか（時間不変変数は推定不可）
• Hausman 検定で RE 仮定が棄却されるか（p < 0.05 → FE 推奨）
• 個体数 N と時間数 T のバランス（T が小さく N が大きい microeconometric panel に FE は強い）
• 残差の系列相関・クラスタリングを確認し robust SE / クラスタ SE を採用しているか

Python による実装例

 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

# ── この抜粋で使うデータを用意します（SSDSE-B の 47 都道府県・最新年度）──
import pandas as pd

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', header=1)
df = df[df['地域コード'].astype(str).str.match(r'^R\d{5}$', na=False)].copy()
df['年度'] = pd.to_numeric(df['年度'], errors='coerce')
df = df[df['年度'] == df['年度'].max()]
for _c in df.columns[3:]:
    df[_c] = pd.to_numeric(df[_c], errors='coerce')
df['高齢化率'] = df['65歳以上人口'] / df['総人口'] * 100

# 見本でよく使われる仮の列名を、実データから作っておく
df['income'] = df['消費支出（二人以上の世帯）']
df['population'] = df['総人口']
_region = {'北海道': '北海道', '青森県': '東北', '岩手県': '東北', '宮城県': '東北',
           '秋田県': '東北', '山形県': '東北', '福島県': '東北', '茨城県': '関東',
           '栃木県': '関東', '群馬県': '関東', '埼玉県': '関東', '千葉県': '関東',
           '東京都': '関東', '神奈川県': '関東'}
df['region'] = df['都道府県'].map(_region).fillna('その他')
df['地域'] = df['region']

import pandas as pd
import numpy as np
from scipy import stats
import matplotlib.pyplot as plt

# SSDSE データの読み込み

# 基本統計
df.describe()
df.info()

# 可視化
df.hist(bins=30, figsize=(15, 10))
plt.show()

📖 包括的解説 — この概念を完全マスター

📍 学習の3ステップ

1. 定義を理解する：この概念は何か？ 数式や条件を確認
2. 具体例を見る：実データ（SSDSE 等）で計算してみる
3. 応用する：自分のデータに適用、 結果を解釈

🔧 Python実装パターン

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

# 基本パターン
import pandas as pd
import numpy as np
from scipy import stats
import matplotlib.pyplot as plt
import seaborn as sns

# データ読み込み
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', header=1)

# 基本統計量
df.describe()

# 可視化
sns.pairplot(df[['食料費（二人以上の世帯）', '教育費（二人以上の世帯）', '住居費（二人以上の世帯）']])
plt.show()

📚 統計概念マップでの位置

このページの上にある3つの概念マップ（関係マップ、 包含マップ、 ツリーマップ）でこの概念の位置づけが視覚的に分かります。 固定効果モデルは within 推定量・LSDV・差分の差分（DID）・操作変数法（IV）・Hausman 検定・クラスタ標準誤差・Mundlak 装置といった関連概念と直接結びつき、 時間不変な交絡をコントロールしたい場面の起点となる手法です。

🎯 固定効果モデルを SSDSE-B-2026 で活かす実践テーマ

• 県固定効果での家計支出分析: 消費支出（L3221）を従属変数、 65歳以上人口比率（A1303/A1101）を独立変数にし、 県ダミーで時間不変な地域特性を吸収して β を推定
• 2-way FE で年・県をコントロール: 全国共通の景気変動 (時間 FE) と県固定の文化要因を同時に除去
• Hausman 検定で FE vs RE 選択: χ² 統計量と p 値で「Random Effects の不偏推定」が成立するか判定
• Mundlak 装置の実装: 県平均を共変量に加えると RE が FE と等価になることを linearmodels で確認

💡 固定効果モデルでよく使うコマンド集

🚧 固定効果モデルに固有の落とし穴と対策

• 時間不変な変数は識別不能: 性別ダミー・出身地など個体内で動かない変数は β が出ない。 Hausman-Taylor 推定量や Mundlak 装置で工夫
• within 変換でノイズ増幅: T が小さい (T=2-3) と個体平均を引いた残差の SNR が悪化、 標準誤差が大きくなる
• Nickell バイアス: 動学項 y_{t-1} を OLS で入れると T が小さいとき β が O(1/T) のバイアスを持つ → Arellano-Bond GMM
• 不均衡パネル: 一部の県が一部の年だけ観測される場合、 within 平均が群によって精度が違う → drop_absorbed=True で対応
• クラスタ SE 忘れ: i.i.d. SE は深刻に過小評価。 個体クラスタ SE、 必要なら 2-way clustering
• 時間 FE 忘れ: 全国共通の景気変動を吸収しないと年次トレンドが β に紛れ込み因果として誤解

📊 固定効果モデルの結果報告フォーマット

• モデル指定: entity FE / time FE / both / クラスタ SE の指定
• 係数表: β, クラスタ SE, t 値, 95% CI
• within R²: 個体内変動のうち説明されている割合 (between R² と分離)
• n, T, NT: 個体数, 時点数, 観測総数 (balanced/unbalanced 区別)
• Hausman 検定: χ² 値, df, p 値 → FE 採用根拠
• F 検定 (全 FE = 0): 固定効果が有意か OLS との比較

🌐 固定効果モデルの応用分野

• 労働経済学: 個人パネル (PSID, NLSY) で賃金回帰、 能力 (時間不変) を吸収
• 地域経済: 都道府県・市町村パネルで政策効果 (補助金, 規制) を識別
• 企業財務: Compustat パネルで R&D 投資の収益率、 企業固定効果で経営者効果を吸収
• マクロ経済: 国別パネル (Penn World Table) で成長率回帰、 国固定効果で文化・制度を吸収
• 教育研究: 学校・教師固定効果モデルで教師の付加価値 (value-added) を推定
• 医療経済学: 病院パネルで質指標、 病院固定効果で経営方針を吸収

🎓 固定効果モデルを深掘りする文献

• Wooldridge "Econometric Analysis of Cross Section and Panel Data" (2010) — パネルデータの定番教科書
• Angrist & Pischke "Mostly Harmless Econometrics" (2009) — FE と DID の因果推論的解釈
• Cameron & Trivedi "Microeconometrics: Methods and Applications" (2005) — Hausman 検定、 Mundlak 装置の詳細
• Cameron & Miller (2015) "A Practitioner's Guide to Cluster-Robust Inference" — クラスタ SE 実務ガイド
• Arellano & Bond (1991) "Some Tests of Specification for Panel Data" — 動学パネル GMM の原典

🔗 固定効果モデルと関連用語の地図

固定効果モデルは 3 つの軸で位置づけられます: (1) パネルデータ手法として RE/Mixed Effects と並列、 (2) 因果推論手法として DID/IV と並列 (実は 2-way FE = DID)、 (3) 時間不変な交絡をコントロールする道具として propensity score / matching と相補的。

固定効果モデルを取り巻く計量経済学用語グループ

固定効果モデルの学習順序

1. パネルデータとロング/ワイド変換の理解 (long panel = 個体 × 時間)
2. Pooled OLS で β を推定 → 個体ダミーを追加 (LSDV)
3. within 変換 y_it - ȳ_i で β を再推定し LSDV と一致を確認
4. RE 推定 + Hausman 検定で FE 採用の根拠を示す
5. クラスタ SE を導入し i.i.d. SE と比較
6. 2-way FE で時間ダミーを追加、 DID と等価性を確認
7. Mundlak 装置 (県平均を追加) で RE が FE と等価になる現象を体験
8. 不均衡パネル・欠損対応、 attrition の影響評価
9. 動学項 y_{t-1} を入れて Arellano-Bond GMM に挑戦

📝 固定効果モデルの実践練習 — SSDSE-B-2026 で挑戦

初級課題

1. SSDSE-B-2026 の県×年パネルを long 形式に変換し、 観測数 NT を確認
2. Pooled OLS で 65歳以上人口比率（A1303/A1101）→ 消費支出（L3221）を回帰し、 β と R² を取得
3. linearmodels.PanelOLS で entity_effects=True を指定し within β を取得
4. LSDV (smf.ols with C(entity)) を実行し、 PanelOLS と β が一致することを確認

中級課題

1. RE モデルを推定し、 Hausman 検定で FE vs RE を判定
2. クラスタ SE (cluster_entity=True) を有効化し、 i.i.d. SE と比較
3. 2-way FE (entity + time) を推定し、 1-way FE との β 差を解釈
4. Mundlak 装置 (県平均を追加) で RE が FE と等価になることを数値で確認

上級課題

1. 都道府県と年の 2-way FE モデルで「特定の政策導入年×処置県」の DID 効果を識別
2. 動学項 (前年人口対数) を加えて Arellano-Bond GMM で Nickell バイアスを修正
3. Driscoll-Kraay SE (横断的相関に頑健) を実装、 クラスタ SE と比較
4. Goodman-Bacon decomposition (2021) で 2-way FE が含む処置効果の重みを分解

🧮 SSDSE-B パネルデータでの固定効果モデル実値計算例

SSDSE-B-2026 は 47都道府県 × 複数年度（2012-2023）のパネルデータ。 これは固定効果モデルの典型的なテストケースです。 「人口あたり医療費」を「人口あたり病院数」で予測する例で実演します。

📊 ステップ1：データ準備（pandas でロング形式に）

1
2
3
4
5
6
7

import pandas as pd
import numpy as np
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
# パネル化：都道府県 × 年度
panel = df[['SSDSE-B-2026', 'Prefecture', 'A1101', 'I510120']].copy()
panel.columns = ['year', 'pref', 'pop', 'hospitals']
print(panel.shape, panel['year'].unique())  # (564, 4) [2012..2023]

📊 ステップ2：3つの推定法を比較

💡 得られる洞察：プールド OLS では「病院が多い県は医療費が高い」という県間の差に引きずられて係数が大きく出ますが、 FE で県固有要因を除くと、 「同じ県の中で病院が増えても医療費は思ったほど増えない」という別の現実が見えます。

📊 ステップ3：クラスタ頑健標準誤差

パネル分析では「同じ県の年度間で誤差が相関」しているため、 通常の標準誤差は過小評価。 必ず cluster='pref' でクラスタ頑健標準誤差を使うこと。

🧮 SSDSE-B-2026 拡張ハンズオン — 固定効果モデルの実装

都道府県 × 年度のパネルで出生率（人口千対、 A4101÷A1101×1000）を被説明変数とし、 高齢化率と消費支出（L3221）を説明変数として固定効果モデルを推定します（SSDSE-B-2026 には「県民所得」「完全失業率」の列が無いため、 実在列から導出できる変数を使います）。 OLS（プールド）・ LSDV・ within 変換の 3 通りで係数が一致することを実データで確かめましょう。

🎯 学習目的

LSDV（最小二乗ダミー変数法）と within 変換が同じ係数を返すことを SSDSE-B-2026 で確認する。

📥 入力

SSDSE-B-2026 の都道府県 × 年度パネル。 説明変数は Aging_rate（高齢化率、 A1303÷A1101×100） ・ L3221（消費支出）。

📤 出力

OLS / LSDV / within の係数表、 標準誤差、 R^2。

💬 解説

プールド OLS は県固有事情を見逃すため係数が歪む。 LSDV は県ダミーを 46 個入れる愚直法、 within は各列から県平均を引く高速法。 結果は同じになる（Frisch-Waugh-Lovell の定理）。

🐍 3 方式の比較

 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

import pandas as pd
import numpy as np
import statsmodels.api as sm
from linearmodels.panel import PanelOLS

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df.rename(columns={'SSDSE-B-2026': 'Year'})
df['Aging_rate'] = df['A1303'] / df['A1101'] * 100   # 高齢化率(%)
df['Birth_rate'] = df['A4101'] / df['A1101'] * 1000  # 出生率(人口千対)
df = df.set_index(['Prefecture', 'Year'])
y = df['Birth_rate']
X = df[['Aging_rate', 'L3221']]  # 高齢化率と消費支出

# 1. プールド OLS（固定効果を入れない）
pooled = sm.OLS(y, sm.add_constant(X)).fit()
print('pooled :', pooled.params.values)

# 2. LSDV
D = pd.get_dummies(df.index.get_level_values(0), drop_first=True, dtype=float)
D.index = df.index
Xd = pd.concat([X, D], axis=1)
lsdv = sm.OLS(y, sm.add_constant(Xd)).fit()
print('LSDV   :', lsdv.params[['Aging_rate', 'L3221']].values)

# 3. within 変換
Xw = X - X.groupby(level=0).transform('mean')
yw = y - y.groupby(level=0).transform('mean')
within = sm.OLS(yw, Xw).fit()
print('within :', within.params.values)

# 4. linearmodels の PanelOLS（クラスタロバスト SE）
res = PanelOLS(y, X, entity_effects=True).fit(cov_type='clustered', cluster_entity=True)
print(res.params)

読み解きの観点

• 3 つの方式で Aging_rate 係数が（小数点誤差を除いて）同じ値になることを確認。
• クラスタロバスト SE は通常の SE より大きくなるはず。 これを反映しない論文の有意性は信用しない。
• 固定効果を入れた瞬間に消える係数（時間不変な変数）がある。 これが固定効果モデルの最大の弱点。

追加の落とし穴

• incidental parameters problem: T が小さく N が大きい場合、 個体固定効果の数が増えすぎて推定誤差が累積する。 SSDSE-B-2026 は N=47 と小さく T も短いことが多いので注意。
• 時間不変な政策ダミー: 県境界の改編など、 県固定効果と完全多重共線になる変数は推定できない。
• 動学パネル: 被説明変数のラグを右辺に入れると Nickell バイアスが出る。 GMM（Arellano-Bond 等）に移行が必要。

❓ よくある質問 — 固定効果モデルの実務 12 問

Q1. 固定効果と変量効果の選び方

Hausman 検定が原則だが、 ドメイン知識で「個体効果と説明変数に相関がある」と判断できれば固定効果一択。 SSDSE-B-2026 の都道府県分析では通常、 固定効果が安全。

Q2. 個体固定効果と時間固定効果の両方を入れるべきか

全国共通のショック（景気変動など）があるなら時間固定効果も必要。 二元固定効果（two-way FE）が標準。

Q3. 時間不変な説明変数は推定できるか

個体固定効果と完全多重共線になるので推定不可。 これは固定効果モデルの最大の欠点。

Q4. 固定効果モデルでの R^2 の解釈

「within R^2」「between R^2」「overall R^2」を分けて報告する。 固定効果モデルでは within R^2 が主役。

Q5. クラスタロバスト SE はクラスタ数いくつから安全か

経験則で 30 クラスタ以上。 SSDSE-B-2026 の N=47 はギリギリ安全圏。 不安なら wild cluster bootstrap を併用。

Q6. 固定効果と差分の差は同じか

2 期間 ・ 2 群 DID は one-way FE と等価。 多期間 DID は二元固定効果と等価（ただし staggered adoption で問題が出る）。

Q7. 「県内変動」が小さい説明変数は使えるか

使えるが、 標準誤差が爆発する。 within 分散が小さい変数で因果推論しようとするのは無理がある。

Q8. ロバスト標準誤差 vs クラスタロバスト

パネルではクラスタロバストが原則。 通常のロバスト SE は系列相関を無視する。

Q9. fixed effects の数値計算

LSDV はダミーが増えると行列計算が重い。 within 変換（demean）の方が効率的で、 結果は同じ。

Q10. 動学パネルでの固定効果

被説明変数のラグを右辺に入れると Nickell バイアス。 Arellano-Bond GMM で対処。

Q11. unbalanced パネルでの固定効果

linearmodels.PanelOLS や statsmodels の plm が自動対応。 ただし脱落理由が処置と相関するなら IPW が必要。

Q12. 固定効果モデルでの予測

新しい個体への予測には使えない（固定効果は推定済み個体の値）。 一般化したい場合は変量効果か階層モデルへ。

🚀 発展研究の方向性 — 固定効果モデルの最前線 6 題

• staggered DID: 処置のタイミングが個体ごとに異なる場合、 二元固定効果は偏る。 Callaway-Sant'Anna ・ Sun-Abraham 推定量。
• 固定効果と機械学習: Athey-Wager の Double ML で固定効果を残差化する。
• 合成統制法: 1 つの処置単位に複数対照単位の重み付き平均を当てる。
• panel matrix completion: 因子モデルでパネル欠損を補完しつつ処置効果推定。
• 異質処置効果: 固定効果と HTE の組み合わせ。 Callaway-Sant'Anna の event study。
• ネットワーク固定効果: 個体間の相互作用を考慮する spatial panel。

📋 ケーススタディ — SSDSE-B-2026 で起こる固定効果分析 4 シナリオ

シナリオ A: 県固有の気候・地理を吸収する

農業就業者比率を被説明変数として、 「政策効果」を見たいときに、 県固有の気候や地理は時不変なので固定効果で完全に吸収される。 これにより気候を別途モデル化する必要がなくなる。

シナリオ B: 全国共通の景気ショックを吸収する

リーマンショックやコロナのような全国共通の年次ショックは、 年固定効果で吸収。 これにより「景気のせい」と「政策のせい」を分離できる。

シナリオ C: 県境界の改編

「平成の大合併」のような大規模合併があった年は個体ダミーの定義が壊れる。 SSDSE-B-2026 は都道府県単位なので合併の影響は限定的だが、 市区町村単位の分析では深刻。

シナリオ D: 異質処置効果のシグナル

「同じ政策を導入しても、 大都市県と地方県で効果が逆」というケース。 固定効果＋ HTE モデル（処置 × 都市規模ダミー）で異質性を可視化する。

🧮 数式に値を入れて手で計算する: パネルデータの個体平均差分

合成データで個体内変動 (within) を計算する。

Step 1: 2 個体 × 3 時点

ȳ_1 = 12, ȳ_2 = 22

Step 2: 個体内変動 (within)

🐍 Python で再現

1
2
3
4
5
6
7
8

import numpy as np
y = np.array([10,12,14,20,22,24])
ids = np.array([1,1,1,2,2,2])
within = sum((y[ids==i] - y[ids==i].mean())**2 for i in [1,2]).sum()
total = ((y - y.mean())**2).sum()
print(f"within: {within}")
print(f"total: {total}")
print(f"within/total: {within/total:.3f}")

📤 実行結果

💬 手計算 (Step 2) 16 / 166 と Python 出力が完全一致。

🐍 Python 実装バリエーション

① linearmodels（最も標準的）

1
2
3
4
5
6
7
8
9

from linearmodels.panel import PanelOLS
# panel の列は year / pref / pop / hospitals。被説明変数は hospitals（病院数）、
# 説明変数は pop（総人口）。'y' や 'x' という列は存在しない
panel = panel.set_index(['pref', 'year'])
mod = PanelOLS.from_formula('hospitals ~ 1 + pop + EntityEffects + TimeEffects',
                            data=panel)
res = mod.fit(cov_type='clustered', cluster_entity=True)
print(res.params.round(6))
print('within R2 =', round(res.rsquared_within, 4))

② statsmodels（OLS + 県ダミー）

少ない個体数なら、 ダミー変数を直接作って OLS で推定する古典的アプローチも有効。

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

import pandas as pd
import statsmodels.formula.api as smf

# ── この抜粋だけで動くように、都道府県 × 年度のパネルを作り直す ──
panel = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
panel = panel.rename(columns={'SSDSE-B-2026': 'year', 'Prefecture': 'pref'})
panel['y'] = panel['A4101'] / panel['A1101'] * 1000   # 出生率（人口千対）
panel['x'] = panel['A1303'] / panel['A1101'] * 100    # 高齢化率(%)

# C(pref) で都道府県ダミー、 C(year) で年ダミーを作成
model = smf.ols('y ~ x + C(pref) + C(year)', data=panel).fit(
    cov_type='cluster', cov_kwds={'groups': panel['pref']})
print(model.summary())

③ scikit-learn 風（参考用、 厳密ではない）

scikit-learn には公式の固定効果クラスはありません。 代わりにダミー変数を OneHotEncoder で作り、 LinearRegression に通す方法があります。 ただし正規方程式に直結する形なので、 大規模パネルでは linearmodels が圧倒的に速い。

④ Within 変換を手動実装

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

import pandas as pd
import statsmodels.api as sm

# この抜粋だけで動くように、都道府県 × 年度のパネルを作り直す
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df.rename(columns={'SSDSE-B-2026': 'year', 'Prefecture': 'pref'})
df['y'] = df['A4101'] / df['A1101'] * 1000   # 出生率（人口千対）
df['x'] = df['A1303'] / df['A1101'] * 100    # 高齢化率(%)

# 各県の年度平均を引いて Within 変換
df['y_within'] = df['y'] - df.groupby('pref')['y'].transform('mean')
df['x_within'] = df['x'] - df.groupby('pref')['x'].transform('mean')
print(sm.OLS(df['y_within'], df['x_within']).fit().summary())

これは linearmodels が内部で行っている処理と同じ。 自由度補正は手動で必要。

🐍 拡張ハンズオン — SSDSE-B-2026 で TWFE と通常 OLS の比較

🎯 学習目的

同じデータに対して (1) プールド OLS、 (2) 個体固定効果、 (3) 二元固定効果 (TWFE) の 3 モデルを推定し、 係数の符号や大きさがどう変わるかを観察する。

📥 入力

SSDSE-B-2026 をパネル化（Prefecture × Year）したデータ。

📤 出力

3 モデルの係数表とクラスタロバスト標準誤差。

💬 解説

プールド OLS で正の係数が、 TWFE で負になる、 という現象（Simpson's paradox 的な逆転）は実データで頻繁に起こる。 これがパネル分析の真価。

🐍 比較スクリプト

 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

import pandas as pd
from linearmodels.panel import PanelOLS, PooledOLS

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df.rename(columns={'SSDSE-B-2026': 'Year'})
df['Aging_rate'] = df['A1303'] / df['A1101'] * 100   # 高齢化率(%)
df['Birth_rate'] = df['A4101'] / df['A1101'] * 1000  # 出生率(人口千対)
df = df.set_index(['Prefecture', 'Year'])
y = df['Birth_rate']
X = df[['Aging_rate', 'L3221']]  # 高齢化率と消費支出

# 1. プールド OLS
pool = PooledOLS(y, X).fit(cov_type='clustered', cluster_entity=True)
print('Pooled:')
print(pool.params)

# 2. 個体固定効果
fe = PanelOLS(y, X, entity_effects=True).fit(cov_type='clustered', cluster_entity=True)
print('FE (entity):')
print(fe.params)

# 3. 二元固定効果 (TWFE)
twfe = PanelOLS(y, X, entity_effects=True, time_effects=True).fit(cov_type='clustered', cluster_entity=True)
print('TWFE:')
print(twfe.params)

読み解きの観点

• プールド OLS では「県間の水準差」が支配的で、 高齢化率と出生率の関係はクロスセクション的な姿になる。
• 個体固定効果に切り替えると、 「同じ県の中で高齢化率が変動したときの出生率変動」のみが残り、 多くの場合係数の大きさが変化する。
• TWFE では全国共通の景気変動も除去され、 「県固有 ・ 時点固有要因を除いた純粋な関係」が見える。

🧭 固定効果モデルの実務 FAQ 補遺 — さらに 8 問

Q1. 固定効果モデルで個体数が時間ごとに変わる場合は

unbalanced panel として扱う。 linearmodels.PanelOLS は自動対応。 ただし脱落が処置と相関するなら IPW で補正。

Q2. 固定効果モデルでの相互作用項

「処置 × 時間」は DID と同義。 「処置 × 共変量」は HTE 分析。 どちらも固定効果モデルに組み込み可能。

Q3. 残差の自己相関は無視してよいか

無視すると標準誤差が過小評価される。 クラスタロバスト SE で対処するのが標準。

Q4. 固定効果モデルでの予測区間

新規個体の予測区間は通常出せない。 既存個体の将来予測は固定効果が利用可能。

Q5. R^2 が固定効果モデルで小さくなるのは正常か

「個体内の変動」だけを説明するのが within R^2 なので、 値が小さくなりやすい。 比較は同じ FE モデル間で行う。

Q6. 固定効果モデルと階層モデルの違い

固定効果は個体効果を「自由パラメータ」、 階層モデルは「確率変数」として扱う。 後者は予測に強い。

Q7. 固定効果モデルでサイズの小さい N は問題か

N が小さいとクラスタロバスト SE の漸近近似が崩れる。 wild cluster bootstrap が代替。

Q8. 固定効果モデルと機械学習

Athey-Wager の Double ML で、 機械学習を「残差化」のステップに使う。 固定効果はそのまま残せる。

✨ ベストプラクティス集 — 固定効果モデルの作法 12 箇条

1. パネルデータと分かった瞬間に「個体内変動」と「個体間変動」を分離して眺める。
2. between R^2 / within R^2 / overall R^2 の 3 つを必ず報告する。
3. クラスタロバスト SE を標準採用する。 通常の SE は系列相関を無視する。
4. 時間固定効果は迷ったら入れる。 全国共通ショックを吸収できる。
5. Hausman 検定の結果だけで固定効果 vs 変量効果を選ばない。 ドメイン知識を優先。
6. 動学パネルでは Nickell バイアスに留意し、 GMM を検討。
7. クラスタ数が 30 未満なら wild cluster bootstrap で SE を再評価。
8. 時間不変な変数を強引に入れない。 推定不可能で誤解を招く。
9. 処置効果推定では二元固定効果と DID の同値性を確認する。
10. 感度分析として「個体固定効果のみ」「二元固定効果」「個体 × 線形時間」を比較する。
11. staggered な処置の場合は Callaway-Sant'Anna 推定量に切り替える。
12. 固定効果モデルでは新規個体への予測ができない。 階層モデルへの移行を検討する。

📝 練習問題 — SSDSE-B-2026 で固定効果分析 4 タスク

練習 1: 分散分解

「高齢化率（A1303÷A1101）」を Prefecture × Year のパネルで眺め、 between 分散 / within 分散 / overall 分散の比率を求めよ。 80% 以上が between なら固定効果モデルは多くの情報を捨てることになる。

練習 2: 個体固定効果 vs 二元固定効果

「高齢化率 → 出生率（人口千対）」の回帰を 2 通り（個体固定効果のみ / TWFE）で推定し、 係数と SE を比較せよ。 全国共通の景気変動が混在する場合、 TWFE で係数が変わるはず。

練習 3: クラスタロバスト SE

同じ回帰で通常 SE とクラスタロバスト SE を比較し、 後者が大きくなることを確認せよ。 数十倍違うことも珍しくない。

練習 4: Hausman 検定

変量効果モデルと固定効果モデルを推定し、 Hausman 検定で適切なモデルを判定せよ。 都道府県データではほぼ常に固定効果に軍配が上がる。

📊 まとめ表 — 固定効果モデルの全体像

📜 歴史的文脈 — 固定効果モデルの発展史

パネルデータ分析と固定効果モデルは、 ミクロ計量経済学の発展と密接に関わってきました。 ここでは主要な発展を時系列で振り返り、 「なぜ二元固定効果が DID の標準になったのか」「なぜクラスタロバスト SE が必須になったのか」を歴史的視点から理解します。

第一期: 1950-1960 年代 — 個体効果の認識

計量経済学の初期、 ヘテロジニアスな個体を「個体ダミー変数」で扱うアイデアが登場。 ただし当時の計算機では大量のダミー変数を含む回帰は重く、 within 変換による計算量削減が重要視されました。

第二期: 1970 年代 — 変量効果との対比

Mundlak (1978) が「個体効果と説明変数の相関」が固定効果と変量効果の選択を決めることを示しました。 Hausman (1978) は両者を統計的に判定する検定を提示。

第三期: 1980-1990 年代 — 動学パネルと GMM

Nickell (1981) は動学パネルでの固定効果バイアスを指摘。 Arellano-Bond (1991) ・ Blundell-Bond (1998) が GMM 推定量を提案し、 動学パネル分析の標準ツールになりました。

第四期: 1990-2010 年代 — クラスタロバスト SE と DID

Bertrand-Duflo-Mullainathan (2004) は DID 分析でクラスタロバスト SE が必須であることを示しました。 これ以降、 パネル因果推論ではクラスタ SE が標準になりました。

第五期: 2010 年代以降 — staggered DID と新手法

Goodman-Bacon (2021) は staggered な処置タイミングで二元固定効果が偏ることを示し、 Callaway-Sant'Anna (2021) ・ de Chaisemartin-D'Haultfœuille (2020) などの新推定量が登場しました。

⚠️ 固定効果モデルの落とし穴（深掘り版・7件）

⚠️ エッジケース 8 連発 — 固定効果モデルでつまずくポイント

1. クラスタ数が少ない（< 30）

クラスタロバスト SE の漸近近似が崩れる。 wild cluster bootstrap で再評価。

2. 個体ダミーが多重共線

個体固定効果を入れると切片を落とさないと完全多重共線。 drop_first=True。

3. 時間不変な政策ダミー

「県境界の改編」など個体固有の時間不変ダミーは推定不可。 主分析から除外。

4. unbalanced パネルでの脱落

脱落が処置と相関するなら IPW で補正。

5. 動学パネル

被説明変数のラグを入れると Nickell バイアス。 GMM で対処。

6. staggered な処置タイミング

TWFE は処置効果に「負の重み」を割り当てる可能性。 Callaway-Sant'Anna に切り替え。

7. 個体数 vs 時点数のバランス

N >> T では within 推定量、 N << T では時系列分析。 同等なら両方検討。

8. 異質処置効果

処置効果が個体で異なるなら、 平均処置効果は誤解を招く。 HTE 分析へ。

📋 追加ケーススタディ — SSDSE-B-2026 で固定効果分析の典型例 3 題

ケース 1: 高齢化率の上昇が県民所得に与える影響

パネルデータで「高齢化率 → 県民所得」の関係を推定。 プールド OLS では負の係数が出るが、 これは「もともと所得が低く高齢化が進んでいる地方県」と「所得が高く高齢化が遅い都市県」のクロスセクション差を捉えているだけ。 固定効果モデルに切り替えると「同じ県の中で高齢化が進んだとき所得がどう変わったか」が見え、 因果に近い解釈が可能になる。

ケース 2: 大学進学率と労働市場

「大学進学率 → 失業率」の関係。 県固定効果を入れると「県固有の大学設置数や産業構造」を吸収。 さらに時間固定効果を入れると「全国共通の景気変動」も吸収。 両者を入れると、 「同じ県の中で進学率が上がった年に失業率がどう変わったか」が分離される。

ケース 3: 政策の県別効果評価

仮に「ある県だけが新政策を導入した」場合、 個体固定効果 + 時間固定効果 + 政策ダミー が DID と等価。 政策効果を推定する標準形であり、 平行トレンド仮定の検証が肝要。

🌐 関連手法・派生

固定効果モデル (fixed effects, FE) はパネルデータ分析の中核手法。 SSDSE-B-2026 を年次パネルとして扱う場合、 県固有の時間不変要因 (地理・産業構造・気候等) を吸収して within 変動のみで係数を推定する。

• 上位概念: パネルデータ分析 (panel data analysis) / 縦断データ解析 — Hsiao (2014) "Analysis of Panel Data" 第 3 版、 Wooldridge (2010) "Econometric Analysis of Cross Section and Panel Data"。
• 並列手法: ランダム効果モデル (RE, Swamy 1971) — 個体効果を確率変数として扱い GLS で推定。 FE は個体内の組成のみ使うが RE は個体間情報も活用。 Hausman 検定 (Hausman 1978) で FE vs RE を選択する。
• 派生・発展: 二方向固定効果 (Two-way FE, 個体 + 時間)、 動的パネル (Arellano-Bond GMM 1991、 Blundell-Bond 1998)、 階層線形モデル (HLM, Raudenbush & Bryk 2002)、 差分の差分 (DiD, Card & Krueger 1994)、 合成統制法 (Synthetic Control, Abadie et al. 2010)、 二方向 FE 推定値の再考 (de Chaisemartin & D'Haultfœuille 2020)。
• 前段処理: パネル balanced/unbalanced 確認、 時系列の単位根検定 (Levin-Lin-Chu, Im-Pesaran-Shin)、 within 変換 (各個体の平均からの偏差)、 クラスタロバスト標準誤差 (Cameron et al. 2011) の設定。
• 後段処理: F 検定で個体効果の有意性確認、 Wooldridge 検定で系列相関、 Pesaran 検定で cross-sectional dependence、 ロバスト標準誤差で異分散対応。
• 競合・代替: プールド OLS (個体効果無視、 バイアスあり)、 差分推定 (first-difference)、 IV-FE (内生性対応)、 マッチング (傾向スコア、 観測不変要因の代替)。

SSDSE-B-2026 を県 × 年のパネルとして扱う場合、 例えば「65歳以上人口比率 (A1303) → 出生数 (A4101)」の効果推定では FE で県固有の長期的少子化要因を吸収し、 残った within 変動 (景気循環等) で因果効果を識別できる。

🔗 関連用語（前提・並列・発展）

📚 前提（4個以上）

• 線形回帰：OLS の基礎
• 分散分析：個体FEは「個体ANOVA」と等価な側面あり
• 相関：交絡の出発点
• 仮説検定：係数の有意性
• ばらつき：within / between 分解

🔀 並列（4個以上）

• 変量効果モデル：FEの兄弟
• 階層線形モデル：群構造の一般化
• 差分の差分（DiD）：政策評価でよく使う
• 操作変数法（IV）：内生性対策
• 傾向スコア：選択バイアス対策

🚀 発展（4個以上）

• 動学パネル（GMM）：Arellano-Bond 等
• 合成統制法：因果推論の発展形
• 因果推論：FEは因果推論の主要ツール
• Hausman 検定：FE vs RE の選択
• クラスタ頑健標準誤差：必須の補正
• 合成データ生成：パネル拡張に応用

📚 統計学習の総合ガイド

🎯 学習目標

このページの概念をマスターすることで、 以下のスキルが身につきます：

• 定義と公式を正確に理解
• 適切な使用場面を判断
• Python で実装し、 結果を可視化
• 仮定の確認と診断
• 結果の解釈と報告
• 限界と注意点の理解
• 関連手法との使い分け

📊 SSDSE-B-2026 データの構造

このコンペの主要データセット（SSDSE-B-2026）の構造：

• 47都道府県 × 過去複数年（パネル形式）
• 112列の社会経済指標
• 人口、 出生、 死亡、 婚姻、 経済、 教育、 環境、 家計など多次元
• 政府統計を統合した信頼性の高いデータ

🔍 主要な変数群

💡 ジャストインタイム型学習

このガイドは「必要なときに必要な知識」を提供する設計：

• 論文中の用語をクリック → 該当の用語解説へジャンプ（ポップアップ）
• 概念マップで関連用語を辿る
• 包含マップで体系を把握
• ツリーマップで全体を俯瞰
• Python コードをコピーして実行
• SSDSE データで実際に試す

🛠️ Python データサイエンス環境

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

# 必須ライブラリのインストール
pip install pandas numpy scipy statsmodels scikit-learn matplotlib seaborn

# 標準的なインポート
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from scipy import stats
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split
from sklearn.metrics import r2_score, mean_squared_error

# 日本語表示の設定（matplotlib）
plt.rcParams['font.family'] = 'Hiragino Sans'
plt.rcParams['axes.unicode_minus'] = False

# データ読み込み（SSDSE は cp932 エンコーディング）
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932')
print(df.shape)
print(df.head())
print(df.describe())

🌟 効果的なEDAテンプレート

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

def quick_eda(df, target=None):
    """探索的データ分析の基本テンプレート"""
    print(f"Shape: {df.shape}")
    print(f"\\nColumn types:\\n{df.dtypes}")
    print(f"\\nMissing values:\\n{df.isnull().sum()}")
    print(f"\\nBasic stats:\\n{df.describe()}")

    # 数値列の可視化
    numeric_cols = df.select_dtypes(include=[np.number]).columns
    df[numeric_cols].hist(bins=20, figsize=(15, 10))
    plt.tight_layout()
    plt.show()

    # 相関ヒートマップ
    if len(numeric_cols) > 1:
        plt.figure(figsize=(12, 10))
        sns.heatmap(df[numeric_cols].corr(), annot=True, fmt='.2f',
                    cmap='RdBu_r', center=0)
        plt.show()

    # ターゲットがあれば散布図行列
    if target and target in df.columns:
        sns.pairplot(df[numeric_cols[:5]], hue=target if df[target].dtype == 'O' else None)
        plt.show()

📈 報告書テンプレート

分析結果を報告する際の標準的な構成：

1. 背景・目的：なぜこの分析が必要か
2. データ：出所、 サンプルサイズ、 期間
3. 方法：使用した統計手法、 仮定
4. 結果：図表、 統計量、 検定結果
5. 解釈：結果が何を意味するか
6. 限界：分析の制約
7. 結論：要点まとめ、 今後の課題

固定効果モデル（fixed effects model）は、 パネルデータ解析の標準装備であり、 同時に「処置群 ・ 対照群」「DID」「二元固定効果」と地続きの教材体系の中央に位置します。

このページから飛べる主要グループ教材

• 処置群・対照群 グループ教材 — 政策評価で固定効果＋DID をどう組み合わせるかを総括的に扱います。
• 対照群 グループ教材 — 固定効果の「個体ダミー」と対照群選択の関係を整理します。
• 時系列グループ教材 — 時間固定効果（年ダミー）と季節性除去・トレンド除去の対応関係を学べます。

SSDSE-B-2026 における固定効果学習の流れ（推奨）

1. パネルデータとして整形し、 between/within 分解で固定効果が拾う情報量を確認する。
2. 変量効果モデルと比較し、 Hausman 検定で外生性を判断する。
3. DIDで「二元固定効果（個体＋時間）」へ拡張する。
4. ロバスト統計の応用としてクラスタロバスト標準誤差を導入する。
5. パネル因果分析の応用例として政策効果推定に進む。

到達目標

• 固定効果が「個体間異質性」を吸収する代償として何を犠牲にするかを言語化できる。
• SSDSE-B-2026 における「県固有の事情」をモデルで明示的に吸収する経験を積む。
• 個体・時間の二元固定効果と DID の同値性を理解できる。

📚 参考文献・読み物 — 固定効果モデルを深掘りする

• Wooldridge (2010) Econometric Analysis of Cross Section and Panel Data, 2nd ed. — パネル分析の聖書。 固定効果・変量効果・GMM を網羅。
• Cameron & Trivedi (2005) Microeconometrics: Methods and Applications. — クラスタロバスト SE とパネル因果推論。
• Angrist & Pischke (2009) Mostly Harmless Econometrics. — DID と固定効果の直感的解説。
• Bertrand, Duflo & Mullainathan (2004) How Much Should We Trust Differences-in-Differences Estimates?, QJE. — クラスタ SE の必要性を実証。
• Callaway & Sant'Anna (2021) Difference-in-Differences with Multiple Time Periods, JoE. — staggered DID の新手法。
• Goodman-Bacon (2021) Difference-in-Differences with Variation in Treatment Timing, JoE. — TWFE の負の重み問題。
• de Chaisemartin & D'Haultfœuille (2020) Two-Way Fixed Effects Estimators with Heterogeneous Treatment Effects, AER. — 異質処置効果の問題。

✅ 固定効果モデルの最終チェックリスト 12 項目

1. 個体固定効果と時間固定効果のどちらを入れるか明示したか。
2. Hausman 検定で固定効果が適切と判定されたか。
3. within / between / overall R^2 の 3 つを報告したか。
4. クラスタロバスト SE を使ったか。
5. クラスタ数が少ない場合 wild cluster bootstrap で再評価したか。
6. 時間不変な変数を強引に入れていないか確認したか。
7. 動学パネルでは Nickell バイアスを意識し GMM を検討したか。
8. staggered な処置の場合、 Callaway-Sant'Anna 等に切り替えたか。
9. 感度分析として個体固定効果のみ ・ 二元固定効果 ・ 個体 × 線形時間 を比較したか。
10. 異質処置効果の可能性を HTE 分析で検討したか。
11. FWL の定理を理解し、 within 変換と LSDV が同じ係数を返すことを確認したか。
12. 新規個体への予測ができないことを認識し、 必要なら階層モデルへ移行を検討したか。

📝 まとめノート — 固定効果モデル

このページは「固定効果モデル」を SSDSE-B-2026 (47 都道府県 × 多変量) を題材に体系的に学ぶための一気通貫の教材です。 単なる用語定義集ではなく、 「直感 → 数式 → 実装 → 落とし穴 → 関連手法」 という流れで一周することで、 業務での意思決定にそのまま使える知識に組み上げます。

本ページで取り上げた手法・記号・コード例は、 すべて実データの 47 都道府県を入力として動作する形にしてあります。 合成データに依存しないため、 SSDSE-B-2026 を data/raw/SSDSE-B-2026.csv として配置するだけでコード片を再現できます。

関連グループ教材へのリンクを使い、 「この用語が属する大きな分野」を俯瞰してから戻ってくると、 知識が一段抽象化された形で定着します。 用語ページは点、 グループ教材は線、 概念マップは面 — 三層を往復しながら学習を進めてください。

本ページの内容に不足を感じたら、 相関ページ（correlation.html）を参照基準として、 ご自身の解釈を加筆していくことを推奨します。 教材の完成形ではなく、 学習者自身の理解の出発点として位置付けてください。

最後に、 SSDSE-B-2026 の 47 都道府県データは「N=47 と少ない」という構造的制約があります。 統計検定の漸近近似が崩れる場面、 単一の県（東京都・沖縄県）が全体傾向を支配する場面、 標準誤差が過小評価される場面 — これらは本ページの随所で繰り返し注意喚起しました。 「実データの小ささを軽視しない」 という姿勢が、 実務でのデータサイエンティストの基本姿勢です。

🧩 追補解説 — within の分散分解と「実測エフェクトの動き方」

既存の「直感」章とは別角度から固定効果を捉え直します。 ここでのキーワードは「各個体を自分自身の対照群にする」という発想と、 「全変動を between（個体間）と within（個体内）に分解する」という会計です。 固定効果推定量が使うのは within の変動だけ。 したがって「within にどれだけ情報が残っているか」を先に確認するのが、 落とし穴を避ける最短ルートになります。 以下の数値はすべて SSDSE-B-2026（47 都道府県 × 2012–2023 年 = 564 観測、 cp932 / skiprows=[1]）を実測したものです（高齢化率 = A1303÷A1101×100、 出生率 = A4101÷A1101×1000）。

🎯 直感の再定義 — 「平均を引く」は「自分との比較」

within 変換 $x_{it}-\bar{x}_i$ は、 各県を他県ではなく過去の自分と比べる操作です。 プール OLS や between 推定量が「高齢化率が高い県は出生率が低い」という県と県の横比較を見るのに対し、 固定効果は「同じ県の中で高齢化が進んだ年に、 出生率がどう動いたか」という県内の縦比較だけを見ます。 時間不変の県特性（気候・地理・県民性）は「自分の平均」に丸ごと含まれるので、 差を取った瞬間に消えます。 これが「self-control（自己対照）」という言い換えの核心です。

📊 全変動の分散分解（実測）

各変数の総分散を between（各県平均のばらつき）と within（各県内で年ごとにばらつく分）に分解した実測値です。

高齢化率は変動の約 7 割が between（＝県ごとの水準差）で、 within に残るのは 3 割だけ。 固定効果はこの 3 割の情報「だけ」で係数を推定します。 「情報を捨てている」のではなく「交絡した情報を意図的に外している」のですが、 within が薄い変数ほど推定は不安定・測定誤差に脆弱になります(後述)。

📐 5 つの推定量を同一データで比較（実測）

被説明変数 = 出生率、 説明変数 = 高齢化率で、 pooled / between / 個体 FE（within）/ 変量効果（RE）/ 二元 FE（TWFE）を推定しました。 within R² ≈ 0.800。

プール OLS（-0.232）は between（-0.180）と within（-0.354）の加重平均のような中間値になっているのが読み取れます。 これが「なぜ FE で係数が動くのか」の会計的な答えです。

⚠️ 落とし穴 ① — 個体 FE は「時間可変の交絡」を消せない（実測が語る）

上表で最も教育的なのは、 個体 FE の -0.354 が二元 FE で-0.016 までほぼ消えることです。 これは「高齢化が進んだ県で出生率が下がった」ように見えた within 相関の大半が、 実は全国一斉に進行した時間トレンド（少子高齢化という全国共通ショック）だったことを意味します。 県固定効果は時間不変の交絡しか吸収できないため、 この時間可変の交絡は年固定効果（TimeEffects）を足して初めて除去できます。 「個体 FE を入れたから因果」と早合点するのは危険で、 年 FE を足したときに効果が生き残るかを必ず確認すべき、 という実データの警告です（平行トレンド / DiD の発想に接続）。

⚠️ 落とし穴 ② — within は信号分散が痩せ、 測定誤差の希薄化が悪化する

分散分解で見た通り、 高齢化率は within が総分散の 30.1% しか残りません。 古典的測定誤差 $x^{*}=x+u$ の下で回帰係数は真値の $\dfrac{\mathrm{Var}(x^{*})}{\mathrm{Var}(x^{*})+\mathrm{Var}(u)}$ 倍に希薄化(attenuation)します。 within 変換は分母の信号分散 $\mathrm{Var}(x^{*})$ を減らす一方、 誤差分散 $\mathrm{Var}(u)$ は多くの場合そのまま残るため、 希薄化率が悪化します。 「FE にしたら係数がゼロに近づいた」現象は、 交絡除去だけでなく信号対雑音比の低下が原因のこともある、 という二面性に注意してください（測定誤差）。 （希薄化の一般式は教科書結果であり、 上の 30.1% は SSDSE-B-2026 の実測、 誤差分散そのものは本データからは同定できません。）

⚠️ 落とし穴 ③ — 系列相関で SE が過小、 クラスタ SE で補正（実測）

同じ県の年度間で誤差は相関するため、 i.i.d. を仮定した標準誤差は過小評価になります。 上の個体 FE（高齢化率係数）で実測すると:

この例では 1.46 倍ですが、 系列相関が強い変数ではもっと開きます。 t 値・信頼区間・有意性判定がすべて楽観的にずれるため、 パネルではクラスタ頑健 SE を既定にするのが作法です（標準誤差）。 なお N=47 はクラスタ数として下限に近く、 不安なら wild cluster bootstrap を併用します。

⚠️ 落とし穴 ④ — 時間不変変数・少数時点・大量ダミー

• 時間不変変数は識別不能: within で消えるため、 県コードや地理的固定属性の係数は原理的に推定できません。 効果を見たいなら Hausman 検定を経て RE、 または Mundlak / Hausman-Taylor を検討。
• 少数時点の Nickell バイアス: 動学項 $y_{i,t-1}$ を右辺に入れると、 within 変換が誤差とラグ被説明変数を機械的に相関させ、 係数が $O(1/T)$ のバイアスを持ちます。 SSDSE-B は T=12 と短めなので、 動学化するなら 操作変数ベースの Arellano–Bond GMM に移行します（ラグ変数）。
• 大量ダミーの計算コスト: 個体数が多いと LSDV は行列が肥大化します。 within 変換（demean）は数学的に等価（Frisch–Waugh–Lovell）で高速。 市区町村・企業パネルではこの差が実行時間を左右します。

🚀 発展 — 何を足すと何が変わるか（Hausman・Mundlak・動学）

• RE を選べるか（Hausman）: 本データで FE と RE の係数差を Hausman 検定にかけると χ² ≈ 149.6（df=1, p<0.001）で RE は棄却。 「個体効果と説明変数が無相関」という RE の仮定は成り立たず、 FE 一択と判定されました（実測）。
• Mundlak 装置: RE に各県平均 $\bar{x}_i$ を共変量として加えると、 within 係数は FE と一致し、 $\bar{x}_i$ の係数が「between と within の差」を表します。 Hausman の中身を回帰の形で可視化する道具です。
• 二元固定効果と DiD: TWFE は多期間 DiD と等価で、 本データで効果がほぼ消えたのはまさに「時間共通ショックを引いた後の純効果」を見たから。 ただし処置タイミングがずれる staggered 設計では TWFE が偏るため（Goodman-Bacon 2021）、 パネル因果推論では新しい推定量を使います。
• within/between/pooled の三位一体: 同じデータでも「どの変動を使うか」で結論が変わります（本ページの -0.180 / -0.354 / -0.232）。 3 つを併記して初めて、 交絡の正体（交絡 / 内生性）を議論できます。 基礎枠組みは パネルデータ・変量効果を参照。

※ 本節の係数・分散・SE・χ² はすべて SSDSE-B-2026 実測（出生率〜高齢化率、 単回帰、 564 観測）。 測定誤差の希薄化式のみ一般的な教科書結果で、 誤差分散は本データからは同定していません。

🗺️ パネルデータ手法選択フローチャート

Q1: データ構造は本当にパネル (panel) か？

• 1 個体 × T 時点 (時系列) → ARIMA / ETS / 状態空間モデル
• N 個体 × 1 時点 (クロスセクション) → 通常 OLS / 階層モデル
• N 個体 × T 時点 (パネル) → Fixed Effects / Random Effects / DiD
• 個体 ID が一貫している: long panel、 そうでなければ短期反復横断 (repeated cross-section)

Q2: 個体に観測不能な異質性 (unobserved heterogeneity) があるか？

• 説明変数と相関あり (おそらく) → Fixed Effects (FE) (within 推定量)
• 説明変数と相関なし → Random Effects (RE) (GLS、 効率的)
• 判定方法: Hausman 検定 (H_0: RE 一致) → 棄却なら FE 採用
• 個体平均を入れる → Mundlak 装置で RE を FE と等価化

Q3: N と T のバランスは？

• N 大 / T 小 (短パネル、 例: SSDSE-B 47 都道府県 × 5 年): FE OK、 動学項なら Nickell バイアス注意
• N 小 / T 大 (長パネル、 マクロ国別): 時間固定効果重要、 系列相関補正
• N 大 / T 大: TWFE (Two-Way Fixed Effects)、 Drukker クラスタ SE
• 動学項 (y_{t-1}) を入れる: Arellano-Bond / System GMM

Q4: 推定値の標準誤差は？

• クラスタ標準誤差 (個体別): パネルでは原則必須 (Cameron & Miller 2015)
• 2-way clustering: 個体 × 時間両方相関ある場合
• Driscoll-Kraay SE: 横断的な系列相関に頑健 (国別マクロデータ)
• linearmodels Python パッケージ: PanelOLS で cluster="entity" を指定

📏 効果量の参照表

p値だけでなく効果量も併記するのが現代統計の標準。 主要な指標と Cohen の解釈基準：

🗺️ 概念マップ — 3つの視点で体系を理解する

固定効果モデル がデータサイエンスの体系の中でどこに位置するかを、 3つの異なる視点で可視化します。 同じ情報でも見方を変えると気付きが変わります。

📍 体系階層のパス

🌐 統計・データサイエンス › 因果推論 › パネル分析 › 固定効果モデル（個体固有の効果を除く推定）

① 🔗 関係マップ — 「他の手法とどう繋がっているか」

中心に 固定効果モデル を置き、 そこから パネルデータ・ランダム効果・時系列分析 計 3 個の用語へ、 前提・兄弟・発展形といった関係を矢印で結んでいます。 線がどちら向きかを見れば、 先に読むべき用語とあとから読む用語が分かります。 ノードはドラッグで動かせ、 ホイールでズーム、 クリックでその用語のページへ遷移します。

② ⭕ 包含マップ — 「どのカテゴリに含まれているか」

大きな円が小さな円を包含する Circle Packing 図。 「固定効果モデル」は緑色でハイライト。

• カテゴリ円をクリック：その内部にズームイン
• 白背景クリック：1階層戻る
• 用語円をクリック：詳細ページへ遷移
• マウスホバー：階層パス表示

③ 🌳 ツリーマップ — 「面積で見るボリューム比較」

長方形を入れ子に分割した Treemap 図。 各分野の規模感を面積で比較。 「固定効果モデル」は緑色でハイライト。

• カテゴリ矩形をクリック：その内部にドリルダウン
• パンくず（上のリンク）クリック：その階層に戻る
• 用語矩形をクリック：詳細ページへ遷移
• マウスホバー：階層パスと値を表示

🎯 3つのマップの使い分け

💡 3 つの図は同じ位置関係を別の角度から描いています。 関係マップは 固定効果モデル の隣に何が並ぶかを、 包含マップとツリーマップは 統計・データサイエンス → パネル分析 → 固定効果モデル という入れ子の位置を示します。 「パネル分析には他に何があったか」を思い出したいときは包含マップを、 「次に何を読むか」を決めたいときは関係マップを開いてください。

🔗 隣接手法への橋渡し

「固定効果モデル」は単独で完結せず、 隣接する手法と接続することで分析パイプラインの一部として機能する。 以下に具体的な接続関係を示す。

• 上流（入力側で必要となる前処理・前提）: パネルデータ・個体不変な欠落変数・within 変換
• 並列（同じ目的を持つ代替・競合手法）: 変量効果モデル (Random Effects)・プールド OLS・差分の差分 (DID)・hierarchical model (Gelman & Hill 2006)
• 下流（固定効果モデル の結果を活用する後続手法）: Hausman 検定 (1978) で FE vs RE 選択・clustered SE (Cameron & Miller 2015)・two-way FE

「固定効果モデル」は (1) パネルデータ整備 (個体 i × 時期 t) → (2) within 変換または LSDV → (3) クラスタロバスト標準誤差 → (4) F 検定で個別効果有意性 → (5) Hausman 検定で RE vs FE 選択、 の 5 段パネル分析パイプラインで運用する。

🌳 固定効果モデルの意思決定木 — 6 つの分岐

分岐 1: パネルデータか

• はい → 固定効果モデルを検討。
• いいえ（クロスセクション） → 通常の OLS でよい。

分岐 2: 個体効果と説明変数に相関はあるか

• あり → 固定効果一択。 変量効果は不偏でない。
• なし → 変量効果も使える。 Hausman 検定で確認。

分岐 3: 時間不変な説明変数があるか

• あり、 かつそれが主役 → 固定効果では推定不能。 ハイブリッドモデルや Mundlak 装置を検討。
• なし → 通常の固定効果で OK。

分岐 4: 全国共通のショックはあるか

• あり → 二元固定効果（時間 + 個体）。
• なし → 個体固定効果のみで OK。

分岐 5: 標準誤差の計算

• クラスタロバスト SE を必ず使う。 SSDSE-B-2026 の N=47 ではギリギリ妥当だが、 wild cluster bootstrap も併用。

分岐 6: 因果推論につなぐか

• はい → DID ・ 二元固定効果 ・ 合成統制法へ。
• いいえ → 記述的 panel regression で完結。

📖 固定効果モデルの専門用語ミニ辞典 — 14 語

Fixed Effects Model (FE)

個体固有の時不変要素をダミー変数で吸収するモデル。

Random Effects Model (RE)

個体効果を確率変数として扱うモデル。 説明変数と無相関を仮定。

Hausman 検定

固定効果と変量効果のどちらが適切かを統計的に判定。

LSDV (Least Squares Dummy Variable)

個体ダミー変数を全部入れて OLS する愚直法。

Within 変換

各列から個体平均を引く前処理。 LSDV と同じ係数を返す。

Between 推定量

個体平均同士の回帰。 cross-section 的な情報を使う。

Two-Way Fixed Effects (TWFE)

個体固定効果 + 時間固定効果のモデル。 DID と等価。

Cluster Robust Standard Error

個体内系列相関を考慮した標準誤差。 パネルでは必須。

Nickell バイアス

動学パネル（被説明変数のラグを入れる）で生じるバイアス。 T が小さいと大きい。

Mundlak 装置

変量効果モデルで個体平均を説明変数に加えることで、 固定効果と等価にする技。

FWL の定理

Frisch-Waugh-Lovell。 「他の変数を残差化してから回帰する」と元の係数と同じになる。 within 変換の理論的根拠。

Incidental Parameters Problem

N が大きく T が小さいと、 個体パラメータ推定の誤差が累積する問題。

Wald 検定

固定効果モデルの個体ダミー群が全体として有意かを検定。

Pooled OLS

個体・時間構造を無視した OLS。 固定効果との比較の基準点。