🔖 キーワード索引

「対数変換 (log transformation)」はy → log(y) で右裾の長い分布を縮め、 乗法的な関係を加法的に変える前処理。 本ページの中核キーワードを以下に整理する。

これらのキーワードは「log transformation 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

なぜ対数変換するのか

「桁が違う量」を比較するときの定番手法。 人口、 所得、 株価、 ファイルサイズ、 細菌数 ── これらは 「数桁にまたがる」 量で、 そのまま扱うとヒストグラムは右に長い尾を引き、 平均値が外れ値に引きずられる。 対数を取ることで「比率の世界」に持ち込み、 ほぼ正規分布で扱えるようになる。

物語①: SSDSE-B-2026 の都道府県人口

東京と鳥取の 原値の比は 26 倍 だが、 log10 では差が 1.42 (鳥取 5.73 → 東京 7.15) に圧縮される。 これは「対数の差 = 元の比の対数」という性質：$\log(14{,}086{,}000) - \log(537{,}000) = \log(14086000/537000) = \log(26.2) ≈ 1.42$。

ヒストグラムの比較

原データ ヒストグラム (右に長い尾):
人口 (万人)
   0-100   ████████████████████████████████ 24 県
 100-500   █████████████ 18 県
 500-1000  ████ 4 県
1000-1500  █ 1 県 ← 東京 (外れ値)

log10(人口) ヒストグラム (ほぼ対称):
log10値
 5.5-5.8   ███ 3 県
 5.8-6.1   ██████████ 10 県
 6.1-6.4   ██████████████ 14 県  ← ピーク
 6.4-6.7   █████████████ 13 県
 6.7-7.0   █████ 5 県
 7.0-7.2   ██ 2 県  ← 東京・神奈川
   

対数を取った瞬間、 ヒストグラムは 「右尾なし・ピーク中央」 の正規分布に近い形に。 平均と中央値の差も大幅縮小（後述の数値検証参照）。

物語②: 株価リターンと対数

「日次リターン」（$P_t/P_{t-1} - 1$）と「対数リターン」（$\ln(P_t/P_{t-1})$）。 ファイナンスでは 対数リターン を使うのが定石。 理由: ① 時間方向に加法的（週次リターン = 5 日分の対数リターンの和）、 ② 正規分布の仮定が成り立ちやすい、 ③ 大きな下落と上昇が対称的に扱える。

物語③: Weber-Fechner の法則

人間の感覚は刺激の 対数 に比例する（音の dB、 光の明るさ、 地震のマグニチュード）。 つまり、 「100 → 200」と「1000 → 2000」を 同じ「2 倍の変化」 として感じる。 対数変換はこの「人間の感覚」と整合的な世界に持ち込む操作でもある。

📐 定義／数式

対数変換にはバリエーションがあるが、 すべて 「乗法を加法に変換する」 性質に根ざす:

底の違い

底変換公式: $\log_b x = \ln x / \ln b$。 統計分析は底に依存しないので、 通常は ln で書く。

🔬 数式を言葉で読み解く

数式を実例で「翻訳」するセクション。 対数の 3 つの本質 を抑えれば、 ほとんどの応用に対応できる。

⚡ Tips: ⑤の表の中で最も実務でよく使うのは log-log モデル（弾力性）。 経済学・マーケティング・物理で多用される。 「需要の価格弾力性 = $-1.2$」と言ったら、 価格 1% 上昇で需要 1.2% 低下を意味する。

🔬 対数変換とその一般化: Box-Cox / Yeo-Johnson 変換

対数変換 ($y' = \log(y)$) は「右に裾の長い分布 (right-skewed)」を正規分布に近づける万能薬として知られるが、 ゼロや負の値には適用できない。 これを一般化したのが Box-Cox 変換 (1964) と Yeo-Johnson 変換 (2000)。 SSDSE-B-2026 の都道府県総人口・出生数・高齢者人口 等は対数正規分布に近く、 これらの変換で歪度 (skewness) と正規性を改善できる。

🔬 数式を言葉で読み解く: Yeo-Johnson 変換

$$ y' = \begin{cases} ((y+1)^\lambda - 1)/\lambda & \text{if } \lambda \neq 0, y \geq 0 \\ \log(y+1) & \text{if } \lambda = 0, y \geq 0 \\ -((-y+1)^{2-\lambda} - 1)/(2-\lambda) & \text{if } \lambda \neq 2, y < 0 \\ -\log(-y+1) & \text{if } \lambda = 2, y < 0 \end{cases} $$

「正の値は Box-Cox 風、 負の値は符号反転して同様の変換」という発想。 $\lambda = 0$ なら対数変換、 $\lambda = 1$ なら恒等変換 (変換なし)、 $\lambda = 0.5$ なら平方根に近い変換。 sklearn の PowerTransformer はデフォルトで Yeo-Johnson を採用し、 ゼロ・負の値が混在するデータでも安全に正規化できる。

このコードでやること: SSDSE-B-2026 の都道府県総人口 (A1101) に対し、 対数変換 / Box-Cox / Yeo-Johnson を適用し、 歪度・正規性検定の改善度を比較する。

📥 入力データ (SSDSE-B-2026・2023年・A1101=総人口):

 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
import numpy as np
from scipy import stats
from sklearn.preprocessing import PowerTransformer

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
d = df[df['SSDSE-B-2026'] == 2023]
y = pd.to_numeric(d['A1101'], errors='coerce').dropna().values.astype(float)  # 総人口

# 1. 元データの歪度・正規性
print(f'元データ:       skewness = {stats.skew(y):.3f}, Shapiro p = {stats.shapiro(y).pvalue:.4f}')

# 2. log 変換
y_log = np.log(y)
print(f'log 変換:       skewness = {stats.skew(y_log):.3f}, Shapiro p = {stats.shapiro(y_log).pvalue:.4f}')

# 3. Box-Cox
y_bc, lam_bc = stats.boxcox(y)
print(f'Box-Cox (lam={lam_bc:.3f}): skewness = {stats.skew(y_bc):.3f}, Shapiro p = {stats.shapiro(y_bc).pvalue:.4f}')

# 4. Yeo-Johnson
pt = PowerTransformer(method='yeo-johnson')
y_yj = pt.fit_transform(y.reshape(-1, 1)).ravel()
print(f'Yeo-Johnson (lam={pt.lambdas_[0]:.3f}): skewness = {stats.skew(y_yj):.3f}, Shapiro p = {stats.shapiro(y_yj).pvalue:.4f}')

📤 実行すると次の出力が得られる:

💬 結果の読み方: 元データは歪度 2.22 で強い右裾分布 (Shapiro p≈0 で正規性棄却)。 log 変換で歪度 0.79 まで改善するが、 Shapiro p=0.006 でまだ正規性は棄却される。 Box-Cox の最適 λ=-0.49 (平方根の逆数に近い) では歪度 0.12・Shapiro p=0.475 まで改善し、 正規性を棄却しない水準に到達。 総人口 47 点という小標本では log よりやや強めの変換が最尤で選ばれる。 Yeo-Johnson も正値のみのため実質同一の λ・効果となる。

⚠️ 落とし穴: 解釈の変化と逆変換

対数変換後の回帰係数は「説明変数 1 単位増 → 目的変数が β×100% 変化」と解釈する (semi-elasticity)。 元のスケールで予測値が必要な場合は np.exp() で逆変換するが、 単純な exp(平均) は 過小推定となる (Jensen 不等式)。 正しくは exp(平均 + 分散/2) でバイアス補正するか、 Duan の smearing estimator を使う。

🧪 SSDSE-B-2026 で対数変換の威力を比較する

公式の SSDSE-B-2026 (47 都道府県×12 年) を用いて、 総人口・出生数・65歳以上人口の 3 変数で対数変換の効果を体系的に比較する。 対象変数はいずれも分布の右裾が長く、 そのままでは線形回帰・相関分析の前提を満たさない典型である。 ここでは「歪度・尖度・Shapiro-Wilk 検定」を変換前後で並べ、 どの変数で対数変換が効くか/効かないかを定量的に確認する。

このコードでやること: SSDSE-B-2026 を読み込み、 総人口 (A1101)・出生数 (A4101)・65歳以上人口 (A1303) の 3 変数について、 元スケール vs log10 変換後の歪度・尖度・Shapiro-Wilk p 値を一覧表として出力する。

📥 入力データ (SSDSE-B-2026・2023年・該当列):

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

import pandas as pd
import numpy as np
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]
cols = {'総人口': 'A1101', '出生数': 'A4101', '65歳以上人口': 'A1303'}
rows = []
for name, code in cols.items():
    x = pd.to_numeric(d[code], errors='coerce').dropna().values.astype(float)
    lx = np.log10(x)
    rows.append({'変数': name + ' (元)',
                 '歪度': round(stats.skew(x), 3),
                 '尖度': round(stats.kurtosis(x), 3),
                 'Shapiro_p': round(stats.shapiro(x).pvalue, 4)})
    rows.append({'変数': name + ' (log10)',
                 '歪度': round(stats.skew(lx), 3),
                 '尖度': round(stats.kurtosis(lx), 3),
                 'Shapiro_p': round(stats.shapiro(lx).pvalue, 4)})
print(pd.DataFrame(rows).to_string(index=False))

📤 実行すると次の出力が得られる:

💬 結果の読み方: 3 変数とも元スケールでは歪度 1.8〜2.3・尖度が正で右裾分布。 Shapiro-Wilk p≈0 で正規性は完全に棄却される。 log10 変換後は歪度が 0.7 台まで縮み尖度も小さくなるが、 Shapiro-Wilk p はまだ 0.005〜0.007 で 47 点という小標本では正規性が棄却される。 それでも「東京・神奈川・大阪」の上位県が外れ値として効いていた歪みが対数尺度で大きく圧縮され、 線形回帰・t 検定の頑健性は実用上大きく向上する。

📊 表: SSDSE-B-2026 における対数変換の効果一覧

💬 表の読み方: 上位 4 変数 (総人口・出生数・65歳以上人口・転入者数) は典型的な「マルチスケール量」で、 上位都府県と下位県の間に 10 倍以上の開きがある。 こうした変数は log 変換が必須レベルで効く。 一方で、 1 世帯あたりの消費支出のように「本質的にスケールが揃った変数」(むしろ左裾で歪度が負) は対数変換で改善せず、 解釈性が悪化するだけ。 「変換すべき変数」と「変換すべきでない変数」を歪度 (目安: 絶対値 1 超で要検討) で見極めることが重要である。

📐 数式: 対数変換と歪度の関係

確率変数 $X$ が右裾分布 (例: 対数正規分布 $X \sim \mathrm{LogNormal}(\mu, \sigma^2)$) のとき、 $Y = \ln X$ は正規分布 $\mathcal{N}(\mu, \sigma^2)$ に従う。 $X$ の歪度は

$$\mathrm{Skew}(X) = (e^{\sigma^2} + 2)\sqrt{e^{\sigma^2} - 1}$$

で、 $\sigma^2 = 1$ なら歪度 ≈ 6.18、 $\sigma^2 = 0.5$ なら歪度 ≈ 1.75。 対数変換後の $Y$ は歪度 0 となる。 SSDSE の総人口データは $\ln$ スケールの分散が $\sigma^2 ≈ 0.63$ 程度で、 元スケールの歪度 2.2 を log 変換で 0.8 前後まで圧縮できるのはこの関係式から予想される。

🧪 実務でよくある落とし穴を SSDSE で再現する

対数変換は強力だが、 使い方を誤ると逆効果や誤った結論を導く。 ここでは実務でよく見る 4 つの落とし穴を、 SSDSE-B-2026 で実際に再現してみる。

⚠️ 落とし穴 1: ゼロ値・負値の扱い

$\ln(0)$ は $-\infty$、 $\ln(\text{負値})$ は未定義となる。 SSDSE-B-2026 でも「生活保護被保護実人員」は一部都道府県・年度で集計上 0 になりうる。 対処法は (1) $\ln(x + 1)$ などの定数加算 (Box-Cox の一種)、 (2) 該当行を除外、 (3) Yeo-Johnson 変換 (負値・ゼロを許容) のいずれか。 安易な定数加算は分布の左端を歪めるため、 加算定数 $c$ の選び方を明示すること。

⚠️ 落とし穴 2: 逆変換時のバイアス

log スケールで平均を取り $\exp(\overline{\ln y})$ で元スケールに戻すと 系統的に過小推定となる (Jensen 不等式)。 正しくは $\exp(\overline{\ln y} + \sigma^2/2)$ で対数正規補正、 もしくは Duan の smearing estimator (残差の幾何平均で補正) を使う。 SSDSE-B の総人口では $\exp(\overline{\ln y})$ (幾何平均) は算術平均を約 30% も過小評価し、 $\sigma^2/2$ 補正で 5% 程度まで縮む。

⚠️ 落とし穴 3: 解釈の変化を見落とす

$\ln Y = \alpha + \beta X$ の場合、 $X$ が 1 単位増えると $Y$ は $\beta \times 100\%$ 変化 (semi-elasticity)。 $\ln Y = \alpha + \beta \ln X$ なら $X$ が 1% 増えると $Y$ は $\beta\%$ 変化 (弾力性、 elasticity)。 「単位 → 単位」の感覚で係数を読むと数桁ずれる。 「log-log」「log-level」「level-log」の 4 パターンを明示する習慣をつけること。

⚠️ 落とし穴 4: 因果関係の方向性は変わらない

対数変換で 相関係数の値は変わるが、 相関の有無・方向性は本質的に変わらない (順位は保存)。 「log 変換したら相関が出た」と思った場合、 元データで Spearman の順位相関を取れば既に出ているはず。 対数変換は「線形モデルへの当てはめを良くする道具」であって「相関を作り出す道具」ではない。

📊 表: 4 つの典型誤用と対策

💬 表の読み方: 6 つの典型ミスを並べた。 とくに「単純 exp 逆変換」「弾力性と semi-elasticity の混同」は実務でレポートになるとき頻発する。 「log を取ったら正規分布になりやすい」というメリットの裏で、 解釈と逆変換に多くの落とし穴が潜んでいる点を理解しておく。

🐍 Python: Jensen 不等式によるバイアスを SSDSE で再現

このコードでやること: SSDSE-B-2026 の総人口を自然対数変換し、 $\exp(\overline{\ln y})$ (幾何平均)・$\exp(\overline{\ln y}+\sigma^2/2)$ (対数正規補正)・実際の算術平均を比較して、 Jensen 不等式による過小推定を確認する。

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

import pandas as pd, numpy as np

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
d = df[df['SSDSE-B-2026'] == 2023]
x = pd.to_numeric(d['A1101'], errors='coerce').dropna().values.astype(float)  # 総人口
lx = np.log(x)
mu, sigma2 = lx.mean(), lx.var()
naive = np.exp(mu)                    # exp(平均) = 幾何平均
corrected = np.exp(mu + sigma2 / 2)   # 対数正規補正 exp(平均 + sigma^2/2)
actual = x.mean()                     # 実際の算術平均
print(f'sigma^2 (ln) = {sigma2:.4f}')
print(f'実際の算術平均   : {actual:>12,.0f} 人')
print(f'exp(平均)       : {naive:>12,.0f} 人  (幾何平均, {(naive / actual - 1) * 100:+.1f}%)')
print(f'exp(平均+s^2/2) : {corrected:>12,.0f} 人  ({(corrected / actual - 1) * 100:+.1f}%)')

📤 実行すると次の出力が得られる:

💬 結果の読み方: $\exp(\overline{\ln y})$ は幾何平均に等しく、 算術平均を 30.8% も過小評価する (Jensen 不等式)。 $\sigma^2/2$ 補正を入れると誤差は -5.1% まで圧縮される (対数正規モデルからのズレは 47 点の小標本ゆえ)。 総人口のように $\sigma^2$ が大きい変数ほどこの補正が重要で、 補正の有無で「典型値」の解釈が数十%ずれる。

🧮 実値で計算してみる

例 1: SSDSE-B-2026 都道府県人口の対数変換

47 都道府県の 2023 年総人口（A1101）に対し、 ① 生データ ② $\ln$ 変換 の統計量を比較。

→ 歪度は 2.293 → 0.820 と大幅に正規分布化。 Shapiro-Wilk 検定は依然 p=0.0064 で「完全正規」とは言えないものの、 生データの p=$10^{-8}$ から劇的改善。 線形回帰・t 検定など 正規性前提の手法を 適用可能なレベルに持ち込める。

例 2: log-log プロット ── 人口と出生数の弾力性

「人口が 1% 増えると出生数は何 % 増えるか」（弾力性）を log-log プロットの傾き $\beta$ として読み取る。 SSDSE-B-2026 で 2023 年 47 県をプロット:

ln(出生数)
11.5 │                          東京 ●
     │                        ●
11.0 │                  ●
     │              ● ●
10.0 │          ●● ●  ● ●
     │       ●● ●● ●
 9.0 │     ●● ●
     │   ●●
 8.0 │ ● ●
     └──────────────────────────────→ ln(人口)
     13   14   15   16   17

線形回帰: ln(出生数) ≈ -5.515 + 1.024 × ln(人口)
弾力性 β = 1.024 (R² = 0.98)
   

→ 弾力性 1.024 は「人口 1% 増で出生数は約 1.02% 増」とほぼ 1 対 1。 つまり人口あたり出生数（粗出生率）は都道府県によらず比較的安定していることを意味する。 都市規模と出生数の関係を簡潔に表す。

例 3: 外れ値の影響緩和

生データで都道府県平均を取ると 東京の存在で歪む が、 対数空間では:

• 原データ 平均 (264 万) — 東京 1408 万に引っ張られて中央値 (155 万) より遥かに大きい
• 対数空間 平均 14.45 ≒ 中央値 14.25 ── ほぼ同値で東京の影響が薄まる
• $e^{14.45} = 1{,}888{,}000$ ── これが「幾何平均」。 47 県の「典型的」人口を表す

幾何平均は対数空間の算術平均を逆変換したもの。 比率や成長率の代表値として算術平均より適切な場面が多い。

例 4: Box-Cox 最適 λ の探索

SSDSE-B-2026 の総人口に Box-Cox 変換を適用すると、 最尤推定で $\lambda \approx -0.49$ が得られ、 変換後の歪度は 0.12・Shapiro p=0.475 まで改善する。 λ が 0（自然対数）と 1（無変換）の間、 平方根の逆数付近に落ちるのは「総人口が対数正規よりやや強い右裾」を持つためで、 出生数 λ≈-0.48、 65歳以上人口 λ≈-0.50 と、 いずれも人口系変数は近い値になる。

🧮 数式に値を入れて手で計算する: 対数変換と歪み

合成偏った所得データで log 変換による対称化を計算する。

Step 1: 元データ (右に長い分布)

Step 2: log 変換後

🐍 Python で再現

1
2
3
4
5

import numpy as np
x = np.array([100, 200, 500, 1000, 5000, 10000])
lx = np.log10(x)
print(f"原平均: {x.mean()}, 中央: {np.median(x)}")
print(f"log10 平均: {lx.mean():.2f}, 中央: {np.median(lx):.2f}")

📤 実行結果

💬 手計算 (Step 2) と Python 出力が完全一致。 log 変換で歪み軽減。

🐍 Python 実装

① SSDSE-B-2026 を読み込み、 人口に log 変換 + 正規性検定

このコードでやること: 公的統計 SSDSE-B-2026 から 47 都道府県の 2023 年人口を抽出し、 生データと自然対数変換後で Shapiro-Wilk 正規性検定を比較する。

📥 入力データ (SSDSE-B-2026 抜粋):

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

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

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932').iloc[1:]
df['year'] = pd.to_numeric(df['SSDSE-B-2026'], errors='coerce')
pref = df[(df['year']==2023) & df['Code'].str.endswith('000')]
pop = pd.to_numeric(pref['A1101'], errors='coerce').dropna().values
log_pop = np.log(pop)

print(f'n={len(pop)}')
print(f'raw   : mean={pop.mean():,.0f}, sd={pop.std():,.0f}, skew={pd.Series(pop).skew():.3f}')
print(f'log   : mean={log_pop.mean():.3f}, sd={log_pop.std():.3f}, skew={pd.Series(log_pop).skew():.3f}')

W1, p1 = stats.shapiro(pop)
W2, p2 = stats.shapiro(log_pop)
print(f'Shapiro raw : W={W1:.4f}, p={p1:.2e}')
print(f'Shapiro log : W={W2:.4f}, p={p2:.2e}')

📤 実行結果:

💬 結果の読み方: 歪度は 2.293 → 0.820 へと劇的改善（正規分布の歪度は 0）。 Shapiro-Wilk 検定の p 値は 1.11e-08 → 6.42e-03 と 5 桁改善。 log 変換後も p < 0.05 で「完全正規」とは言えないが、 線形回帰の頑健性は大きく向上する。

② Box-Cox 変換で最適な λ を最尤推定

このコードでやること: SSDSE-B-2026 都道府県人口に Box-Cox 変換を適用、 最尤推定で最適なベキ指数 $\lambda$ を求め、 自然対数 ($\lambda=0$) との適合度を比較する。

📥 入力: ①の pop ndarray (47 県の人口)

1
2
3
4
5
6
7
8
9
10

from scipy import stats

# Box-Cox: 最適 λ を最尤推定
boxcoxed, lam = stats.boxcox(pop)

print(f'optimal lambda = {lam:.4f}')
print(f'skewness after Box-Cox = {pd.Series(boxcoxed).skew():.4f}')

# Shapiro-Wilk で Box-Cox 後を評価
W, p = stats.shapiro(boxcoxed)
print(f'Shapiro after BC: W={W:.4f}, p={p:.4f}')

📤 実行結果:

💬 結果の読み方: 最適 $\lambda = -0.49$ は 0（自然対数）と 1（無変換）の中間で、 平方根の逆数付近。 Box-Cox 適用後の歪度 0.12 と Shapiro-Wilk p=0.475 ── p > 0.05 で正規性を棄却しない水準に到達し、 単なる log よりわずかに強い変換が最尤で選ばれる。 それでも「総人口はほぼ対数正規」という描像は 47 県 SSDSE データで裏付けられる。

③ log-log 回帰で「人口と出生数の弾力性」を測定

このコードでやること: SSDSE-B-2026 の総人口 (A1101) と出生数 (A4101) を両方 log 変換し、 線形回帰で弾力性 (slope) を求める。 「人口 1% 増で出生数は何 % 増えるか」を直接読み取れる。

📥 入力: SSDSE-B-2026 (A1101=総人口, A4101=出生数)

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

import numpy as np
from scipy import stats

pref['A1101'] = pd.to_numeric(pref['A1101'], errors='coerce')
pref['A4101'] = pd.to_numeric(pref['A4101'], errors='coerce')
sub = pref[['A1101','A4101']].dropna()

x = np.log(sub['A1101'])      # ln(人口)
y = np.log(sub['A4101'])      # ln(出生数)

slope, intercept, r, p, se = stats.linregress(x, y)
print(f'elasticity (slope) = {slope:.3f} ± {se:.3f}')
print(f'R^2 = {r**2:.4f}, p = {p:.2e}')

📤 実行結果:

💬 結果の読み方: 弾力性 1.024 ± 0.022、 R² = 0.980 と ほぼ 1 対 1 の関係。 「人口が 1% 増えると出生数も約 1.02% 増える」。 これは「人口あたり出生数（粗出生率）は都道府県によらず比較的安定」を意味し、 少子化対策の議論で 「全国一律」の傾向を統計的に裏付ける。 p 値も 10⁻³⁹ で偶然ではない強い線形関係。

④ ゼロを含むデータには log1p で対処

このコードでやること: SSDSE-B-2026 の中には「離島の人口移動」「特定産業の従業者数」などゼロを含む列がある。 そのまま np.log すると -inf が出るので、 np.log1p ($\ln(1+x)$) で安全に変換する手法を示す。

📥 入力: ゼロを含むサンプル配列

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

import numpy as np

x = np.array([0, 1, 10, 100, 1000, 10000, 100000])

# ① そのまま log → -inf 警告
with np.errstate(divide='ignore'):
    print('log    :', np.log(x))

# ② log1p で 0 を安全に処理
print('log1p  :', np.log1p(x))

# ③ 逆変換: expm1
print('expm1  :', np.expm1(np.log1p(x)))

📤 実行結果:

💬 結果の読み方: ① np.log(0) = -inf で計算が破綻するが、 ② np.log1p(0) = 0 で安全。 大きな値では log と log1p の差は無視できる程度 (10000 で 9.2104 vs 9.2103)。 ③ np.expm1 ($e^x - 1$) で正確に逆変換できる。 ゼロを含むデータには log → log1p、 exp → expm1 の対セットを使うのが鉄則。

⚠️ よくある落とし穴

🎮 触って理解する

スライダーとボタンで 対数変換の効果を体感できます。 ① 右に裾を引く分布が対数軸で対称（正規的）に近づく様子、 ② 冪関係の散布図が両対数で直線化する様子を、 図と数値でリアルタイムに確認しましょう。 （デモのデータは対数正規乱数で生成した合成データです。 SSDSE の実測値ではありません。）

読み解きのポイント

よくある落とし穴

• ゼロ・負値： $\ln 0=-\infty$、 負値は $\ln$ が未定義。 σ を上げてデータに極小値が現れる状況では log(1+x) トグルが効きます。 log(1+x) は $x=0$ でも $0$ を返し発散を防ぎますが、 小さな正のシフトなので大きな $x$ では通常の $\ln x$ とほぼ一致します。 負値が本質的に混じるデータには対数ではなく Yeo-Johnson（後述）を使います。
• 解釈が乗法的になる： 対数空間での「差」は元スケールの「比」に対応します（$\ln a-\ln b=\ln(a/b)$）。 変換後に「+0.1 の差」は「約 1.1 倍」を意味し、 加法の直感がそのまま乗法の意味に化ける点に注意。 予測値を $\exp$ で戻す際は Jensen の不等式による過小補正も忘れずに。
• 直線化の限界： ②のように冪・指数関係なら両対数/片対数で直線化しますが、 U 字や飽和曲線には効きません。 まず散布図で形を見てから軸を選ぶこと。 平均が外れ値に引きずられる問題自体は ロバスト統計という別アプローチもあります。

発展：対数変換は Box-Cox の特例

対数変換は、 変換の強さをパラメータ $\lambda$ で連続的に動かす Box-Cox 変換 $y'(\lambda)=(y^\lambda-1)/\lambda$ の $\lambda\to 0$ の極限（＝自然対数）にあたります。 $\lambda=1$ で「変換なし」、 $\lambda=0.5$ で平方根、 $\lambda=0$ で対数、 というように連続スペクトル上の一点が対数です。 実務では歪度が最小になる $\lambda$ を最尤推定で選び、 負値も扱いたい場合は Yeo-Johnson へ一般化します（scikit-learn の PowerTransformer）。 つまり「対数を取るべきか？」は「最適な $\lambda$ はいくつか？」という連続的な問いの離散近似です。

🌐 関連手法・派生

• Box-Cox 変換 — 正値専用、 λを最適化
• Yeo-Johnson — 負値もOK
• 平方根変換 — カウントデータに
• ロジット変換 — 0-1の比率に
• 標準化（z-score） — 平均0分散1へ

対数変換は「右に裾の長い (right-skewed) 分布を対称化する」変数変換で、 同じ「分布形状の調整」を目的とする変換群と地続きの関係にある。 各変換は「対象変数の符号 (正値のみ / 0 含む / 負値含む)」「最適化の有無」で選び分ける。

• 上位概念 (変数変換): モデル前提 (正規性 / 線形性 / 等分散性) に近づけるために変数を写像する枠組み。 対数変換は最も単純で頻用される代表例。
• 並列手法: Box-Cox 変換 (正値専用・λ 最適化)、 Yeo-Johnson 変換 (負値も可)、 平方根変換 (カウントデータ向け)、 ロジット変換 (0-1 比率向け)、 逆数変換 (1/x)。
• 前段処理: 0 や負値の確認 (log(0) は -∞ で発散)、 log(x+1) や log(x+c) のシフト適用、 外れ値除去、 分布形状のヒストグラム / Q-Q プロット確認。
• 後段処理: 変換後の正規性検定 (Shapiro-Wilk)、 等分散性検定 (Levene)、 回帰モデル適用、 予測値を元スケールに戻す逆変換 (exp) と Jensen 不等式の補正。
• 派生・拡張: 自然対数 ln / 常用対数 log10 / 二進対数 log2 の使い分け、 log-log プロット (両対数で冪関数を直線化)、 Box-Cox の λ 最適化、 generalized log (glog) for omics データ。
• 競合・代替: 「変換しても正規にならない」なら GLM (ガンマ・ポアソン分布) で元スケールのまま回帰、 「解釈性を保ちたい」なら標準化のみ、 「順位情報で十分」ならランク変換 (ノンパラメトリック)。

対数変換は「右裾の収縮 + 乗法的関係を加法的にする」効果が本質で、 経済 (GDP / 所得)・生物 (細胞数)・物理 (音圧) など指数的にばらつく量に有効。

🔗 関連用語（前提・並列・発展）

役割で色分け：前提／上位／並列／発展／応用

対数変換を学ぶ際に併読すると理解が深まる関連用語を「前提・並列・発展」の 3 区分で整理する。

• 前提概念: 歪度 (skewness) と尖度、 対数の数学的性質 ($\log(ab)=\log a + \log b$)、 分布の正規性、 分散安定化、 ヒストグラム読解
• 並列概念: 標準化 (z-score)、 min-max スケーリング、 平方根変換、 逆数変換、 ランク変換、 quantile transformation
• 発展概念: Box-Cox 変換 ($\lambda$ 最適化)、 Yeo-Johnson 変換 (負値対応)、 log1p 変換 (0 対応)、 弾性値の解釈 (log-log 回帰)、 GLM の log link 関数

各概念は対数変換集の他ページにリンクしている。 関連用語を横断的に学ぶことで、 対数変換の位置付けが明確になる。

📚 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。

• 📚 データ前処理
• 📚 回帰分析

🔎 深掘り解説

対数変換が効くデータの見分け方

• 右に長い尾（正の歪度 > 1）── ヒストグラムで一目で分かる
• 値が複数桁にまたがる（max/min > 100）── 都市人口、 所得、 ファイルサイズ
• 変動が 「絶対量」 ではなく 「比率」 で意味がある（株価リターン、 経済成長率、 細菌増殖）
• 正規分布前提の手法を使いたい（線形回帰、 t 検定、 ANOVA）
• 誤差が「乗算的」: $y = f(x) \cdot \epsilon$ （乗法ノイズ）

事後評価: Shapiro-Wilk 検定、 Anderson-Darling 検定、 Q-Q プロットの 3 種で総合判断。 「線形性」「等分散性」も併せて確認するとなお良い。

係数の解釈チート（再掲＋拡張）

変換と分布形状の対応

対数正規分布 (Log-Normal)

$X \sim \mathrm{LogNormal}(\mu, \sigma^2)$ なら $\ln X \sim \mathcal{N}(\mu, \sigma^2)$。 確率密度関数:

期待値: $E[X] = \exp(\mu + \sigma^2/2)$、 中央値: $\exp(\mu)$、 最頻値: $\exp(\mu - \sigma^2)$。 平均・中央値・最頻値が すべて異なる のが特徴で、 右に裾を引く分布の典型。

✅ 使う前のチェックリスト

• ☐ ヒストグラムを描いて「右裾」「複数桁」を視覚確認した
• ☐ 歪度を計算し |歪度| > 1 を確認した
• ☐ データに 0 や負値が含まれないか確認（含まれるなら log1p / Yeo-Johnson）
• ☐ 業務的に「比率」「成長率」に意味があるデータか確認
• ☐ 変換後の歪度・Shapiro-Wilk で正規性接近を検証
• ☐ 回帰モデルなら係数の解釈方法を理解（log-log なら弾力性）
• ☐ 予測値を元スケールに戻すときの Jensen 補正を考慮
• ☐ 機械学習 Pipeline で訓練/予測時の変換を統一
• ☐ Box-Cox / Yeo-Johnson の自動 $\lambda$ 推定も試したか

📖 さらに学ぶには

本サイト内

• 論文一覧に戻る ── 対数変換 を使った再現論文をハンズオンで読む
• 標準化 ── 並行する前処理
• 外れ値処理 ── 対数の補完手法
• 歪度 ── 適用判断の前提概念
• ヒストグラム ── 分布可視化の基本

外部リソース

• Box & Cox (1964) ── “An Analysis of Transformations” (原典論文)
• Yeo & Johnson (2000) ── “A New Family of Power Transformations” (負値対応)
• Duan (1983) ── “Smearing estimate” で逆変換バイアス対策
• scikit-learn PowerTransformer ── 実装ドキュメント
• scipy.stats.boxcox / yeojohnson ── Python での標準実装

🔗 同カテゴリの他用語

📚 ケーススタディ ── 5 つの実世界応用

ケース 1: 不動産価格モデルでの log 変換

米国住宅市場の Hedonic Pricing Model (Rosen 1974) では、 価格 $P$ を対数取り、 説明変数 (面積、 部屋数、 立地スコア) と回帰する $\ln P = \alpha + \beta_1 x_1 + \ldots$ が標準。 理由: ① 価格は対数正規に近い分布、 ② 各属性の効果は 「価格に対する比率」として解釈できる（例: ベイエリア立地で価格 30% 増）。 国土交通省の地価公示分析や Zillow の Zestimate の基盤。

ケース 2: 遺伝子発現量解析

RNA-seq のリードカウントは桁が大きく異なる (0 〜 数十万)。 標準前処理は $\log_2(\text{count} + 1)$。 ① 0 を扱える、 ② 2 倍変化が +1 のシフトで表せる、 ③ 統計検定の基盤（PCA、 t 検定、 ロジスティック回帰）が成立する。 単一細胞 RNA-seq では log1p の代わりに $\log_{10}$ + 正規化 や scTransform が使われる場合もある。

ケース 3: 金融資産リターン分布

株価リターンは 「単純リターン」 $R_t = P_t/P_{t-1} - 1$ と 「対数リターン」 $r_t = \ln(P_t/P_{t-1})$ がある。 ファイナンスでは対数リターンが標準: ① 時間方向に加法的 ($r_{t,T} = \sum r_{t,t+i}$)、 ② 正規分布の仮定が成り立ちやすい（中心極限定理）、 ③ Black-Scholes モデルの前提と整合。

ケース 4: 機械学習の前処理パイプライン

scikit-learn のパイプライン例:

 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

import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split

# ── 実データを用意する（2023 年の 47 都道府県）──
_d = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
_d = _d[_d['SSDSE-B-2026'] == 2023].reset_index(drop=True)
_d['高齢化率'] = _d['A1303'] / _d['A1101'] * 100
X = _d[['A1101', 'L3221', 'A4101', '高齢化率', 'A4103']].astype(float)
y = _d['I5102'].astype(float)          # 一般診療所数
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.3, random_state=0)

from sklearn.compose import ColumnTransformer
from sklearn.preprocessing import PowerTransformer, StandardScaler
from sklearn.pipeline import Pipeline
from sklearn.linear_model import Ridge

# 右に長く裾を引く列だけ Yeo-Johnson、 もともと左右対称な列は標準化だけ
preprocessor = ColumnTransformer([
    ('skewed', PowerTransformer(method='yeo-johnson'),
        ['A1101', 'L3221', 'A4101']),          # 総人口 / 消費支出 / 出生数
    ('normal', StandardScaler(), ['高齢化率', 'A4103'])   # 高齢化率 / 合計特殊出生率
])
pipe = Pipeline([
    ('pre', preprocessor),
    ('model', Ridge(alpha=1.0))
])
pipe.fit(X_train, y_train)
print('テストデータの R2 =', round(pipe.score(X_test, y_test), 4))

PowerTransformer(method='yeo-johnson') は自動で最適 $\lambda$ を推定し、 訓練時の $\lambda$ を予測時に再利用 → データリーク無し。

ケース 5: 公的統計（本ページの例: SSDSE-B-2026）

47 都道府県の総人口は Box-Cox 最適 $\lambda \approx -0.06$ で「ほぼ対数正規」。 弾力性分析で「人口 1% 増 ⇔ 出生数 1.01% 増」（log-log 回帰 R²=0.99）。 政策含意: 「絶対量での施策（人口を 100 万増やす）より、 比率での施策（出生率を 1% 上げる）の方が定量化しやすい」。

🎓 関連する変換手法

① 平方根変換

$y' = \sqrt{y}$ または $y' = \sqrt{y + 0.5}$（Anscombe 変換）。 ポアソン分布のカウントデータに対し 分散安定化の効果。 「事故件数」「販売数」「医療事象数」など離散的なカウントに有効。 対数より緩やかな圧縮で、 0 を素直に扱える。

② ロジット変換

$y' = \mathrm{logit}(y) = \ln(y/(1-y))$。 0〜1 の比率（合格率、 シェア、 確率）を $(-\infty, \infty)$ に展開。 ロジスティック回帰の基礎。 0 や 1 を含むデータでは「シフト」（$y \to (y + 0.025)/(1 + 0.05)$）が必要。

③ 逆数変換

$y' = 1/y$。 L 字型分布（薬剤の血中濃度、 化学反応速度）に効く。 ただし大きい値が小さく、 小さい値が大きくなる 順序反転に注意。 単位も「人/秒 → 秒/人」のように変わる。

④ 標準化 (Z-score)

$y' = (y - \bar{y}) / s$。 平均 0、 分散 1 にする。 形を変えず スケールだけ揃える。 対数変換と組み合わせる「log + Z-score」が機械学習で頻出パターン。

⑤ Quantile 変換 (ランク正規化)

sklearn.preprocessing.QuantileTransformer(output_distribution='normal')。 任意の分布を完全に正規分布へ 強制マッピング。 形に依存しない強力な手法だが、 解釈性が低下し外挿が困難。

⑥ Box-Cox の自動選択フロー

1. データに負値があるか? → あれば Yeo-Johnson
2. 負値なし、 0 含む? → log1p または Box-Cox に小定数加算
3. 正値のみ? → Box-Cox で最適 $\lambda$ を求める
4. $\lambda$ が 0 に近ければ ($|\lambda| < 0.1$) 自然対数で代用 (解釈容易)
5. $\lambda$ が 1 に近ければ ($|\lambda - 1| < 0.1$) 変換不要
6. その他は Box-Cox を採用

📊 対数軸プロットの使い分け

片対数 (semi-log) プロット

y 軸のみ対数 ($\log y$ vs $x$)。 指数関数 $y = ae^{bx}$ を直線として表示。 用途: 人口増加、 細菌増殖、 ウイルス感染、 ムーアの法則、 株価チャート（投資の標準）。

両対数 (log-log) プロット

両軸を対数。 ベキ法則 $y = ax^b$ を直線として表示。 用途: ジップの法則（都市規模・単語頻度）、 散乱断面積、 経済の弾力性、 ネットワーク次数分布。

matplotlib での実装

 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 matplotlib.pyplot as plt
import pandas as pd

_p = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
_tokyo = _p[_p['Prefecture'] == '東京都'].sort_values('SSDSE-B-2026')
years, population = _tokyo['SSDSE-B-2026'].values, _tokyo['A1101'].values
_d23 = _p[_p['SSDSE-B-2026'] == 2023]
pop47, spend = _d23['A1101'].values, _d23['L3221'].values

fig, ax = plt.subplots()

# 片対数 (y軸のみ対数)
ax.semilogy(years, population)

# 両対数（別の図として）
fig2, ax2 = plt.subplots()
ax2.loglog(pop47, spend)

# 軸ごとに個別設定
ax2.set_xscale('log')
ax2.set_yscale('log')

# 軸の目盛りもカスタマイズ
import matplotlib.ticker as ticker
ax2.yaxis.set_major_formatter(ticker.FuncFormatter(lambda x, p: f'{x:,.0f}'))
print('東京の総人口', population.min(), '〜', population.max())

対数軸の落とし穴

• 0 や負値はプロット不可（飛ぶ）
• 「直線に見える」現象が 本物の指数/ベキ法則かは要検証（線形回帰の残差確認）
• 軸ラベルに「対数」と明記しないと読者が誤解する
• Excel のグラフは対数軸の負値を勝手に切り捨てる挙動に注意

📜 歴史

❓ よくある質問 (FAQ)

Q1. log10 と ln どちらを使うべき？

統計分析は ln（自然対数） が標準。 「桁感覚」を出したいヒストグラム軸は $\log_{10}$。 結果は底変換で互換なので、 「分析目的に応じて見やすい方」を使う。 ファイル容量や情報量は $\log_2$ が定番。

Q2. ゼロを含む場合、 log1p と log(x+1) の違いは？

数学的には同じ ($\ln(1+x)$)。 ただし numpy.log1p は 小さい x で精度が高い。 例: $x = 10^{-15}$ のとき log(1+x) は丸め誤差で 0 になるが、 log1p(x) は正確に $10^{-15}$ を返す。

Q3. Box-Cox の最適 $\lambda$ が 2.0 になった、 これは何を意味する？

$\lambda = 2$ は「2 乗変換」が最適、 つまり 「データが左に裾を引く」分布を示唆。 通常の対数（右裾対策）では逆効果。 ヒストグラムを確認し、 左裾型の分布（飽和現象、 確率の上限近傍など）なら採用すべき。

Q4. 機械学習で目的変数 (y) も log するべき？

y が右裾の場合は 「ほぼ常に YES」。 ただし以下に注意: ① RMSE などの誤差指標は log 空間で計算される（解釈が変わる）、 ② 予測値を元スケールに戻すときに Jensen の不等式バイアスを補正、 ③ 残差プロットで分散均一性 (Homoscedasticity) を確認。

Q5. 「log を取ると外れ値が増える」と言われた

逆。 通常 外れ値の影響は緩和される。 ただし「ゼロに近い小さな値」が対数空間で大きな負値になり 新たな外れ値として出現することがある。 これは元データの「ゼロ近傍の意味」を解釈し直す必要がある（例: 「測定限界以下」を 0 と記録した場合）。

Q6. Y は log するが X は log しない、 こんな組み合わせは？

問題ない。 これが log-linear モデル。 賃金関数 $\ln(\text{wage}) = \alpha + \beta \cdot \text{years\_of\_education}$ などで多用。 「教育年数 1 年で賃金が約 $\beta \times 100\%$ 増」と解釈。

⚖️ 他の前処理との比較

使い分け:

• 桁が違う（人口、 所得） → log 変換（または Box-Cox）
• ニューラルネット用 → 標準化 or Min-Max（重みの学習効率）
• 外れ値が多い → Robust Scaler（中央値・IQR ベース）
• 分布形状を強制したい → Quantile 変換
• パイプライン定型化 → PowerTransformer (Box-Cox/Yeo-Johnson)

🗺 概念マップ

対数変換を中心とする前処理ファミリーの全体像:

                       データ前処理
                            │
        ┌───────────────────┼───────────────────┐
        │                   │                   │
   分布形状変換          スケーリング         範囲変換
        │                   │                   │
   ┌────┴────┐         ┌────┴────┐         ┌────┴────┐
  対数変換  Box-Cox    標準化   Robust Scaler  Min-Max  Quantile
   ↑              ↑          (Z-score)
   │              │
log1p          Yeo-Johnson
   │              │
   ✓ ゼロ可    ✓ 負値可
                            │
                       適用判断
                            │
              ┌─────────────┼─────────────┐
              │             │             │
         歪度 > 1     桁が複数桁     比率に意味
              │             │             │
              └─────────────┼─────────────┘
                            ▼
                       適用候補
   

🍳 実践レシピ (6 種)

レシピ 1: 歪度をチェックして自動で log 適用

1
2
3
4
5
6
7

def auto_log(df, threshold=1.0):
    """歪度が閾値超の列のみ log1p 変換"""
    for col in df.select_dtypes(include='number').columns:
        if df[col].skew() > threshold and df[col].min() >= 0:
            df[f'log_{col}'] = np.log1p(df[col])
            print(f'{col}: skew {df[col].skew():.2f} → {df[f"log_{col}"].skew():.2f}')
    return df

レシピ 2: Box-Cox + Pipeline

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

import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split

# ── 実データを用意する（2023 年の 47 都道府県）──
_d = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
_d = _d[_d['SSDSE-B-2026'] == 2023].reset_index(drop=True)
_d['高齢化率'] = _d['A1303'] / _d['A1101'] * 100
X = _d[['A1101', 'L3221', 'A4101', '高齢化率', 'A4103']].astype(float)
y = _d['I5102'].astype(float)          # 一般診療所数
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.3, random_state=0)

from sklearn.preprocessing import PowerTransformer

# 訓練時に lambda を学習、 予測時に同じ lambda を適用
# box-cox は正の値しか受け付けないので、正の 3 列に限る
COLS = ['A1101', 'L3221', 'A4101']
pt = PowerTransformer(method='box-cox', standardize=False)
X_train_t = pt.fit_transform(X_train[COLS])
X_test_t  = pt.transform(X_test[COLS])
print('Learned lambda:', pt.lambdas_.round(4))

レシピ 3: 逆変換（Jensen 補正付き）

def inverse_log_with_jensen(y_log_pred, sigma2):
    """log 空間予測値を元スケールへ復元（Jensen 補正）"""
    return np.exp(y_log_pred + sigma2 / 2)

# OLS の残差分散を使う
y_log_pred = model.predict(X_test)
sigma2 = ((y_log_train - model.predict(X_train)) ** 2).mean()
y_pred = inverse_log_with_jensen(y_log_pred, sigma2)

レシピ 4: log-log 回帰で弾力性を測定

 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

# 弾力性（両対数回帰の傾き）を実データで求める。
# 価格と需要のデータは SSDSE に無いので、総人口と消費支出で同じ形を見る。
_d = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
_d = _d[_d['SSDSE-B-2026'] == 2023]
pop = _d['A1101'].astype(float)
spend = _d['L3221'].astype(float)

X = sm.add_constant(np.log(pop))
model = sm.OLS(np.log(spend), X).fit()
print(model.summary())
print(f'弾力性 = {model.params.iloc[1]:.3f}')
# 実測は 0.037。 人口が 1% 増えても 1 世帯あたり消費支出は 0.04% しか動かない
# （R2 = 0.12 なので、そもそも人口では説明できていない）

レシピ 5: 対数軸の matplotlib プロット

fig, axes = plt.subplots(1, 2, figsize=(12, 4))
axes[0].hist(population, bins=20)
axes[0].set_title('Raw population')
axes[1].hist(np.log10(population), bins=20)
axes[1].set_title('log10(population)')
plt.tight_layout()

レシピ 6: 複数列の対数変換と回帰

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

import numpy as np
import pandas as pd
from sklearn.linear_model import LinearRegression

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df[df['SSDSE-B-2026'] == 2023].reset_index(drop=True)

# population / income / gdp のような列は SSDSE-B-2026 に無いので、
# 総人口・消費支出・一般診療所数（いずれも正の値）で同じ手順を見る
log_cols = ['A1101', 'L3221', 'I5102']
for c in log_cols:
    df[f'log_{c}'] = np.log(df[c].astype(float))

# 最後の 1 列を目的変数、 残りを説明変数にする
X = df[[f'log_{c}' for c in log_cols[:-1]]]
y = df[f'log_{log_cols[-1]}']
model = LinearRegression().fit(X, y)
print('R^2:', round(model.score(X, y), 4))

📋 クイックリファレンス

🎓 統計・データ解析コンペ・院試で頻出パターン

頻出問題 1: 「人口データの分析」

「47 都道府県の人口データに対して、 ヒストグラムを描き、 正規分布の仮定が成り立つかを述べよ。 必要なら適切な変換を施しなさい。」 → 模範回答: 生データは右裾で歪度 > 2、 Shapiro-Wilk p < 0.001 で正規性棄却。 自然対数変換後は歪度 0.8、 p ≈ 0.006 と大幅改善。 「対数正規分布」を仮定するのが妥当。

頻出問題 2: 「対数回帰の解釈」

「$\ln(\text{wage}) = 4.5 + 0.08 \cdot \text{education}$ が得られた。 教育年数が 1 年増えると賃金は何 % 増加するか。」 → $e^{0.08} - 1 = 0.083$ なので約 8.3% 増。 「単純に $\beta = 0.08$ だから 8% 増」と回答するのは近似（小さい値では誤差 0.3%）。 正確には $(e^\beta - 1) \times 100\%$ と覚える。

頻出問題 3: 「弾力性の計算」

「$\ln(\text{demand}) = 5.2 - 1.3 \ln(\text{price})$ から、 価格が 10% 上昇したときの需要変化を求めよ。」 → 弾力性 $\beta = -1.3$ なので「価格 1% 増 → 需要 1.3% 減」。 10% 上昇なら需要は 約 13% 減。 厳密には $(1.1)^{-1.3} - 1 = -0.117$ で 11.7% 減（線形近似は 13%）。

頻出問題 4: 「Box-Cox の最適 $\lambda$」

「Box-Cox 変換で $\lambda = 0$ が得られた、 これは何を意味するか。」 → $\lambda \to 0$ の極限が自然対数なので、 「自然対数変換が最適」を意味する。 $\lambda = 0.5$ なら平方根変換、 $\lambda = 1$ なら変換不要、 $\lambda = -1$ なら逆数変換が最適。

頻出問題 5: 「log1p を使う理由」

「ゼロを含むデータに対数変換するとき、 np.log(x + 1) ではなく np.log1p(x) を使う理由は？」 → ① 同じ結果だが、 小さい x で数値精度が高い (浮動小数点誤差を回避)、 ② コード意図が明確、 ③ NumPy が IEEE 754 準拠の高精度実装を提供している。

📰 主要参考文献

• Box, G. E. P., & Cox, D. R. (1964). “An analysis of transformations.” Journal of the Royal Statistical Society. Series B (Methodological), 26(2), 211-252. ── Box-Cox 変換の原典
• Yeo, I. K., & Johnson, R. A. (2000). “A new family of power transformations to improve normality or symmetry.” Biometrika, 87(4), 954-959. ── 負値対応の拡張
• Duan, N. (1983). “Smearing estimate: a nonparametric retransformation method.” Journal of the American Statistical Association, 78(383), 605-610. ── 逆変換バイアス対策
• Aitchison, J., & Brown, J. A. C. (1957). The Lognormal Distribution. Cambridge University Press. ── 対数正規分布の古典
• Tukey, J. W. (1977). Exploratory Data Analysis. Addison-Wesley. ── 探索的データ分析と変換
• Wooldridge, J. M. (2019). Introductory Econometrics, 7th ed. Ch. 6 ── 経済学での log 変換
• Hyndman, R. J., & Athanasopoulos, G. (2021). Forecasting: Principles and Practice, 3rd ed. Ch. 3.2 ── 時系列の変換

🎯 学習のまとめ

3 つのコア要点

1. 対数変換は「比率の世界」へ移動する操作。 加減算ではなく 乗算が自然な量（人口、 所得、 株価、 細菌数）に有効。
2. 「右裾」「複数桁」「比率」 の 3 条件が揃えば適用候補。 歪度・ヒストグラム・Q-Q プロットで判定。
3. 回帰係数の解釈は「変換の組み合わせ」で変わる。 特に log-log は 弾力性（%/%）として直接読める強力なツール。

必須技術 5 つ

• ① np.log / np.log1p / np.log10 / np.log2 の使い分け
• ② scipy.stats.boxcox / yeojohnson による自動最適化
• ③ sklearn.preprocessing.PowerTransformer でパイプライン統合
• ④ 逆変換時の Jensen 補正
• ⑤ matplotlib の plt.semilogy / plt.loglog での可視化

関連用語のリンクマップ

• 前提: ヒストグラム、 歪度、 正規分布
• 並列: 標準化、 外れ値処理
• 発展: Box-Cox、 Yeo-Johnson、 線形回帰、 ロジスティック回帰
• 応用: 経済学の弾力性、 ファイナンスの対数リターン、 機械学習の前処理パイプライン

📊 SSDSE-B-2026 詳細データ集

本ページで使用した SSDSE-B-2026 (47 都道府県、 2023 年) の主要数値を一覧化:

人口降順（上位 10 + 下位 10）

主要統計量の比較

Box-Cox は ln より 歪度・尖度を約 30% さらに改善。 ただし $\lambda = -0.06$ は ln ($\lambda = 0$) にほぼ等しく、 実務上は ln で十分（解釈容易性のメリット大）。

正規性検定の詳細

D'Agostino 検定は ln 後で p = 0.18 と 有意水準 5% で正規性を棄却しない。 Shapiro-Wilk より緩やかな判定で、 実務的にはこちらが「許容範囲」として受け入れられることが多い。

🏭 業界別応用パターン

経済・金融

• 株価リターン: $r_t = \ln(P_t/P_{t-1})$ で時間方向加法性
• 需要の価格弾力性: log-log 回帰の傾き
• 所得分布: 対数正規でフィット、 ジニ係数の解析的計算
• 住宅価格モデル: Hedonic Pricing の標準

医療・生命科学

• 遺伝子発現量: $\log_2(\text{count} + 1)$ で正規化
• 薬物動態: 1 次反応速度で対数線形
• 細菌増殖: 指数増殖を log で線形化、 増殖速度定数を直接読む
• 抗体価: 倍々希釈で測定 → log2 が自然

物理・化学

• pH = -log10([H⁺]): 化学の基本量
• 音圧 dB = 20 log10(P/P_ref): 人間の感覚に合わせた単位
• 地震マグニチュード: log10(振幅) で対数スケール
• 放射性物質の半減期: $N(t) = N_0 e^{-\lambda t}$ → 対数で線形

情報科学

• 情報量 H = -∑ p log2 p: シャノンエントロピー
• 計算量 O(n log n): ソート・ヒープなどのアルゴリズム解析
• ファイル圧縮率: log で表現
• ネットワーク次数分布: ベキ法則（log-log でほぼ直線）

マーケティング

• 広告費 → 売上の弾力性: log-log 回帰
• 顧客 LTV: 対数正規分布でモデル化
• ロングテール現象: log-log で可視化（80-20 の法則）

🛠 トラブルシューティング

エラー: RuntimeWarning: divide by zero encountered in log

原因: ゼロを含む配列に np.log を適用。 対策: np.log1p(x) に変更、 または x[x > 0] でフィルタ。

エラー: RuntimeWarning: invalid value encountered in log

原因: 負値を含む配列に log を適用。 対策: scipy.stats.yeojohnson(x) または PowerTransformer(method='yeo-johnson') を使う。

問題: Box-Cox で「データが正でないとエラー」

原因: Box-Cox は $y > 0$ が前提。 ゼロや負値があると失敗。 対策: ① 最小値 + ε（0.01 など）を加算してから Box-Cox、 ② Yeo-Johnson に切替。

問題: 予測値の精度が悪い（過小推定）

原因: $\exp(\hat{\ln y})$ で逆変換すると Jensen の不等式で系統的に過小。 対策: スムージング補正 $\exp(\hat{\ln y} + \hat{\sigma}^2 / 2)$ または Duan の smearing estimator $\hat{y} = \exp(\hat{\ln y}) \cdot \frac{1}{n}\sum_i \exp(\hat{\epsilon}_i)$。

問題: 残差プロットが「漏斗形」

原因: 元データで分散が x の値に依存する 不均一分散 (Heteroscedasticity)。 対策: y を log 変換すると 乗法的な誤差が加法的になり等分散化することが多い。 効果がなければ重み付き最小二乗 (WLS) や GLM を検討。

問題: 計算速度が遅い

原因: 大規模配列に Python ループで log を取っている。 対策: numpy.log はベクトル化されているので、 配列全体に一度に適用する。 GPU が使えるなら cupy や jax。

🔀 R 言語と Python の対応

どちらも同じ機能を提供。 R は 統計・計量分析の歴史が長く、 Python は 機械学習パイプライン統合が強い。 SSDSE 分析なら Python (pandas + scipy + sklearn) で十分カバーできる。

⚡ パフォーマンス Tips

大規模データの高速 log 変換

• numpy.log(arr) は SIMD 最適化済、 通常の Python ループより 100 倍速い
• scipy.special.xlog1py(x, y) = x * log(1+y) ── log1p の組み合わせを高速化
• GPU を使うなら cupy.log(arr)、 さらに 10-50 倍速
• 分散処理は Dask、 Spark の log 関数を活用
• 事前計算が可能なら lookup table（離散値の log を辞書化）

メモリ効率

• np.log(arr, out=arr) ── in-place で元配列に書き戻し、 メモリ複製を回避
• dtype=np.float32 でメモリ半減 (精度との trade-off)
• chunked processing: 10 GB のデータを 1 GB ずつ log 変換して結合

数値精度

• $x$ が小さい (約 $10^{-7}$ 以下) なら log(1+x) \approx x$ で近似可能だが、 log1p の方が常に正確
• $x$ が極端に大きい ($10^{300}$ 以上) なら log はオーバーフロー、 logsumexp を使う
• $x$ が極端に小さい ($10^{-300}$ 以下) なら log はアンダーフロー、 対数空間で計算する

💀 実プロジェクトでの典型的失敗例

失敗例 1: テストデータが訓練と違うスケール

「訓練データで log 取って学習したが、 本番投入時に生データを渡してしまった」。 結果: 予測が桁違いに外れる。 対策: scikit-learn の Pipeline でスケーラと学習器をセットにし、 同じ前処理が常に適用される設計に。

失敗例 2: 元データに 0 があると気づかず log 適用

「列の最小値を確認せず log を取り、 NaN が伝播してモデル全体がクラッシュ」。 対策: 前処理スクリプトの冒頭で assert (df > 0).all().all() や df.describe() で最小値を必ず確認。

失敗例 3: 「log を取れば必ず正規分布」と誤解

「対数変換すれば常に正規分布になると思い込み、 二峰性分布や離散分布に適用」。 結果: 変換後も非正規で線形回帰が不適切。 対策: 必ず Shapiro-Wilk や Q-Q プロットで事後評価。

失敗例 4: 経年データに log を取って「成長率」と混同

「年次データに log を取った差分を『成長率』として報告」。 厳密には 近似値（小さい差では一致するが、 大きな差では乖離）。 対策: 厳密な成長率は $(\text{今年} / \text{去年}) - 1$、 対数差分は「対数成長率」と明示。

失敗例 5: 予測値の元スケール復元で Jensen 補正を忘れる

「log 空間で予測 → exp で復元 → 実測より系統的に低い値が出続ける」。 対策: $\exp(\hat{\ln y} + \hat{\sigma}^2 / 2)$ で補正、 または Duan の smearing estimator を使う。

失敗例 6: 変換と逆変換が非対称

「log1p で変換したのに、 exp で復元（expm1 を使うべき）」。 結果: 微妙にズレた値。 対策: ペア（log1p ↔ expm1、 log ↔ exp、 Box-Cox ↔ inv_boxcox）を必ず一致させる。

🎓 最終確認 ── 5 分テスト

本ページで学んだ内容を、 以下の質問で自己テストしてみましょう:

1. SSDSE-B-2026 の都道府県人口の歪度が 2.29 のとき、 適切な前処理は？
   → 自然対数変換または Box-Cox。 歪度が 0.82 に改善。
2. $\ln(\text{wage}) = 4.5 + 0.10 \cdot \text{years}$ で years が 5 増えるとき、 wage の変化は？
   → $e^{0.5} - 1 \approx 0.65$、 つまり 約 65% 増。 単純に「5 × 10% = 50% 増」とするのは近似。
3. 負値を含むデータに対数変換したいとき、 推奨手法は？
   → Yeo-Johnson 変換（scipy.stats.yeojohnson または PowerTransformer(method='yeo-johnson')）。
4. Box-Cox で $\lambda = 0$ が出たとき、 何を意味する？
   → 自然対数変換 ($\ln$) が最適。
5. $\hat{y} = \exp(\hat{\ln y})$ で復元すると系統的に過小推定する。 補正は？
   → $\hat{y}_{\text{corrected}} = \exp(\hat{\ln y} + \hat{\sigma}^2 / 2)$（Jensen 補正）。
6. ゼロを含む配列に対数を取りたいとき、 np.log(x + 1) と np.log1p(x) どちらが良い？
   → np.log1p(x)。 小さい x で数値精度が高い。
7. log-log プロットで直線が見えたら、 元のモデルは？
   → ベキ法則 $y = a x^b$（直線の傾きが指数 $b$）。
8. 株価データに「対数リターン」を使う理由 2 つ?
   → ① 時間方向に加法的、 ② 正規分布の仮定が成り立ちやすい。

8 問中 6 問以上正解: 対数変換の本質を理解できています。 実プロジェクトでも適切に使い分けできるレベル。
4-5 問正解: 基礎は OK。 ⑤Jensen 補正、 ⑦弾力性などの応用部分を復習。
3 問以下: 数式読み解きセクションと回帰係数解釈チートを再読推奨。

📝 最後に

対数変換は 「最古かつ最重要」 な前処理の一つ。 1614 年に Napier が「乗算を加算に変換する道具」として発明してから 400 年以上、 現代の機械学習・統計分析・データサイエンスの基盤として使われ続けています。

本ページで紹介した SSDSE-B-2026 を使った例は 政策評価のための定量分析に直結します。 47 都道府県の総人口・出生数・高齢者人口といった公的統計を扱うとき、 「桁が違うから比較困難」という壁を乗り越える鍵が対数変換です。

統計検定 2 級・準 1 級、 G 検定、 統計データ解析コンペティション、 大学院入試 ── どこでも頻出する基礎技術。 まずは 「ヒストグラム → 歪度 → log → 検証」 の 4 ステップを習慣化しましょう。

📚 関連用語へのリンクから、 さらに深く学んでみてください。

🗺 概念マップ: 対数変換と関連する変換手法

対数変換は「べき乗変換族 (power transformation family)」の中で λ=0 に対応する特殊ケースである。 周辺技法とともに概観する。

📊 表: 主要な変数変換手法の比較

手法	数式	ゼロ/負値	主な用途
log 変換	y = log(x)	不可	右裾分布の正規化
log1p (log(1+x))	y = log(1+x)	ゼロ可、 負値不可	count データに有効
Box-Cox	y = (x^λ - 1)/λ	正値のみ	λ を MLE で最適化
Yeo-Johnson	x ≥ 0 で Box-Cox 系、 x < 0 で別式	全範囲 OK	負値含む変数
平方根変換	y = sqrt(x)	ゼロ可、 負値不可	弱い右裾、 Poisson データ
逆数変換	y = 1/x	ゼロ不可	非常に強い右裾、 時間→速度
ロジット変換	y = log(p/(1-p))	0 < p < 1	割合・確率データ
標準化 (z-score)	y = (x - μ)/σ	全範囲 OK	スケールのみ調整 (形は変わらない)

💬 表の読み方: 「形を変える」変換 (log/Box-Cox/Yeo-Johnson/平方根/逆数/ロジット) と「スケールだけ変える」変換 (標準化) は本質的に異なる。 log 変換は前者の代表で、 分布の形そのものを正規分布に近づける。 一方、 標準化はスケール調整のみで形 (歪度・尖度) は不変。 「分析の目的が正規性確保か、 スケール比較か」で使い分ける。

🧠 理解度チェック

以下の問いに答えてみよう。 答え合わせは本ページの該当セクションを再読すること。

1. SSDSE-B-2026 の出生数は元スケールで歪度 2.29、 log10 変換後で歪度 0.80 になった。 この変換が 「強く推奨」と判定される根拠は何か (2 つ挙げよ)。
2. 「総人口」「出生数」「消費支出 (1世帯)」のうち、 対数変換が不要なのはどれか。 また、 その理由を「歪度」と「変数の本質」の 2 観点で答えよ。
3. $\ln Y = 2 + 0.8 \ln X$ という回帰式が得られた。 $X$ が 10% 増えると $Y$ は何 % 変化するか。 また、 $\ln Y = 2 + 0.8 X$ の場合、 $X$ が 1 単位増えると $Y$ は何 % 変化するか。
4. log 変換後に回帰して $\hat{y}_{\log}$ を得た。 元スケールでの予測値 $\hat{y}$ を求めるとき、 10**y_log をそのまま使うと予測が 過小になる。 その理由 (Jensen 不等式) と、 補正式 ($\sigma^2/2$ 補正、 Duan smearing) を 1 つずつ説明せよ。
5. 「生活保護被保護実人員」のように ゼロ値を含む変数に対数変換を適用したい。 適切な対処法を 3 つ挙げ、 それぞれの長所と短所を述べよ。
6. Box-Cox 変換と対数変換の関係を、 パラメータ λ を用いて説明せよ。 また、 Yeo-Johnson 変換が Box-Cox より「使える範囲が広い」のはなぜか。

📚 関連用語へ (本ページ内アンカー)

本ページで触れた主な関連概念: 外れ値 / 標準化 / 正規分布 / 歪度 / 尖度 / Box-Cox 変換 / Yeo-Johnson 変換 / 線形回帰 / 弾力性 / Jensen 不等式 / 対数正規分布 / Shapiro-Wilk 検定 / スピアマンの順位相関 / スケーリング / 前処理 / 特徴量エンジニアリング / 非線形変換。 これらは「分布形を整える / 線形モデルに乗せる / 解釈を保つ」の 3 軸で対数変換と接続する。

🧪 ケーススタディ: 都道府県別経済指標の log 回帰

SSDSE-B-2026 を用いて「総人口 → 出生数」「総人口 → 65歳以上人口」「出生数 → 65歳以上人口」の 3 つの 2 変数関係を、 元スケール vs log-log 変換の 2 通りで線形回帰し、 適合度 (R²)・残差正規性・係数解釈の 3 観点で比較する。 これは政策評価・人口分析でほぼ必ず登場する典型例である。

📊 表: 3 関係×2 変換 = 6 パターンの回帰結果

関係	変換	R²	残差歪度	係数 β	解釈
総人口 → 出生数	元	0.991	-0.348	0.0061 人/人	人口 1 人増 → 出生数 +0.0061 人
総人口 → 出生数	log-log	0.980	+0.314	1.024	人口 1% 増 → 出生数 +1.024%
総人口 → 65歳以上	元	0.982	-0.465	0.246 人/人	人口 1 人増 → 高齢者 +0.246 人
総人口 → 65歳以上	log-log	0.989	-1.257	0.901	人口 1% 増 → 高齢者 +0.901%
出生数 → 65歳以上	元	0.961	+0.903	39.65 人/人	出生数 1 人増 → 高齢者 +39.6 人
出生数 → 65歳以上	log-log	0.947	-0.917	0.853	出生数 1% 増 → 高齢者 +0.853%

💬 表の読み方: 6 パターンすべてで R² > 0.94 と高い適合度で、 この実データでは log-log が必ずしも R² を上げるわけではない (「総人口→出生数」は 0.991→0.980 とむしろ微減)。 log-log の本質的な価値は R² ではなく、 (1) 係数が「弾力性 (elasticity)」として一意に解釈できる点、 (2) 変数のスケール差を吸収して係数が桁に依存しなくなる点にある。 政策議論で「人口 1% 増は出生数を約 1.02% 押し上げる」と直感的に説明できるのが log-log の強み。 なお残差歪度は関係によって改善も悪化もあり (総人口→65歳以上の log-log は -1.26 と悪化)、 log 変換は万能ではなく散布図と残差診断で個別に判断すべきことを示す。

🐍 Python 実装: 6 パターン回帰の自動比較

このコードでやること: SSDSE-B-2026 から 3 つの 2 変数関係 (総人口→出生数、 総人口→65歳以上人口、 出生数→65歳以上人口) を取り出し、 元スケール・log-log の 2 通りで線形回帰し、 R²・残差歪度・係数を一覧出力する。

📥 入力例（SSDSE-B-2026 の 2023 年・47 都道府県から 3 行） 都道府県 A1101(総人口) A1303(65歳以上人口) A4101(出生数) 北海道 5,092,000 1,681,000 24,430 東京都 14,086,000 3,205,000 86,348 沖縄県 1,468,000 350,000 12,549 …（全 47 行）

📋 コピー

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

import pandas as pd, numpy as np 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() for c in ['A1101', 'A4101', 'A1303']: d[c] = pd.to_numeric(d[c], errors='coerce') d = d.dropna(subset=['A1101', 'A4101', 'A1303']) pairs = [('総人口', 'A1101', '出生数', 'A4101'), ('総人口', 'A1101', '65歳以上人口', 'A1303'), ('出生数', 'A4101', '65歳以上人口', 'A1303')] for xn, xc, yn, yc in pairs: for lab, tf in [('元', lambda v: v), ('log-log', np.log10)]: x = tf(d[xc].values.astype(float)); y = tf(d[yc].values.astype(float)) s, i, r, p, se = stats.linregress(x, y) resid = y - (s * x + i) print(f'{xn}->{yn} [{lab:7s}] R2={r**2:.3f}, 残差歪度={stats.skew(resid):+.3f}, beta={s:.4f}')

📤 実行すると次の出力が得られる:

総人口->出生数 [元 ] R2=0.991, 残差歪度=-0.348, beta=0.0061 総人口->出生数 [log-log] R2=0.980, 残差歪度=+0.314, beta=1.0239 総人口->65歳以上人口 [元 ] R2=0.982, 残差歪度=-0.465, beta=0.2458 総人口->65歳以上人口 [log-log] R2=0.989, 残差歪度=-1.257, beta=0.9011 出生数->65歳以上人口 [元 ] R2=0.961, 残差歪度=+0.903, beta=39.6475 出生数->65歳以上人口 [log-log] R2=0.947, 残差歪度=-0.917, beta=0.8526

💬 結果の読み方: 「総人口→出生数」の log-log 係数 1.024 は「人口 1% 増は出生数を約 1.02% 押し上げる」とほぼ単位弾力性に近く、 都市規模と出生数がスケールに比例することを示す。 「総人口→65歳以上」の弾力性 0.90 (＜1) は「人口が大きい地域ほど高齢化率が若干低い」ことと整合する。 一方で R² は log-log で必ず上がるわけではなく (総人口→出生数は 0.991→0.980)、 log 変換の主目的は R² 向上ではなく「弾力性としての解釈可能性」と「スケール非依存の係数」にある点に注意。

📐 図 (テキスト): log-log プロットの典型形状

log10(出生数)
 5.0 ┤                                           ● 東京
 4.8 ┤                                     ● 神奈川
 4.7 ┤                              ● 大阪
                                ● 愛知
 4.5 ┤                       ● 埼玉  ● 兵庫
                          ● 千葉
 4.3 ┤                  ● 福岡  ● 北海道
                    ● 静岡  ● 茨城
 4.1 ┤             ● 京都  ● 広島
              ● 宮城  ● 新潟
 3.9 ┤        ● 岐阜  ● 群馬
            ● 三重  ● 栃木
 3.6 ┤    ● 沖縄  ● 鳥取  ● 島根
       ● 高知  ● 徳島  ● 福井
     └──────────────────────────────────
       5.7   6.0   6.3   6.6   7.0  log10(人口)
  

💬 図の読み方: log-log プロットでは 47 都道府県が傾き ≈1.02 の直線上に並ぶ。 東京・神奈川・大阪の上位 3 都府県も外れ値として極端に振れず、 沖縄・鳥取・島根などの小規模県とほぼ同じ直線上に乗る。 これが「log 変換が外れ値の影響を圧縮する」効果の視覚的な現れであり、 元スケールでは東京が右上に飛んで他県が左下に固まる「対数欠如プロット」と対照的な姿となる。

⚠️ 落とし穴: 「log を取れば常に R² が上がる」は誤解

log 変換は「分布形を正規化し残差を整える」のが主目的であって、 必ずしも R² を上げない。 例えば「平均寿命 (歳)」のように既にスケールが揃っている変数では、 log 変換しても R² はほぼ変わらず、 むしろ係数の解釈性が悪化する。 「右裾分布で歪度の絶対値が 1 を超える」「ヒストグラムが滝のように右に流れる」「値域が 1-3 桁以上にまたがる」のいずれかを満たすときに log 変換を検討する、 という運用上の判断基準を持つこと。

🧠 追加の理解度チェック

1. 「総人口→出生数」の log-log 弾力性 1.024 が「ほぼ 1」であることの含意 (人口あたり出生数＝粗出生率が地域によらず概ね一定) を 80-150 字で説明せよ。
2. SSDSE-B-2026 で「消費支出 (1世帯・円)」と「総人口 (人)」の関係を回帰するとき、 どちらに log 変換を適用するのが適切か。 両方/片方/どちらも不要、 から選び理由を述べよ。
3. 残差歪度が元スケールと log-log で符号も大きさも変わる (例: 総人口→65歳以上は +0 付近 →-1.26) のはなぜか。 中心極限定理・ホワイト検定・ブートストラップの観点から述べよ。

🧪 SSDSE-B-2026 を用いた分布変換の総合演習

SSDSE-B-2026 から「分布形が大きく異なる 6 変数」を選び、 各変数について「元スケール統計量 → log10 変換後統計量 → Box-Cox 最適 λ → Yeo-Johnson 最適 λ」の 4 段比較を行い、 どの変換が最良か体系的に判断する。 これは特徴量エンジニアリングの実務手順そのものである。

📊 表: 6 変数の分布特性と推奨変換

変数	単位	最小値	最大値	中央値	元歪度	log10 後歪度	Box-Cox λ	推奨
総人口	人	537,000	14,086,000	1,549,000	2.219	0.793	-0.492	log 強推奨
出生数	人	3,263	86,348	9,524	2.292	0.801	-0.478	log 強推奨
65歳以上人口	人	179,000	3,205,000	524,000	1.782	0.714	-0.500	log 強推奨
15歳未満人口	人	65,000	1,513,000	197,000	2.068	0.734	-0.460	log 強推奨
転入者数	人	7,578	406,749	23,783	3.401	0.967	-0.459	log 強推奨
消費支出 (1世帯)	円/月	223,423	344,092	300,652	-0.520	-0.815	2.965	変換不要

💬 表の読み方: 「マルチスケール量」5 変数 (総人口・出生数・65歳以上人口・15歳未満人口・転入者数) は元歪度 1.8-3.4、 値域が 1-2 桁以上にまたがる典型的な右裾分布。 これらは log 変換で歪度 0.7-1.0、 Box-Cox の最適 λ も -0.46〜-0.50 とほぼ log〜平方根の逆数付近に収束する。 一方「1 世帯あたり消費支出」は元歪度 -0.52 (むしろ左裾)・値域が 1.5 倍程度で、 Box-Cox の最適 λ は +2.97 と log から大きく離れる。 「歪度 |1| 超ならまず log を検討、 Box-Cox で λ が負〜0 付近なら log 系で確定」というワークフローが効率的。

🐍 Python: Box-Cox の最適 λ を MLE で推定する

このコードでやること: SSDSE-B-2026 の 6 変数について、 scipy.stats.boxcox で最尤推定された λ と、 変換後の歪度を計算し一覧表示する。

📥 入力例（SSDSE-B-2026 の 2023 年・47 都道府県から 3 行） 都道府県 A1101(総人口) A1301(15歳未満人口) A1303(65歳以上人口) A4101(出生数) A5101(転入者数（日本人移動者）) 北海道 5,092,000 514,000 1,681,000 24,430 47,388 東京都 14,086,000 1,513,000 3,205,000 86,348 406,749 沖縄県 1,468,000 236,000 350,000 12,549 26,410 …（全 47 行）

📋 コピー

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

import pandas as pd, numpy as np 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] variables = {'総人口': 'A1101', '出生数': 'A4101', '65歳以上人口': 'A1303', '15歳未満人口': 'A1301', '転入者数': 'A5101', '消費支出': 'L3221'} for name, code in variables.items(): x = pd.to_numeric(d[code], errors='coerce').dropna().values.astype(float) if (x <= 0).any(): print(f'{name}: 非正値ありスキップ'); continue bc, lam = stats.boxcox(x) print(f'{name:12s}: 元歪度={stats.skew(x):+.3f}, Box-Cox lam={lam:+.3f}, 変換後歪度={stats.skew(bc):+.3f}')

📤 実行すると次の出力が得られる:

総人口 : 元歪度=+2.219, Box-Cox lam=-0.492, 変換後歪度=+0.115 出生数 : 元歪度=+2.292, Box-Cox lam=-0.478, 変換後歪度=+0.120 65歳以上人口 : 元歪度=+1.782, Box-Cox lam=-0.500, 変換後歪度=+0.105 15歳未満人口 : 元歪度=+2.068, Box-Cox lam=-0.460, 変換後歪度=+0.114 転入者数 : 元歪度=+3.401, Box-Cox lam=-0.459, 変換後歪度=+0.115 消費支出 : 元歪度=-0.520, Box-Cox lam=+2.965, 変換後歪度=+0.000

💬 結果の読み方: 「マルチスケール量」5 変数の λ は -0.46〜-0.50 で、 log (λ=0) と平方根の逆数の中間に収束し、 変換後歪度はいずれも 0.11 前後まで縮む。 一方、 1 世帯あたり消費支出は左裾 (元歪度 -0.52) のため λ=+2.97 (べき乗変換) が選ばれる。 「Box-Cox を機械的に走らせて λ を見れば、 log/sqrt/無変換/べき乗のどれが適切か即判断できる」という運用ルールが、 特徴量エンジニアリングの第一歩として極めて有効。

📐 図 (テキスト): 変換前後の歪度の劇的な縮小

歪度の絶対値
3.5 ┤ █ 転入者数
3.0 ┤ █
2.5 ┤ █             █ 出生数     █ 総人口
2.0 ┤ █             █             █             █ 15歳未満
1.5 ┤ █             █             █             █             █ 65歳以上
1.0 ┤ █             █             █             █             █
0.5 ┤ █             █             █             █             █   █ 消費支出
0.0 ┤ █▁           █▁           █▁           █▁           █▁   █▔
    └──────────────────────────────────────────────────────────────
      元 → Box-Cox 変換後 (各変数のペア)
    凡例: 高い棒 = 元スケール歪度の絶対値、 低い棒 = Box-Cox 変換後
  

💬 図の読み方: 「マルチスケール量」5 変数では元の歪度 1.8-3.4 が変換後 0.11 前後まで圧縮され、 ほぼゼロに近づく。 これは「強い右裾分布が正規分布に近づいた」直接の指標。 1 世帯あたり消費支出はもともと歪度が小さく (むしろ左裾)、 変換しても大きく動かない。 図の高低差が「log 系変換の威力を一目で示す」典型ビジュアル。

⚠️ 落とし穴: λ の信頼区間を見落とすと変換選択を誤る

Box-Cox の最適 λ は最尤推定であり、 標本サイズが小さい (n < 50) と推定の不確実性が大きい。 SSDSE-B-2026 の単一年度データ (n=47) で総人口の λ=-0.49 と推定されても、 信頼区間は幅広く、 「λ=0 (log) を採用するのが解釈上シンプルで実用的」と判断する場面が多い。 scipy.stats.boxcox_normmax でプロファイル尤度に基づく λ の信頼区間を計算し、 区間が 0 を含むなら log 変換を採用するのが実務的な運用。

🧠 演習問題

1. SSDSE-B-2026 で「医師数 (人口 10 万人あたり)」の分布を調査せよ。 歪度・尖度を計算し、 log 変換と Box-Cox の最適 λ を求め、 推奨される変換を判定せよ。
2. 「平均年収」と「家賃」は典型的な右裾分布。 両変数とも log 変換した上で、 log(年収) → log(家賃) の回帰係数 (弾力性) を推定し、 1 % 年収増で家賃が何 % 上がるか議論せよ。
3. SSDSE-B-2026 の「合計特殊出生率」(0.8 - 2.1 程度) に対して、 Box-Cox 最適 λ がどの値になると予想されるか。 また、 log 変換と Box-Cox 変換のどちらを採用すべきか、 理由とともに述べよ。

🧪 対数変換の歴史・哲学・分野別の活用

対数変換は単なる「データを平らにする道具」ではなく、 物理学・経済学・生物学など多くの分野で「対数スケールこそが本質を表す」とされてきた長い歴史を持つ。 本セクションでは、 対数尺度の起源と分野別の典型活用例、 そして「いつ対数を取るべきか」という哲学的問いに簡潔に答える。

📜 歴史的背景

対数 (logarithm) は 1614 年にジョン・ネイピアが計算簡略化のために導入。 19 世紀には Weber-Fechner の法則 (人間の感覚は刺激強度の対数に比例) で「対数尺度は知覚の自然尺度」と位置づけられた。 20 世紀には地震マグニチュード (Richter 尺度)、 音圧 (dB)、 pH、 星の等級など、 「対数を取らないと議論できない」現象が次々と発見された。 統計学では Galton (1879) が「対数正規分布」を発見し、 経済学では Cobb-Douglas 生産関数 (1928) が対数線形モデルの古典となる。

📊 表: 分野別の対数変換典型ユースケース

分野	対象データ	なぜ log か	代表モデル
経済学	所得・GDP・株価	パレート分布的、 弾力性で議論	Cobb-Douglas 生産関数
物理学	地震規模・音圧・光度	人間の知覚が対数的、 桁数の差が大きい	Richter スケール、 dB
化学	水素イオン濃度	濃度が極端な桁差を取る	pH = -log[H+]
生物学	細胞数・酵素活性	指数増殖、 マルチスケール	Gompertz 成長モデル
疫学	罹患率・オッズ比	比の正規化、 対称性確保	ロジスティック回帰
情報理論	確率・尤度	積を和に変換、 数値安定	対数尤度・エントロピー
金融	資産リターン	複利、 連続時間モデル	Black-Scholes、 GARCH
都市・地理	人口・都市規模	Zipf 則 (ランクサイズ法則)	log(rank) vs log(size)

💬 表の読み方: 対数変換は「統計手法上の便宜」だけでなく、 多くの分野で「本質的に対数尺度こそが意味のある尺度」として採用されている。 SSDSE-B-2026 の都道府県人口は経済学・都市地理学の文脈にぴったり乗り、 Zipf 則 (log(順位) vs log(人口) が直線になる) が成立するか確認するのが好例である。

🐍 Python: SSDSE-B-2026 で Zipf 則を検証する

このコードでやること: SSDSE-B-2026 の 47 都道府県人口を降順にソートし、 順位 (1 位=東京, 2 位=神奈川…) と人口の log-log プロットを作成、 Zipf 則の直線性 (傾き ≈ -1) を確認する。

📥 入力例（SSDSE-B-2026 の 2023 年・47 都道府県から 3 行） 都道府県 A1101(総人口) 北海道 5,092,000 東京都 14,086,000 沖縄県 1,468,000 …（全 47 行）

📋 コピー

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

import pandas as pd, numpy as np 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] pop = pd.to_numeric(d['A1101'], errors='coerce').dropna().values.astype(float) pop = np.sort(pop)[::-1] # 人口降順 rank = np.arange(1, len(pop) + 1) # 順位 1..47 x = np.log10(rank); y = np.log10(pop) slope, intercept, r, p, se = stats.linregress(x, y) print(f'Zipf 直線: log10(人口) = {intercept:.3f} + {slope:.3f} x log10(順位)') print(f'R2 = {r**2:.4f}, p = {p:.1e}') print(f'傾き {slope:.3f} (Zipf 則の予言値 -1 との差: {abs(slope + 1):.3f})')

📤 実行すると次の出力が得られる:

Zipf 直線: log10(人口) = 7.385 + -0.888 x log10(順位) R2 = 0.9582, p = 1.1e-32 傾き -0.888 (Zipf 則の予言値 -1 との差: 0.112)

💬 結果の読み方: 47 都道府県の人口は log-log で見ると傾き -0.89、 R²=0.96 の極めて強い直線関係を示す。 完全な Zipf 則 (傾き -1) からはやや乖離 (-0.89) しているが、 これは日本の都道府県が「東京一極集中」傾向を反映し、 上位が緩やかに下がる「準 Zipf 分布」になっているため。 米国・欧州の都市規模分布では傾きがほぼ -1 に近く、 「対数変換を取ることで初めて見えてくる普遍的法則」の典型例となる。 元スケールでは東京だけが極端に飛んで他県が左下に固まる「ホッケースティック型」のグラフになり、 法則性は見えない。

💡 哲学: 「対数を取るべきか」を決める 3 つの問い

1. 変数の値域は何桁にまたがるか: 最小値と最大値の比が 10 倍以下なら log は不要。 100 倍以上なら log を強く検討。
2. 変数の本質的な意味は「比率」か「差」か: 「2 倍に増えた」を「1 単位増えた」と等価に扱いたいなら log。 例: 株価は 100→200 と 1000→2000 が同等の意味。
3. 解釈の利便性: 政策議論で「1% 変化」「弾力性」を語りたいなら log-log。 「1 単位増えると何単位増える」を語りたいなら元スケール。

💬 この 3 つの問いは「データの性質」「概念の本質」「議論の目的」の 3 層から成る。 SSDSE-B-2026 で「人口と出生数の関係」を語るなら、 (1) 値域が 26 倍にまたがり、 (2) 「人口 1% 増 → 出生数 1% 増」という比例関係こそが意味を持ち、 (3) 政策の文脈で「地域の人口規模と出生の関係」を議論したい、 という 3 条件がすべて揃うため log 変換が最適解となる。

🧪 機械学習パイプラインにおける対数変換の位置づけ

機械学習の特徴量エンジニアリングにおいて、 対数変換は「分布形を整える前処理」として広く使われる。 ただしモデルの種類によって「効くモデル」と「効かないモデル」があり、 機械的に全変数に log を適用するのは誤り。 ここでは SSDSE-B-2026 を用いて、 線形回帰・木系モデル (Random Forest, XGBoost)・k-NN・ニューラルネットの 4 種類で log 変換の効果を比較する。

📊 表: モデル別の log 変換効果

モデル種類	スケール感度	log の効果	具体例
線形回帰	非常に高い	大きく効く	人口 → 出生数の相対誤差が安定
Ridge / Lasso	高い (正則化のため)	効く	標準化と組合せて使う
Decision Tree	なし (順位のみ)	効かない	分割は順位で決まる
Random Forest	なし	効かない	予測値の解釈で出力 log のみ有効
XGBoost / LightGBM	なし	入力には不要、 出力には有効	目的変数を log で正規化
k-NN	非常に高い (距離計算)	大きく効く	log + 標準化が必須
SVM (RBF)	高い	効く	log + 標準化が標準
ニューラルネット	高い (勾配安定性)	効く	入出力とも log + Batch Norm

💬 表の読み方: 木系モデル (Decision Tree, Random Forest, XGBoost) は分割が変数の順位だけで決まるため、 入力に log を取っても予測結果は変わらない。 一方、 線形回帰・k-NN・SVM・NN などは「距離」や「線形結合」を計算するため、 値のスケール差が大きい変数 (人口 vs 失業率など) は log で揃えないと前処理として不適切。 「モデルを決めてから log を適用するか判断する」のがプロの流儀。

🐍 Python: 3 モデル (線形回帰・RF・k-NN) で log の効果を比較

このコードでやること: SSDSE-B-2026 で「総人口・65歳以上人口・15歳未満人口」から「出生数」を予測する 3 特徴量回帰を、 線形回帰・Random Forest・k-NN で実行。 入力・目的変数を log10 変換した場合と元スケールの場合で RMSE を比較する。

📥 入力例（SSDSE-B-2026 の 2023 年・47 都道府県から 3 行） 都道府県 A1101(総人口) A1301(15歳未満人口) A1303(65歳以上人口) A4101(出生数) 北海道 5,092,000 514,000 1,681,000 24,430 東京都 14,086,000 1,513,000 3,205,000 86,348 沖縄県 1,468,000 236,000 350,000 12,549 …（全 47 行）

📋 コピー

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, numpy as np from sklearn.linear_model import LinearRegression from sklearn.ensemble import RandomForestRegressor from sklearn.neighbors import KNeighborsRegressor from sklearn.metrics import mean_squared_error from sklearn.preprocessing import StandardScaler df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1]) d = df[df['SSDSE-B-2026'] == 2023].copy() for c in ['A1101', 'A1303', 'A1301', 'A4101']: d[c] = pd.to_numeric(d[c], errors='coerce') d = d.dropna(subset=['A1101', 'A1303', 'A1301', 'A4101']) features = ['A1101', 'A1303', 'A1301'] # 総人口・65歳以上人口・15歳未満人口 y = d['A4101'].values # 出生数 for label, X in [('元スケール', d[features].values.astype(float)), ('log10 変換', np.log10(d[features].values.astype(float)))]: yp = np.log10(y) if 'log10' in label else y Xs = StandardScaler().fit_transform(X) for mname, M in [('LinReg', LinearRegression()), ('RF', RandomForestRegressor(n_estimators=100, random_state=42)), ('k-NN', KNeighborsRegressor(n_neighbors=5))]: M.fit(Xs, yp) rmse = np.sqrt(mean_squared_error(yp, M.predict(Xs))) print(f'{label} {mname:7s}: RMSE = {rmse:,.4f}')

📤 実行すると次の出力が得られる:

元スケール LinReg : RMSE = 775.9024 元スケール RF : RMSE = 1,776.4671 元スケール k-NN : RMSE = 4,798.2588 log10 変換 LinReg : RMSE = 0.0161 log10 変換 RF : RMSE = 0.0184 log10 変換 k-NN : RMSE = 0.0529

💬 結果の読み方: 元スケール (RMSE は出生数の人数単位) と log10 スケール (RMSE は対数単位) は直接比較できないが、 「目的変数を log 変換すると相対誤差が安定する」点が重要。 元スケールの線形回帰は東京・大阪などの上位県で大きな絶対誤差を出すが、 log スケールでは相対誤差が均等に評価される。 どのスケールでも LinReg が最も小さく、 k-NN は近傍 5 点の平均で丸まるため誤差が最大になる。 「k-NN や SVM では log + 標準化が必須」という実務原則がここから理解できる。

⚠️ 落とし穴: 目的変数の log 変換と評価指標の整合性

目的変数を log 変換してモデルを学習する場合、 RMSE や MAE などの評価指標も log スケールで計算される。 元スケールでの予測精度を報告するには、 必ず逆変換してから評価指標を再計算する必要がある。 また、 RMSLE (Root Mean Squared Log Error) のように「log スケールで誤差を測る」評価指標を使うのが、 Kaggle 等のコンペで標準的になりつつある。 SSDSE-B-2026 で出生数などの右裾変数の予測タスクを設計するなら、 RMSE ではなく RMSLE を主指標にするのが理に適っている。

🧠 まとめ問題

1. SSDSE-B-2026 で「総人口」「15歳未満人口」「65歳以上人口」の 3 変数を用いて「出生数」を予測する。 線形回帰と Random Forest のどちらにも log 変換を入れるべきか。 入力 / 目的変数のどちらにか。 理由とともに答えよ。
2. k-NN で「65歳以上人口」と「総人口」の 2 特徴量から「出生数」を予測する。 (1) log 変換が必要な変数はどれか、 (2) 標準化も併用すべきか、 (3) 距離尺度は Euclidean か Manhattan か、 議論せよ。
3. Kaggle の住宅価格予測コンペでは目的変数を log 変換するのが定石。 SSDSE-B-2026 で「出生数の都道府県別分布」を予測する場合、 同様に log を取るべきか。 そのときの評価指標として RMSE・RMSLE・MAPE のどれが最適か。

🧪 SSDSE-B-2026 時系列での対数変換: 成長率の解釈

時系列データにおいて、 log 差分は「成長率」を直接表現する強力なツールである。 SSDSE-B-2026 の 2015-2023 年度データから「全国の総人口」「全国の65歳以上人口」の年次推移 (47 都道府県の合計) を取り、 元スケール差分と log 差分の意味を比較する。

📐 数式: log 差分と成長率の関係

時刻 $t$ の値を $X_t$、 1 期前を $X_{t-1}$ とすると、 成長率は

$$g_t = \frac{X_t - X_{t-1}}{X_{t-1}} \approx \ln X_t - \ln X_{t-1}$$

「対数差分は成長率の良い近似 (1 次のテイラー展開)」という関係が成立する。 例えば $X_t / X_{t-1} = 1.05$ (5% 増) なら $\ln(1.05) = 0.0488$ で、 実成長率 0.05 とほぼ一致。 ただし 20% 以上の高成長期では誤差が出始める ($\ln(1.20) = 0.1823$ vs 真値 0.2)。 経済時系列では log 差分は「連続複利的成長率」として解釈され、 累積成長を加算で扱える利点がある。

📊 表: SSDSE-B-2026 全国計の log 差分 (年次成長率)

年度	総人口 (人)	log 差分	65歳以上人口 (人)	log 差分
2015	127,094,745	—	33,465,441	—
2016	127,044,000	-0.0004	34,590,000	+0.0331
2017	126,920,000	-0.0010	35,149,000	+0.0160
2018	126,748,000	-0.0014	35,575,000	+0.0120
2019	126,555,000	-0.0015	35,886,000	+0.0087
2020	126,146,099	-0.0032	35,335,805	-0.0155
2021	125,500,000	-0.0051	36,215,000	+0.0246
2022	124,946,000	-0.0044	36,235,000	+0.0006
2023	124,353,000	-0.0048	36,229,000	-0.0002

💬 表の読み方: 総人口は 2015-2023 年で一貫して負成長 (年率 -0.04% から -0.51%) で、 log 差分の絶対値がおおむね年々増加 (減少率の加速) を示す。 一方 65歳以上人口は 2016-2019 年に年率 +0.9〜3.3% と急増し、 log 差分の符号が総人口とは逆。 2020 年の census 定義変更・年齢不詳の扱いで一時的に負の値が出る点は実データならではの注意点。 元スケール差分では桁が異なり比較しにくいが、 log 差分にすれば「総人口の縮小」と「高齢者の増加」を同じ成長率スケールで並べられる点が log の威力。

🐍 Python: 都道府県別年率成長率の log 差分計算

このコードでやること: SSDSE-B-2026 から「東京・大阪・愛知・沖縄」4 都府県の 2012→2023 年の総人口成長率を、 元の比率と log 差分で並べ、 年率成長率を計算する。

📥 入力例（SSDSE-B-2026 の 2023 年・47 都道府県から 3 行） 都道府県 A1101(総人口) 北海道 5,092,000 東京都 14,086,000 沖縄県 1,468,000 …（全 47 行）

📋 コピー

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

import pandas as pd, numpy as np df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1]) df['A1101'] = pd.to_numeric(df['A1101'], errors='coerce') # 総人口 prefs = ['東京都', '大阪府', '愛知県', '沖縄県'] for pref in prefs: d = df[df['Prefecture'] == pref].sort_values('SSDSE-B-2026') pop = d['A1101'].values yrs = d['SSDSE-B-2026'].values ratio = pop[-1] / pop[0] log_diff = np.log(pop[-1]) - np.log(pop[0]) n_years = yrs[-1] - yrs[0] annual_pct = (ratio ** (1 / n_years) - 1) * 100 print(f'{pref}: {yrs[0]}={pop[0]:>10,.0f}人, {yrs[-1]}={pop[-1]:>10,.0f}人, ' f'log差分={log_diff:+.4f}, 年率={annual_pct:+.2f}%')

📤 実行すると次の出力が得られる:

東京都: 2012=13,234,000人, 2023=14,086,000人, log差分=+0.0624, 年率=+0.57% 大阪府: 2012= 8,861,000人, 2023= 8,763,000人, log差分=-0.0111, 年率=-0.10% 愛知県: 2012= 7,431,000人, 2023= 7,477,000人, log差分=+0.0062, 年率=+0.06% 沖縄県: 2012= 1,411,000人, 2023= 1,468,000人, log差分=+0.0396, 年率=+0.36%

💬 結果の読み方: 東京は年率 +0.57% で 11 年間ほぼ連続成長、 大阪は -0.10% と微減。 愛知 +0.06% で横ばい、 沖縄 +0.36% で人口増を維持。 規模の異なる 4 地域の成長率を「同じスケールで」比較できる。 元の差分 (東京 +852,000 人、 沖縄 +57,000 人) を見せても比較しにくいが、 log 差分 / 年率にすれば「沖縄は東京に次ぐ人口増スピード」と即座に判断できる。 これが「log 差分は成長率」の威力。

⚠️ 落とし穴: 高成長期では log 差分と実成長率に差が出る

log 差分は実成長率の 1 次近似で、 成長率が小さい (年率 10% 未満) ときは誤差 1% 以内で実用十分。 ただし 50% 超の高成長 (新興企業の売上、 ハイパーインフレ国の通貨など) では誤差が顕著になる。 例: 2 倍成長 = log 差分 0.693 だが、 実成長率 100% とは違う。 報告書で「log 差分」を使う際は、 必ず「成長率の対数近似」であることを明示し、 1 桁以上の変化では実比率を併記すること。

📋 まとめ: 対数変換の使い方チェックリスト

本ページの議論を 1 ページのチェックリストとして整理する。 実務で対数変換を検討するときは、 以下の項目を順番に確認すれば、 「取るべきか / どう取るべきか / どう解釈するか」まで一貫した判断が可能となる。

📊 表: 対数変換の判断・実装・解釈 7 ステップ

ステップ	確認項目	合格基準
1. 値域確認	最大値/最小値の比は?	10 倍超なら log 候補、 100 倍超なら強推奨
2. 歪度確認	skewness の絶対値は?	|skew| > 1 で log 検討
3. ゼロ/負値確認	ゼロや負値はあるか?	あれば log1p または Yeo-Johnson
4. 変換実施	log10 vs ln vs Box-Cox?	解釈性 → log10、 数学的 → ln、 最適化 → Box-Cox
5. 変換後検証	歪度が改善したか?	変換後 |skew| < 0.5 で OK
6. モデル適合	残差正規性は確保?	Shapiro-Wilk p > 0.05 で確保
7. 結果報告	解釈・逆変換の方法を明記?	弾力性・semi-elasticity・補正の明示

💬 表の読み方: 7 ステップは「データの確認 (1-3) → 変換実施 (4) → 変換後の検証 (5-6) → 報告 (7)」という流れ。 ステップを飛ばすと「ゼロ値で NaN が混入」「変換後も歪度が残る」「解釈が semi-elasticity と弾力性で混ざる」などの実務トラブルが頻発する。 SSDSE-B-2026 の各変数に対してこの 7 ステップを一巡させれば、 教育用ハンズオン教材として十分な厳密性が確保される。

💡 最後に: 「log を取らない選択肢」も忘れない

本ページは「対数変換が効くケース」を多数紹介してきたが、 実務では「あえて log を取らない選択肢」も重要。 たとえば「年収分布の不平等を議論したい」とき、 元スケールでの分散や標準偏差は「絶対的な格差」を表すが、 log スケールに変換すると「比率的格差」しか見えなくなる。 ジニ係数の計算でも元スケールが標準。 同様に、 「政策議論で 1 円単位の議論をしたい」「広告効果のリフト額を金額で示したい」といったケースでは元スケールが適切。 「log は万能ではなく、 議論したい量に応じて使い分ける」が結論。 SSDSE-B-2026 を使って「どの分析でどちらが適切か」を自分で判断する力を養うことが、 本ページの最終的な目的である。 対数変換は分析者の道具箱の中で最も古く、 最も誤解されやすく、 最も強力なものの一つであり続けている。

🖼 視覚的理解 (3 図)

対数変換の効果を SSDSE-B-2026 都道府県データで可視化する。 (1) 変換前後の散布図、 (2) 歪度の改善ヒストグラム、 (3) 地方区分での分布比較の 3 切り口。