🔖 キーワード索引 — ロジスティック回帰を多角的に理解する

ロジスティック回帰（logistic regression）を確実に使いこなすための関連キーワードを難易度別に整理しました。

🟢 基礎キーワード（まず押さえる）

• ロジスティック関数（sigmoid）：σ(z) = 1/(1+e⁻ᶻ)。 線形結合を確率 [0, 1] に押し込む変換。
• ロジット（logit）変換：log(p/(1−p))。 確率を実数全体に展開する逆変換。
• オッズ（odds）：p/(1−p)。 「起こる確率」を「起こらない確率」で割った値。
• オッズ比（odds ratio, OR）：説明変数が 1 単位増えたときのオッズの倍率。 係数 β に対して exp(β)。
• 二値分類（binary classification）：0 / 1 の予測タスク。 ロジスティック回帰の最も基本的な用途。
• 決定境界（decision boundary）：通常 p = 0.5 を閾値として 0 / 1 を分ける線。

🟡 中級キーワード

• 最尤推定（MLE, maximum likelihood estimation）：パラメータを観測データの尤度最大化で求める方法。
• 交差エントロピー損失（cross-entropy loss）：log loss とも。 ロジスティック回帰の損失関数で、 負の対数尤度。
• L1 / L2 正則化（Lasso / Ridge）：過学習を防ぐペナルティ項。 sklearn では `penalty='l1' / 'l2' / 'elasticnet'`。
• ROC 曲線・AUC：閾値を変えながら TPR と FPR を描く曲線。 AUC は分類器の総合性能指標。
• 多項ロジスティック回帰（multinomial logistic）：3 クラス以上の分類への拡張。 softmax 関数を使う。
• 不均衡データ（class imbalance）：陽性が少ない場合、 class_weight='balanced' や SMOTE で対処。

🔴 上級キーワード

• Wald 検定 / 尤度比検定 / スコア検定：係数の有意性を検定する 3 つの方法。
• Hosmer–Lemeshow 検定：モデル全体の適合度（goodness of fit）を評価。
• 擬似決定係数（pseudo R², McFadden's R²）：ロジスティック回帰では通常の R² が使えないため代替指標。
• 完全分離（complete separation）：説明変数だけで完璧に分類できる病的なケース。 MLE が発散。
• Firth 補正：稀少イベント・完全分離問題への罰則付き MLE。
• Platt スケーリング・等温回帰：予測確率のキャリブレーション補正。

🎨 直感で掴む — ロジスティック回帰

ロジスティック回帰は「2 値（0/1）の確率を線形予測子の logit で表す」回帰。 係数は対数オッズの増分で、 exp(係数) = オッズ比。 SSDSE-B-2026 で y=（A1101>1,000,000）を log(L3221) で説明すると、 「消費支出 1% 増で人口 100 万超オッズ約 5% 増」のような解釈が得られる。

ロジスティック回帰 は「回帰」カテゴリの中核概念。 初めて触れる読者は、 まずこの「🎨 直感」セクションだけ通読し、 必要になった時点で「📐 数式」「🐍 Python」「⚠️ 落とし穴」へ戻る読み方が定着しやすいです。

🎨 概念図で押さえる

ロジスティック回帰の仕組みと使い分けを、 3 点のインライン SVG で 視覚的に整理する。

図1 ロジスティック関数（シグモイド）の形

線形和 β₀+β₁x を 0〜1 の確率に押し込む S 字曲線。 中心の 0.5 が判定境界。

図2 線形回帰との違い（外挿の安全性）

青の点線は線形回帰の予測 → 確率が 1 を超え不自然。 ロジスティック回帰なら必ず 0〜1 に収まる。

図3 オッズ比の解釈

OR=1 は影響なし、 OR>1 は発生確率を上げる、 OR<1 は下げる（保護要因）。 係数 β を exp(β) に変換して読む。

📝 理解度チェック

1. シグモイド関数の出力範囲は 0〜1。 では入力 z=0 のときの出力は？ （答：0.5）
2. 係数 β=0.7 のオッズ比は exp(0.7)≈2.0。 これは「説明変数が 1 単位増えるとオッズが何倍か？」 （答：約 2 倍）
3. 2 クラス分類の判定閾値を 0.5 から 0.3 に下げると、 一般に 再現率と精度 はどう変わるか？ （答：再現率↑、 適合率↓）
4. 多重共線性が強いとき、 ロジスティック回帰の係数はどうなる？ （答：不安定で解釈困難になる）
5. ROC-AUC=0.5 は何を意味する？ （答：偶然と同じ＝モデルが分類に役立っていない）

🎮 触って理解する — シグモイド・決定境界を手で動かす

読むだけでは掴みにくい「なぜシグモイドが確率か」「決定境界はなぜ直線か」を、 実際に点を置いて体感します。 キャンバスをクリック（スマホはタップ）すると、 選んだクラスの点が配置されます。 1次元モードでは x 軸上に 0/1 の点を置くとシグモイド曲線（確率）が引かれ、 係数スライダー（傾き β₁・切片 β₀）で曲線の急峻さと位置を手で調整できます。 「⚙ 勾配法で自動フィット」を押すと、 対数尤度を最大化する係数へ自動収束します。 2次元モードでは、 点を置くたびに勾配法で再フィットし、 線形の決定境界と確率の等高線（ヒートマップ）が描画されます。 閾値スライダーを動かすと、 分類結果（誤分類の数）が変わる様子も観察できます。

🔍 このおもちゃが示していること

📐 定義・数式 — ロジスティック回帰

やさしい説明で掴んだ感覚を、ここで ロジスティック回帰 の定義式に対応づけます。下の式は左辺 $\Pr(Y$ が何で決まるかを右辺で書き下したもので、分数（割り算）、exp（指数）、β（回帰係数） が現れます。それぞれの記号が何の量を指すのかは、次の「🔬 数式を言葉で読み解く」で 1 つずつ確かめてください。

🔬 数式を言葉で読み解く — 数式を「言葉」に翻訳

上の数式を眺めるだけでは身につかないので、 各記号がどんな役割を担っているかを言葉で押さえます。 「数式を音読する習慣」がつくと、 論文や教科書を読むスピードが体感で 2 倍ほど上がります。

左辺（結果側）

ロジスティック回帰 で定義したい量。 解釈の対象。 単位・スケールを必ず確認する。

右辺（構成要素）

観測できる入力変数（SSDSE-B-2026 でいえば A1101・L3221 など）と推定対象パラメータ（β, σ 等）の組合せ。

添字 i, j, t

i=サンプル（県）、 j=変数、 t=時点。 SSDSE-B-2026 は i ∈ {1..47} 県、 t ∈ {2008..2023}。

和記号 Σ

「足し合わせ」を表す。 添字 i が 1 から n まで動く範囲を明示するのが習慣。

期待値 E[·]、 分散 Var[·]

「ランダム変数の平均」と「ばらつき」。 SSDSE-B-2026 のような集計値でも、 標本誤差・年次変動の文脈で使える。

🧮 SSDSE-B-2026 実値計算例 — 47 都道府県データでロジスティック回帰

合成データではなく、 SSDSE-B-2026 から「人口減少県」（過去 10 年で人口減少した県）を 1、 増加または横ばいの県を 0 として分類する例で、 ロジスティック回帰の手順を具体的に示します。

① データ準備

# 目的変数 Y：1 = 人口減少県（おおよそ 38 県）、 0 = 増加県（東京・沖縄・神奈川・千葉・埼玉・愛知・福岡・滋賀・大阪 の 9 県）

# 説明変数 X：
# x₁ = 高齢化率（％、 27〜38 程度）
# x₂ = 1 人当たり県民所得（万円、 200〜500 程度）
# x₃ = 大学進学率（％、 35〜70 程度）

② モデル式とパラメータ推定例

 1
 2
 3
 4
 5
 6
 7
 8
 9
10

logit(P(Y=1)) = β₀ + β₁·高齢化率 + β₂·県民所得 + β₃·大学進学率

# 最尤推定の結果（仮想的だが現実的な値）
β₀ ≈ -8.20  （切片）
β₁ ≈ +0.52  （高齢化率 1% 増で logit +0.52、 OR ≈ exp(0.52) ≈ 1.68）
β₂ ≈ -0.012 （所得 1 万円増で OR ≈ exp(-0.012) ≈ 0.988）
β₃ ≈ -0.038 （進学率 1% 増で OR ≈ exp(-0.038) ≈ 0.963）

→ 高齢化率が高いほど人口減少県になる確率が大きく上昇
→ 県民所得・大学進学率が高いほど減少しにくい

③ 特定の県での予測確率計算

1
2
3
4
5
6
7
8

# 例：秋田県（高齢化率 38%、 県民所得 245 万円、 大学進学率 47%）
logit = -8.20 + 0.52·38 + (-0.012)·245 + (-0.038)·47
      = -8.20 + 19.76 - 2.94 - 1.79
      ≈ +6.83

P = 1 / (1 + exp(-6.83)) ≈ 0.9989

→ 秋田は人口減少県である確率 99.89%（実際に減少県）

1
2
3
4
5
6
7
8

# 例：東京都（高齢化率 23%、 県民所得 540 万円、 大学進学率 73%）
logit = -8.20 + 0.52·23 + (-0.012)·540 + (-0.038)·73
      = -8.20 + 11.96 - 6.48 - 2.77
      ≈ -5.49

P = 1 / (1 + exp(5.49)) ≈ 0.0041

→ 東京は人口減少県である確率 0.41%（実際に増加県）

④ 分類性能指標

 1
 2
 3
 4
 5
 6
 7
 8
 9
10

# 47 県を 50% 閾値で予測した結果（仮想）
                 予測 0    予測 1
実測 0（9 県）       8         1   ← 1 県を誤って減少県と予測
実測 1（38 県）      2        36   ← 2 県を誤って増加県と予測

正解率 (Accuracy)  = (8+36)/47 ≈ 0.936
適合率 (Precision) = 36/(36+1) ≈ 0.973
再現率 (Recall)    = 36/(36+2) ≈ 0.947
F1 スコア          ≈ 0.960
AUC                ≈ 0.985

⑤ オッズ比の解釈と信頼区間

1
2
3
4
5
6

# 高齢化率の係数 β₁ = 0.52、 SE = 0.18
# 95% 信頼区間（β₁）: 0.52 ± 1.96·0.18 = [0.167, 0.873]
# OR の 95% CI: [exp(0.167), exp(0.873)] = [1.18, 2.39]

→ 「高齢化率が 1% 増えると、 人口減少県になるオッズが
  1.18〜2.39 倍になる（95% 信頼）」

🧮 実値で計算してみる — SSDSE-B-2026

数式だけでは「実感」が湧きにくいので、 実データ data/raw/SSDSE-B-2026.csv（47 都道府県 × 16 年）で 1 度手計算してみると理解が定着します。

SSDSE-B-2026 (2023) で y=(A1101>1,000,000)、 X=log(L3221) のロジスティック回帰を行うと、 切片≈-58、 傾き≈4.7、 exp(4.7) ≈ 110。 つまり log(L3221) が 1 単位上がるとオッズが 110 倍。 L3221 が 28 万→32 万（log 差 0.13）でオッズ約 1.83 倍。

上記は SSDSE-B-2026 (2023) からの抜粋。 手計算で確認した値が、 後述の Python 実装で得る値と一致することを確認すると、 「数式とコードの対応関係」がクリアに見えるようになります。

🧮 数式に値を入れて手で計算する: ロジスティック予測確率

合成 z = 0.5x + 1 から p を計算する。

Step 1: 入力

Step 2: 判定 (閾値 0.5)

🐍 Python で再現

1
2
3
4
5
6

import numpy as np
x = np.array([0, -2, 4, -4])
z = 0.5*x + 1
p = 1/(1+np.exp(-z))
print(f"p: {p.round(3)}")
print(f"クラス: {(p>0.5).astype(int)}")

📤 実行結果

💬 手計算 (Step 2) と Python 出力が完全一致。

🐍 Python 実装のバリエーション — scikit-learn / statsmodels / pingouin

① scikit-learn の LogisticRegression（機械学習向き）

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

import pandas as pd
import numpy as np
from sklearn.linear_model import LogisticRegression
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split

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

# 目的変数：高齢化率（A1303/A1101）が中央値超なら 1
aging = df['A1303'] / df['A1101']
y = (aging > aging.median()).astype(int)
X = df[['A1101', 'L3221']]       # 総人口・消費支出

Xs = StandardScaler().fit_transform(X)   # 標準化
X_train, X_test, y_train, y_test = train_test_split(Xs, y, test_size=0.3, random_state=0)

model = LogisticRegression(C=1.0, penalty='l2', max_iter=1000)
model.fit(X_train, y_train)
print('係数:', {c: round(float(w), 4) for c, w in zip(X.columns, model.coef_[0])})
print('切片:', round(float(model.intercept_[0]), 4))
print('精度:', round(model.score(X_test, y_test), 4), f'(テスト {len(y_test)} 県)')

② statsmodels の Logit（統計学向き、 p 値・AIC 付き）

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

import statsmodels.api as sm

X_const = sm.add_constant(X)
model = sm.Logit(y, X_const).fit()
print(model.summary())

# オッズ比とその 95% 信頼区間
params = model.params
conf = model.conf_int()
conf['OR'] = np.exp(params)
conf.columns = ['CI 2.5%', 'CI 97.5%', 'OR']
conf[['CI 2.5%', 'CI 97.5%']] = np.exp(conf[['CI 2.5%', 'CI 97.5%']])
print(conf)

③ L1 正則化（Lasso）で変数選択

1
2
3
4
5
6

model_l1 = LogisticRegression(C=0.5, penalty='l1', solver='liblinear', max_iter=1000)
model_l1.fit(Xs, y)

print('L1 で残った係数:')
for name, coef in zip(X.columns, model_l1.coef_[0]):
    print(f'  {name}: {coef:.4f}')

④ ROC 曲線・AUC の可視化

 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 pandas as pd
import numpy as np
from sklearn.linear_model import LogisticRegression
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split
from sklearn.metrics import roc_curve, roc_auc_score
import matplotlib.pyplot as plt

# 直前のブロックで model は statsmodels の Logit に置き換わっているので、
# predict_proba を持つ scikit-learn のモデルをここで作り直す
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df[df['SSDSE-B-2026'] == 2023]
aging = df['A1303'] / df['A1101']
y = (aging > aging.median()).astype(int)
X = df[['A1101', 'L3221']]
Xs = StandardScaler().fit_transform(X)
X_train, X_test, y_train, y_test = train_test_split(Xs, y, test_size=0.3, random_state=0)
sk_model = LogisticRegression(C=1.0, penalty='l2', max_iter=1000).fit(X_train, y_train)

y_proba = sk_model.predict_proba(X_test)[:, 1]
fpr, tpr, thresholds = roc_curve(y_test, y_proba)
auc = roc_auc_score(y_test, y_proba)
print(f'AUC = {auc:.3f}')

plt.plot(fpr, tpr, label=f'AUC = {auc:.3f}')
plt.plot([0,1], [0,1], 'k--')
plt.xlabel('偽陽性率 (FPR)')
plt.ylabel('真陽性率 (TPR)')
plt.legend()
plt.savefig('roc_curve.png', dpi=150)

⑤ class_weight で不均衡対応

1
2
3
4
5
6

model_balanced = LogisticRegression(
    C=1.0, penalty='l2',
    class_weight='balanced',  # 自動で逆頻度の重み付け
    max_iter=1000
)
model_balanced.fit(X_train, y_train)

⑥ 多項ロジスティック回帰（3 クラス以上）

 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
import numpy as np
from sklearn.linear_model import LogisticRegression
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split

# 3 クラスの目的変数を作る（人口規模 小/中/大）
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df[df['SSDSE-B-2026'] == 2023]
y_multi = pd.cut(df['A1101'], bins=[0, 1_500_000, 3_000_000, 1e9],
                 labels=['小', '中', '大'])
Xs = StandardScaler().fit_transform(df[['A4101', 'L3221']])
X_train, X_test, y_train_multi, y_test_multi = train_test_split(
    Xs, y_multi, test_size=0.3, random_state=0)

# sklearn 1.5 以降、multi_class 引数は廃止（クラスが 3 つ以上なら自動で多項ロジット）
model_multi = LogisticRegression(
    solver='lbfgs',
    max_iter=1000
)
model_multi.fit(X_train, y_train_multi)

# softmax 出力で全クラスの確率を取得
probs = model_multi.predict_proba(X_test)
print(pd.DataFrame(probs, columns=model_multi.classes_).round(3).head())

⑦ キャリブレーション補正（Platt scaling）

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

from sklearn.calibration import CalibratedClassifierCV

cal = CalibratedClassifierCV(LogisticRegression(max_iter=1000), method='sigmoid', cv=5)
cal.fit(X_train, y_train)

# 確率の信頼性確認
from sklearn.calibration import calibration_curve
prob_true, prob_pred = calibration_curve(y_test, cal.predict_proba(X_test)[:, 1], n_bins=10)
plt.plot(prob_pred, prob_true, 's-', label='Calibrated')
plt.plot([0,1], [0,1], 'k--')
plt.xlabel('予測確率')
plt.ylabel('実測陽性率')
plt.legend()

🐍 Python 実装 — ロジスティック回帰

公的統計（SSDSE-B-2026）を題材に、 最小限の Python コードで ロジスティック回帰 を動作させます。 まずはこのまま実行してみてください。

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

# ロジスティック回帰 を SSDSE-B-2026 で実行する最小コード
import pandas as pd
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df[df['SSDSE-B-2026'] == 2023]  # 2023 年のみ抽出
print(df.shape)  # (47, 112)
print(df[['Prefecture','A1101','A1303','L3221']].head())

from sklearn.linear_model import LogisticRegression
import numpy as np
y = (df['A1101'] > 1_000_000).astype(int).values
X = np.log(df['L3221'].values).reshape(-1, 1)
clf = LogisticRegression().fit(X, y)
print('切片:', clf.intercept_)
print('係数:', clf.coef_)
print('オッズ比:', np.exp(clf.coef_))

▶ 実行 を押せばこのページの中でそのまま動きます（ライブラリもデータも同梱済みで、 準備は要りません）。 手元の Python に移して動かすときは pip install matplotlib numpy pandas scikit-learn scipy seaborn statsmodels が必要です。 読んでいるデータは data/raw/SSDSE-B-2026.csv。 日本語を含むので encoding='cp932' の指定を落とさないでください。

⚠️ ロジスティック回帰の落とし穴 — 実務で必ず引っかかるポイント 7 選

⚠️ よくある落とし穴 — ロジスティック回帰

ロジスティック回帰 を使うときに初学者が踏みやすい失敗パターン。 1 度経験してしまえば次から避けられますが、 先に知っておくに越したことはありません。

🌐 関連手法・派生 — ロジスティック回帰 の周辺

ロジスティック回帰 の周辺にある、 セットで覚えておきたい関連手法を整理しました。 状況によって使い分けが必要なので、 「強みと弱み」を 1 行で言えるようにしておくと、 場面に応じた選択が可能になります。

このうち ロジスティック GLM・プロビット回帰・重回帰・線形回帰・オッズ比 は本サイトに個別ページがあります。 表の右列は「この用語との違い」を書いたものなので、まず違いが腑に落ちない行のリンクから開くと、 差分だけを追えて速く読めます。

🔗 関連用語ネットワーク — 前提・並列・発展で 12 項目

📚 前提となる用語

• 線形回帰 — ロジスティック回帰は線形回帰のリンク関数を logit に変えたもの。 まず線形回帰を理解。
• 仮説検定 — 係数の有意性検定（Wald 検定）に必要。
• 信頼区間 — オッズ比とその信頼区間を必ず報告。
• ベルヌーイ分布・二項分布 — 0/1 の目的変数の確率モデル。

🤝 並列に学ぶ用語

• サポートベクターマシン（SVM） — 同じく二値分類。 境界の幾何が異なる。
• ランダムフォレスト — 非線形・高性能。 解釈性で見劣りすることも。
• ナイーブベイズ — 単純で高速。 ベースラインに最適。
• 決定木 — 解釈性最強。 ロジスティック回帰の対極的アプローチ。

🚀 発展先

• 多項ロジスティック回帰 — 3 クラス以上への拡張。 softmax 関数。
• 順序ロジスティック回帰 — 順序付きカテゴリ目的変数。 比例オッズ仮定。
• 一般化線形モデル（GLM） — ロジスティック回帰を含む統一フレームワーク。 リンク関数の概念。
• 対数損失・キャリブレーション — 予測確率の信頼性を測る損失と補正。 医療・与信で必須。

🔗 関連用語（前提・並列・発展）

ロジスティック回帰 と直接つながる前後関係。 「前提」=先に知っておくと理解が早い／「並列」=同じ問題に別の角度／「発展」=応用・拡張版。 学習計画の参考にどうぞ。

• 🔗 回帰係数
• 🔗 VIF
• 🔗 AIC
• 🔗 調整済み R²
• 🔗 回帰分析
• 🔗 標準化β
• 🔗 単回帰
• 🔗 多重共線性

📚 統計学習の総合ガイド

📚 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

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

# SSDSE-B-2026（cp932・1 行目の列コード行を skip）
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df[df['SSDSE-B-2026'] == 2023]

# 2値目的変数：高齢化率（A1303/A1101）が中央値超なら 1
aging = df['A1303'] / df['A1101']
y = (aging > aging.median()).astype(int)

# 説明変数に定数項（切片）を追加
X = sm.add_constant(df[['A1101', 'L3221']])

# 最尤推定でロジットモデルを当てはめる
res = sm.Logit(y, X).fit()
print(res.summary())        # 係数・SE・z・p 値・95%CI

# オッズ比とその 95% 信頼区間（exp でオッズ比スケールへ）
conf = res.conf_int()
conf['OR'] = res.params
print(np.exp(conf))

📈 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

ロジスティック回帰 の全体像を学ぶには、 横断的な教材から入るのが効率的：

• 📚 論文一覧 — 回帰 の再現論文を一覧できる
• 📚 用語集トップ — ロジスティック回帰 の周辺概念を一気に俯瞰
• 📚 概念マップ — ロジスティック回帰 がどの位置にあるか確認

🗺️ 統計手法選択フローチャート

Q1: 何を知りたい？

• 記述したい → 平均、 分散、 ヒストグラム
• 比較したい → t検定、 ANOVA、 χ²検定
• 関係を見たい → 相関、 回帰
• 予測したい → 回帰、 機械学習
• 分類したい → ロジスティック回帰、 SVM、 RF
• グループ分けしたい → クラスタリング
• 次元を減らしたい → PCA、 因子分析
• 因果関係を知りたい → RCT、 IV、 DiD、 PSM

Q2: データの種類は？

• 連続値 → t検定、 ANOVA、 線形回帰
• カテゴリ → χ²検定、 ロジスティック回帰
• 順序 → ノンパラ検定、 順位回帰
• カウント → ポアソン回帰、 負の二項回帰
• 時系列 → ARIMA、 VAR、 状態空間
• パネル → 固定効果、 ランダム効果

Q3: サンプルサイズは？

• n < 30：ノンパラ、 ベイズ、 ブートストラップ
• 30 ≤ n < 200：古典的検定、 単純な回帰
• n ≥ 200：複雑なモデル、 機械学習
• n ≥ 10000：深層学習も可能

Q4: 仮定は？

• 正規性：満たす → パラメトリック / 満たさない → ノンパラ
• 独立性：必須 / 違反 → クラスター調整、 時系列モデル
• 等分散性：満たす → OLS / 違反 → WLS、 ロバスト

📏 ロジスティック回帰の効果量と係数解釈

ロジスティック回帰では Odds Ratio と 擬似 R² が効果量・適合度の主指標。 解釈基準：

🗺️ 概念マップ — 3つの視点で体系を理解する

ロジスティック回帰 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 › 関連・回帰 › 回帰 › ロジスティック回帰（一般化線形モデル（二項＋ロジット））

① 🔗 関係マップ — 「他の手法とどう繋がっているか」

中心に ロジスティック回帰 を置き、 そこから 重回帰・プロビット・OLS・分類・単回帰・Ridge回帰 計 6 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。 「ロジスティック回帰」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。 「ロジスティック回帰」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 ロジスティック回帰 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 → 回帰 → ロジスティック回帰 という入れ子の位置を示します。 「回帰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

ロジスティック回帰は二値分類の代表モデルであり、 前段の説明変数設計と後段のオッズ比解釈・ROC 評価を組み合わせて医療・ビジネスで定番化している。

• 上流: 前段の説明変数設計・カテゴリ変数エンコード (シグモイド関数、 勾配降下法)
• 並列: 並列の二値分類 (SVM・決定木・ニューラルネット) (線形回帰、 SVM) と比較・併用
• 下流: 下流のオッズ比・ROC/AUC・キャリブレーション (対数損失、 分類評価)

上流の特徴量選択と多重共線性検査 (VIF) で安定した推定を確保し、 並列の決定木/SVM/Random Forest と比較して解釈性 vs 精度のトレードオフを判断し、 下流の ROC/AUC とオッズ比解釈でビジネス示唆 (どの要因がどれだけ確率を上げるか) を抽出する流れで二値分類の標準パイプラインが完成する。

🌳 手法選択フロー

「logistic regression」を含む手法選択は、 データの性質・分析目的・運用制約の 3 軸で決まる。 以下に典型シナリオと対応する手法の組合せを示す。

典型シナリオ別の手法選択

選んだ後の検証ステップ

1. 前処理確認: 標準化 / 欠損処理 / カテゴリ変数のエンコード が適切か
2. ハイパラ調整: 交差検証で安定する値を選ぶ
3. 性能評価: タスクに応じた指標 (RMSE / Accuracy / F1 / AUC / シルエット等) を複数併用
4. 頑健性チェック: 別手法 / 別シードで結果が大きく違わないか確認
5. 解釈: 結果を分野知識と照らし合わせ、 意味のある発見になっているか検討

🧭 直感を深掘り — シグモイド・ロジット・オッズ比・決定境界

上の「🎨 直感」を土台に、 ロジスティック回帰を貫く 4 つの視点を一段深く言語化する。 いずれも同じモデルを別角度から見たものであり、 相互に翻訳できることが本質。

① 確率をシグモイドでモデル化する

二値の結果 $y\in\{0,1\}$ の「1 になる確率」$p$ を直接線形式で書くと $[0,1]$ をはみ出す。 そこで線形結合 $z=\beta_0+\beta_1x_1+\dots$ を シグモイド関数 $\sigma(z)=1/(1+e^{-z})$ に通し、 必ず $0\sim1$ に収める。 $z$ が大きいほど $p\to1$、 小さいほど $p\to0$、 $z=0$ でちょうど $p=0.5$。 S 字の傾きが最も急なのは $p=0.5$ 付近で、 ここでは説明変数のわずかな変化が確率を大きく動かす。 逆に $p$ が 0 や 1 に近い端では、 同じだけ $z$ を動かしても確率はほとんど動かない（飽和）。

② 線形結合はロジット（対数オッズ）そのもの

シグモイドの逆関数を取ると $z=\log\dfrac{p}{1-p}$。 つまり線形結合 $z$ の正体は オッズ $p/(1-p)$ の対数（ロジット）である。 ロジスティック回帰は「確率そのもの」ではなく「対数オッズ」を線形にモデル化している、 と読むと係数の意味が一気に通る。 確率スケールでは非線形（S 字）だが、 ロジットスケールに移せば完全に線形——これが線形回帰の直感をそのまま持ち込める理由。

③ 係数はオッズ比の対数

$x_j$ を 1 単位増やすと $z$ は $\beta_j$ だけ増える。 ロジットが $\beta_j$ 増えることは、 オッズが $e^{\beta_j}$ 倍になることと同値。 よって$\exp(\beta_j)$ がオッズ比 (odds ratio, OR)。 $\beta_j>0\Rightarrow OR>1$（発生確率を上げる）、 $\beta_j<0\Rightarrow OR<1$（保護的）、 $\beta_j=0\Rightarrow OR=1$（影響なし）。 SSDSE-B-2026 の 2023 年 47 都道府県で「高齢化率（A1303/A1101）が中央値超かどうか」を目的変数（陽性 23 県・陰性 24 県のほぼ均衡）にし、 説明変数を標準化した総人口 log(A1101) と消費支出 log(L3221) で当てはめると、 総人口の OR ≈ 0.23（95%CI 0.08〜0.65, p≈0.006）——人口規模の大きい県ほど高齢化率が上位に入りにくい、 という強い負の関連が実データから読める（実測値・捏造なし）。

④ 決定境界はロジットが 0 になる面

閾値を $p=0.5$ にすると、 判定が切り替わるのは $z=0$、 すなわち $\beta_0+\beta_1x_1+\dots=0$ の面。 これは説明変数空間では直線（多次元なら超平面）で、 ロジスティック回帰が「線形分類器」と呼ばれる所以。 確率の等高線（$p=0.3,0.5,0.7\dots$）はこの境界に平行に並ぶ。 非線形な境界が必要なら、 多項式特徴量・交互作用項を足すか、 分類の非線形手法（木・SVM・NN）へ切り替える。

⚠️ 落とし穴を深掘り — 解釈と推定の罠

ロジスティック回帰は「動く」が「正しく読む」のは難しい。 実務・コンペで踏みやすい 8 つの罠を、 対処とともに整理する。

1. オッズ比は限界効果ではない

最頻の誤読。 $\exp(\beta_j)$ はオッズの倍率であって「確率が何ポイント上がるか」ではない。 確率スケールの変化（限界効果 $\partial p/\partial x_j = \beta_j\,p(1-p)$）は今いる $p$ の位置に依存し、 $p=0.5$ 付近で最大、 端では小さい。 「OR=2」を「確率が 2 倍」「確率が +50%」と言い換えるのは誤り。 確率への効果を語りたいときは statsmodels の get_margeff() で平均限界効果 (AME) を出す。

2. 完全分離で係数が発散する

ある説明変数（の組合せ）だけで 0/1 を完璧に切り分けられると、 尤度を上げ続けるほど係数が $\pm\infty$ へ発散し、 最尤推定 (交差エントロピー最小化) が収束しない。 sklearn は L2 正則化が既定なので有限値を返すが「巨大な係数＋巨大な標準誤差」に化ける。 対処: Firth のペナルティ付きロジスティック、 強めの正則化、 ベイズ事前分布、 あるいは分離を起こす変数の見直し。 標本が小さい（SSDSE の n=47 のような）場面ほど起きやすい。

3. 多重共線性で係数が不安定

説明変数どうしが強く相関すると、 個々の $\beta_j$ の符号・大きさが標本のわずかな違いで揺れ、 オッズ比の解釈が崩れる（多重共線性）。 予測精度は保たれても「どの要因が効くか」の話は信用できない。 VIF で確認し、 変数の統合・除去、 または Ridge（L2）で縮小する。

4. 予測確率が較正されているとは限らない

「モデルが 0.8 と言った群で実際に約 80% が陽性」であって初めて確率として使える。 正則化の強い設定・不均衡データ・誤特定では、 出力確率が系統的にずれる（キャリブレーションずれ）。 信頼度図 (reliability diagram) と Brier スコアで点検し、 Platt スケーリングや等温回帰 (isotonic) で補正する。 順位（AUC）は良くても確率値が信用できない、 は普通に起きる。

5. 不均衡データで多数派に引っ張られる

陽性率が数 % だと、 全部「陰性」と答えるだけで Accuracy が高く見え、 少数派の 再現率が壊滅する（クラス不均衡）。 class_weight='balanced'・オーバーサンプリング (SMOTE)・閾値調整で対処し、 評価は Accuracy でなく F1・AUC・PR 曲線を見る。

6. 線形分離（ロジット線形）の仮定

ロジスティック回帰が線形にするのはロジット。 説明変数と対数オッズの関係が実際は曲がっているのに直線を当てると、 系統的な当てはめ不足になる。 連続変数はビン化して各区間のロジットをプロットする、 スプライン・多項式項を足す等で非線形性を診断・吸収する。

7. 閾値 0.5 は任意

0.5 は「対称な誤りコスト・均衡データ」での既定値にすぎない。 見逃し (FN) と誤検出 (FP) のコストが違う（病気検出は FN 重視、 スパムは FP 重視）なら閾値をずらすべき。 ROC 曲線や PR 曲線で運用点を選ぶ。 閾値はモデルの外側で決めるパラメータであり、 係数推定とは別問題。

8. 外挿は危険

学習データの説明変数レンジの外では、 モデルは飽和領域（$p\approx0$ または $1$）へ自信満々に張り付く。 だが根拠となるデータが無い領域なので、 その確信は幻。 予測時は入力が学習範囲内かを確認し、 範囲外の予測には強い留保を付ける。 n=47 の都道府県データのように標本が小さいと、 数県分だけレンジ外に出た瞬間に予測が不安定化する。

🚀 発展 — 推定・拡張・評価の地図

ロジスティック回帰を「一つの点」ではなく「大きな地図上の交差点」として捉えるための発展トピック。

最尤推定と交差エントロピー

係数は最尤推定 (MLE) で決める。 各観測の尤度 $p_i^{y_i}(1-p_i)^{1-y_i}$ の積を最大化することは、 負の対数尤度＝交差エントロピー損失（log loss）の最小化と等価。 線形回帰の最小二乗と違い閉形式解はなく、 ニュートン法 (IRLS) や勾配降下で反復的に解く。 損失は凸なので（正則化ありなら強凸）、 局所最適に嵌まらず大域解に収束する。

オッズ比と限界効果の使い分け

「要因の相対的な効き」を語るなら $\exp(\beta_j)$（オッズ比）、 「確率が実際に何ポイント動くか」を語るなら限界効果 (AME)。 医学・疫学ではオッズ比、 政策・ビジネスの効果量説明では確率スケールの限界効果が好まれる。 両者は同じモデルの別表現で、 どちらを報告するかは聞き手の問いで選ぶ。 SSDSE の 2 変数モデルでは総人口 OR≈0.23 と強い一方、 消費支出 OR≈0.72 は 95%CI が 1 をまたぎ（p≈0.39）有意でない——CI が 1 を含むかがオッズ比読解の第一関門。

多クラスへの拡張（softmax）

3 クラス以上は多項ロジスティック回帰。 シグモイドを softmax $\;p_k=e^{z_k}/\sum_j e^{z_j}$ に置き換え、 各クラスの線形結合を確率ベクトルへ正規化する。 二値のシグモイドは softmax の 2 クラス特例。 sklearn では multi_class='multinomial'（または既定の自動選択）で扱える。

正則化（L1 / L2 / Elastic Net）

過学習・不安定さ対策に正則化を足す。 L1 (Lasso) は係数を 0 に落として変数選択、 L2 (Ridge) は係数を縮小して安定化、 Elastic Net はその中間。 sklearn の C はペナルティの逆数（C 小＝強い正則化）で、 既定 C=1.0 は弱め。 n が小さいときは C を下げる価値がある。 正則化は完全分離の発散も抑える。

プロビットとの違い

プロビット回帰はリンク関数に標準正規 CDF $\Phi(z)$ を使う。 シグモイド（ロジット）は裾がやや重く、 実務では推定確率はほぼ一致する。 決定的な違いは係数の解釈: ロジットは exp してオッズ比という直接解釈ができるのに対し、 プロビット係数にはオッズ比解釈がない。 解釈性を重視するならロジット、 潜在変数モデル（正規誤差の閾値モデル）として組みたいならプロビット。

GLM の一員として

ロジスティック回帰は一般化線形モデル (GLM) の「二項分布 ＋ ロジットリンク」の特例（ロジスティック GLM）。 誤差分布とリンク関数を差し替えれば、 ポアソン回帰（計数）・線形回帰（正規＋恒等リンク）などと同じ枠組みで一望できる。 statsmodels の GLM(family=Binomial()) でもロジスティック回帰が書ける。

ROC / AUC による評価

分類性能は閾値に依存するため、 閾値を動かしながら TPR–FPR を描く ROC 曲線と、 その下面積 AUC で総合評価する。 AUC=0.5 は当てずっぽう、 1.0 が完璧、 0.8 以上で実用的とされる。 SSDSE の標準化 2 変数モデルでは AUC≈0.82・McFadden 擬似 R²≈0.26（実測）と、 47 県という小標本のわりに素直な分離が得られる。 不均衡が強い場面では ROC より PR 曲線が実態を映す。