📖 もっと詳しく

多重共線性（multicollinearity）は、 重回帰で説明変数同士が強く相関している状態。 これがあると、 「個々の係数は信用できないが、 予測自体はそこそこ正しい」という厄介な状況になります。

症状（あるある）：

• F検定（モデル全体）は有意なのに、 個々の係数は誰も有意でない
• 係数の標準誤差が異様に大きい
• 変数を1個追加・削除するだけで、 残りの係数の符号がひっくり返る
• 「直感に反する係数の符号」になる

原因：説明変数同士が強く相関していると、 OLS の解 $(X^\top X)^{-1}$ で逆行列が不安定になります。 「x1 と x2 が一緒に動くので、 どっちが効いているか分けられない」状態。

検出：

1. 相関ヒートマップ：|r| > 0.7 のペアは要警戒
2. VIF（Variance Inflation Factor）：VIF > 10 で深刻、 > 5 で注意
3. 条件数：cond(X) > 30 で問題ありの目安

対処法：

• 一方の変数を落とす（理論的に重要でない方を）
• 合成変数を作る（PCA で主成分を作って入れる）
• Ridge 回帰：多重共線性下でも安定する正則化手法
• そもそも目的が予測なら、 多重共線性は気にしなくてよい（解釈だけが問題）

覚えておくべき真実：多重共線性は「モデルが悪い」ではなく「係数の解釈ができない」状態。 予測精度には影響しない。 「個別の変数の効果」を主張したいときだけ深刻になる。

🎮 触って理解する

2つの説明変数 X1・X2 の相関 r をスライダーで変え、 目的変数 Y への重回帰 Y = β₁X1 + β₂X2 + 誤差 を 閉形式の2変数OLSで正確に推定します。 真の値は β₁ = β₂ = 1.0。 相関を高めると、 推定される係数の 標準誤差が膨張し、 データを僅かに揺らすだけで係数が大きく振れる様子（＝多重共線性）を体感できます。

👉 グラフの上を ドラッグ（スマホは指でスワイプ）すると、 同じ真の関係のまま「別の標本を引き直し」ます。 相関が高いほど、 少し揺らすだけで推定点（●）が対角線上を大きく行き来します。

-

🧠 直感 — なぜ係数が分離できないのか

X1 と X2 が「似た動き」をすると、 OLS は「Y の増加分を X1 のおかげにするか X2 のおかげにするか」を決められません。 右パネルの推定点（●）の散らばりが 対角線（右下↘）方向に伸びた楕円になるのはこのためで、 「β̂₁ を大きくすれば β̂₂ を小さくしても当てはまりはほぼ同じ」＝両者を足した効果 (β₁+β₂) はよく決まるのに、 個別には決まらないことを表します。 相関を r → 0 に下げると楕円は丸くなり、 推定は安定します。

🕳️ よくある落とし穴

• 予測には無害：σを固定したまま r を上げても、 Y の予測（当てはまり）はほとんど悪化しません。 壊れるのは「個々の係数の解釈」だけ。 「多重共線性があるから予測が悪い」は誤解です。
• 符号反転：揺らすボタンを押すと、 r が高い時は β̂₁ が正にも負にもなり得ます。 論文で「符号が理論と逆」の係数を見たら、 まず多重共線性を疑う。
• 全部非有意なのにモデルは有意：SE が膨張して各 t 値が小さくなる一方、 F検定（全体）は有意——という典型パターンが再現できます。
• n を増やすと改善：標本サイズ n を大きくすると SE は縮みます。 多重共線性は「情報不足」の一種でもあるのです。

🚀 発展 — 正則化と主成分回帰

• Ridge（L2正則化）：係数に縮小をかけ、 不安定な (X^TX)⁻¹ を安定化。 わずかなバイアスと引き換えに分散を大きく下げる。
• 主成分回帰（PCR）：相関する X1・X2 を直交な主成分に変換してから回帰。 「一緒に動く方向」を1本の軸にまとめて共線性を解消。
• 変数選択：理論的に重要でない一方を落とす、 合成変数（比・和）に置き換える、 も有効。

関連ページ： —

👁️ 直感 — 多重共線性は「説明変数同士の強い相関」

多重共線性（multicollinearity）は、 重回帰モデルで説明変数同士が強く相関する状態。 係数の推定が不安定になり、 解釈が困難に。

典型例

• 身長と体重を両方説明変数に入れる
• 合計と各項目を同時に入れる（A = B + C で完全共線性）
• 「年齢」と「卒業からの年数」
• 「給料月額」と「給料年額」

🔍 多重共線性の検出

① 相関行列ヒートマップ

|r| > 0.7 のペアは要注意。

② VIF（分散拡大因子）

$$ \text{VIF}_j = \frac{1}{1 - R_j^2} $$

• VIF < 5：問題なし
• 5 < VIF < 10：注意
• VIF > 10：明らかな多重共線性

③ 条件数（condition number）

X^T X の最大固有値/最小固有値。 30 を超えると多重共線性の疑い。

⚠️ 多重共線性の影響

• 係数の推定が不安定（標本ごとに大きく変化）
• 係数の標準誤差が膨らむ
• 係数の符号が直感に反することがある
• F検定で有意なのに t検定では全て非有意
• 予測精度は意外と落ちないことも（係数の解釈だけが困難）

🛠️ 多重共線性への対策

1. 変数を削除：VIF が高い変数の一方を除外
2. PCA で次元削減：主成分に置き換えて独立に
3. Ridge 回帰：係数を縮小して安定化
4. LASSO：自動的に変数選択
5. 変数を合成：「BMI = 体重/身長²」のように1変数化
6. サンプルを増やす：n を増やせば SE が小さくなり改善

🐍 Python での VIF 計算

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

from statsmodels.stats.outliers_influence import variance_inflation_factor
import pandas as pd

# SSDSE-B-2026（2023年、47都道府県）の実在列で VIF を計算
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df[df['SSDSE-B-2026'] == 2023]
X = df[['A1101', 'A4101', 'A5101', 'A9101']].rename(columns={
    'A1101': '総人口', 'A4101': '出生数', 'A5101': '転入', 'A9101': '婚姻'
}).astype(float)
X = (X - X.mean()) / X.std()  # 標準化

vif_df = pd.DataFrame({
    'feature': X.columns,
    'VIF': [variance_inflation_factor(X.values, i) for i in range(X.shape[1])]
})
print(vif_df.sort_values('VIF', ascending=False).round(2))

🚧 落とし穴と注意点

• サンプルサイズを確認（小標本では結果が不安定）
• 仮定の検証（正規性、 独立性、 等分散性）
• 外れ値の影響を散布図で確認
• 多重比較問題（複数検定時は補正を）
• p値だけで判断しない、 効果量と信頼区間を併記
• 因果関係を主張するには別の根拠が必要

🔬 数式を言葉で読み解く

VIF の式 $\text{VIF}_j = 1 / (1 - R_j^2)$ を言葉に直すと: R²_j は「説明変数 x_j を、 残りの説明変数すべてで回帰したときの当てはまり」。 つまり「x_j は他の x で何 % 説明できるか」。 これが 0 なら VIF=1（独立、 問題なし）、 0.9 なら VIF=10（x_j の 90% は他の変数で説明可能、 多重共線性が深刻）、 1 に近づくと VIF は無限大に発散。 「分散がどれだけ膨らむか」の倍率なので、 VIF=10 は「係数の分散が独立時の 10 倍に膨張」と読める。

「多重共線性」を深く理解する

多重共線性の歴史

Ragnar Frisch（1934）が経済学で問題提起。 「経済データの多くは互いに相関しており、 回帰係数を一意に推定できない」。 1969年にノーベル経済学賞受賞時の主要業績。

完全共線性 vs 近似共線性

• 完全共線性：X 行列がフルランクでない → (X^T X)⁻¹ が計算不可
• 近似共線性：相関は強いが完全ではない → 計算は可能だが係数が不安定

実務での経験則

• カテゴリ変数のダミー化で1個を必ず除く
• 絶対値と比率を同時に入れない
• 合計と各要素を同時に入れない
• 時系列のラグ変数を多数入れる時は VIF を確認

📝 練習問題 — 理解度チェック

1. この用語の基本定義を、 自分の言葉で説明できますか？
2. この手法が使われる典型的なシナリオを3つ挙げられますか？
3. この手法の前提条件・仮定を確認できますか？
4. 結果を解釈する際の注意点は何ですか？
5. 類似手法との違いを説明できますか？
6. Python（または他言語）で実装できますか？
7. SSDSE データで応用例を作成できますか？

🔗 さらに学ぶための関連用語

このトピックの理解を深めるには、 以下の関連概念も合わせて学習することをお勧めします。 概念マップから直接ジャンプできます：

• 基礎：平均、 分散、 標準偏差、 相関係数
• 推測：信頼区間、 p値、 標準誤差、 有意水準
• 関連手法：他の検定・回帰モデル
• 応用：機械学習での実装

📚 参考文献・さらなる学習

古典的教科書

• Casella & Berger "Statistical Inference"
• Wasserman "All of Statistics"
• Hastie, Tibshirani & Friedman "The Elements of Statistical Learning"
• Gelman & Hill "Data Analysis Using Regression and Multilevel/Hierarchical Models"

実践書

• VanderPlas "Python Data Science Handbook"
• McKinney "Python for Data Analysis"
• James, Witten, Hastie & Tibshirani "An Introduction to Statistical Learning"

オンラインリソース

• scikit-learn 公式ドキュメント
• statsmodels 公式ドキュメント
• scipy.stats リファレンス
• SSDSE データ（統計データ活用コンペティション）

💼 実務応用ガイド

データサイエンスプロジェクトでの位置づけ

1. 探索的分析（EDA）：基本統計量・可視化でデータを理解
2. 前処理：標準化・正規化・欠損値処理
3. モデリング：回帰・分類・クラスタリング
4. 評価：CV、 指標計算、 統計的検定
5. 解釈・報告：効果量・信頼区間・可視化

業界別ユースケース

• マーケティング：顧客セグメンテーション、 ROI 分析、 A/Bテスト
• 金融：ポートフォリオ最適化、 リスク評価、 信用スコアリング
• 医療：臨床試験、 疫学研究、 診断モデル
• 製造：品質管理、 予測保全、 工程最適化
• 公共政策：社会統計、 政策効果分析、 計画立案

📖 完全ガイド — 統計学習の参照表

分析の流れ — 8ステップ

1. 問題定義：何を知りたいのか、 目的を明確に
2. データ収集：信頼できるソースから（SSDSEなど公的データ）
3. データクリーニング：欠損値、 外れ値、 入力ミスの確認
4. 探索的分析（EDA）：要約統計量、 ヒストグラム、 散布図
5. 変数変換：標準化、 対数変換、 カテゴリのエンコード
6. モデリング：適切な手法を選び、 学習
7. 評価：CV、 指標、 統計的検定
8. 解釈・報告：効果量、 信頼区間、 可視化

統計手法の選び方マトリクス

サンプル数別の手法ガイド

Python 主要ライブラリ早見表

よくある質問（FAQ）

• Q: 正規分布じゃないデータをどう扱う？
  A: 対数変換、 Box-Cox 変換、 ノンパラ検定、 ブートストラップ
• Q: 外れ値を除くべき？
  A: ドメイン知識で判断。 機械的に除くより、 ロバスト手法を検討
• Q: サンプルサイズはいくつあれば十分？
  A: 効果量と検出力から事前計算（power analysis）
• Q: p < 0.05 で「効果あり」と結論していい？
  A: 効果量と信頼区間も併記。 多重比較補正も
• Q: 相関があれば因果がある？
  A: ない。 RCT、 IV、 DiD などの因果推論手法が必要

📓 用語のまとめ — 30秒で理解

このページで扱った概念を、 学習効率のためにまとめます。 これを毎日見ることで、 統計の基礎が体に染み込みます。

必ず押さえるべき記号

💡 統計学・データサイエンスは「記号の意味を理解する」ことが最初の壁。 各記号が何を表すか、 公式の中での役割を覚えてしまえば、 後はパターンの組合せで様々な手法が理解できます。

🌐 データサイエンス全体像での位置づけ

データサイエンスのワークフロー

1. ビジネス理解：何を解決したいか
2. データ理解：どんなデータがあるか
3. データ準備：前処理、 特徴量エンジニアリング
4. モデリング：手法選択、 学習
5. 評価：性能、 解釈性、 ビジネス価値
6. 展開：実装、 運用、 監視

(CRISP-DM プロセスより)

💡 この 6 工程はデータ分析全般の流れで、 この用語だけの話ではない。 多重共線性は「データ理解」で気づき、 「モデリング」で対処する。 VIF はデータ理解の段階で計算できる。

主要分野のマッピング

キャリアパス

• データアナリスト：記述統計、 可視化、 BI
• データサイエンティスト：機械学習、 統計モデリング
• 機械学習エンジニア：モデル実装、 デプロイ、 MLOps
• 統計学者・計量経済学者：因果推論、 統計的検定
• 研究者：新しい手法開発

💎 良いデータ分析のための10のコツ

1. 必ず可視化から始める：散布図、 ヒストグラム、 箱ひげ図
2. 外れ値を意識する：除く前にドメイン的に理解
3. 仮定を確認する：正規性、 独立性、 等分散性
4. サンプルサイズに見合う複雑性：n=10 で深層学習はしない
5. 効果量も併記する：p値だけでは不十分
6. 信頼区間で不確実性を示す：点推定だけでは誤解の元
7. 多重比較を補正する：探索的解析でも誠実に
8. ホールドアウト or CV で評価する：訓練データの精度は意味がない
9. 解釈可能性も重視する：ブラックボックスより white-box
10. 再現可能なコードを書く：random_seed、 バージョン管理

🔗 用語間の関係 — 統計概念のネットワーク

記述統計の基本セット

これらは互いに深く関連します：

• 平均：データの重心 → 偏差の合計はゼロ
• 分散：偏差の二乗の平均 → 平均からの広がり
• 標準偏差：分散の平方根 → 元の単位
• 共分散：2変数の偏差の積の平均 → 一緒に動くか
• 相関係数：共分散を標準偏差で割ったもの → 単位なし

推測統計の基本セット

• 標準誤差：推定値のばらつき = σ/√n
• 信頼区間：x̄ ± z × SE
• p値：H₀ のもとでの確率
• 有意水準 α：許容する第一種誤り率
• 検出力 1-β：差を見つける確率
• 効果量：差の大きさ（標準化済み）

回帰モデルファミリー

• 単回帰：1変数 → 1変数の予測
• 重回帰：多変数 → 1変数
• Ridge：L2正則化付き重回帰
• LASSO：L1正則化（変数選択付き）
• Elastic Net：L1+L2の組合せ
• ロジスティック回帰：分類用
• ポアソン回帰：カウントデータ用

クラスタリング・次元削減ファミリー

• k-means：分割クラスタリング
• 階層クラスタリング：ツリー構造
• Ward法：分散最小化の階層クラスタリング
• DBSCAN：密度ベース
• PCA：線形次元削減
• 因子分析：潜在因子モデル
• t-SNE, UMAP：非線形次元削減

検定ファミリー

• t検定：1〜2 群の平均比較
• F検定（ANOVA）：3群以上の平均比較
• χ²検定：カテゴリ変数の独立性
• Mann-Whitney U：t検定のノンパラ版
• Kruskal-Wallis：ANOVAのノンパラ版
• Wilcoxon：対応のあるt検定のノンパラ版

🧮 SSDSE-B-2026 実値計算 — 多重共線性を VIF で診断

SSDSE-B-2026 の実在列では、 「総人口」「出生数」「転入」「婚姻」のような規模系列が強く相関しており、 一緒に重回帰に入れると VIF が大きくなる典型例です。

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

import pandas as pd
import numpy as np
from statsmodels.stats.outliers_influence import variance_inflation_factor

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df[df['SSDSE-B-2026'] == 2023]
X = df[['A1101', 'A4101', 'A5101', 'A9101']].rename(columns={
    'A1101': '総人口', 'A4101': '出生数', 'A5101': '転入', 'A9101': '婚姻'
}).astype(float)
X = (X - X.mean()) / X.std()  # 標準化
vif = pd.Series(
    [variance_inflation_factor(X.values, i) for i in range(X.shape[1])],
    index=X.columns)
print(vif.round(2))

「総人口」「出生数」「転入」「婚姻」を同時に入れると、 全変数で VIF が 10 を超えました。 代表変数を 1 つに絞るか、 これら 4 変数から主成分を 1 つ作って代用する解決法が定石です。

🐍 Python 実装バリエーション

A. statsmodels.stats.outliers_influence.variance_inflation_factor（標準）

1
2
3
4
5

import pandas as pd
from statsmodels.stats.outliers_influence import variance_inflation_factor as vif_fn

vifs = pd.Series([vif_fn(X.values, i) for i in range(X.shape[1])], index=X.columns)
print(vifs.round(2))

B. numpy.linalg による条件数

1
2

cond_num = np.linalg.cond(X.values)
print(f'条件数 = {cond_num:.1f}')  # > 30 で多重共線性疑い

C. sklearn.linear_model.Ridge（多重共線性に強い回帰）

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

import pandas as pd
from sklearn.linear_model import Ridge
from sklearn.preprocessing import StandardScaler

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df[df['SSDSE-B-2026'] == 2023]
features = ['A1101', 'A4101', 'A5101', 'A9101']
labels = ['総人口', '出生数', '転入', '婚姻']
X = StandardScaler().fit_transform(df[features].astype(float))
y = df['I5102'].astype(float).values
ridge = Ridge(alpha=10.0).fit(X, y)
coef = {label: float(value) for label, value in zip(labels, ridge.coef_.round(2))}
print('coef =', coef)
print(f'R² = {ridge.score(X, y):.4f}')

D. sklearn.decomposition.PCA → 主成分回帰

 1
 2
 3
 4
 5
 6
 7
 8
 9
10

import pandas as pd
from sklearn.decomposition import PCA
from sklearn.preprocessing import StandardScaler

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df[df['SSDSE-B-2026'] == 2023]
X = StandardScaler().fit_transform(df[['A1101', 'A4101', 'A5101', 'A9101']].astype(float))
pca = PCA(n_components=4).fit(X)
print('PC 寄与率', pca.explained_variance_ratio_.round(4))
print('累積寄与率', pca.explained_variance_ratio_.cumsum().round(4))

E. 相関ヒートマップで一目で確認

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11

import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df[df['SSDSE-B-2026'] == 2023]
X = df[['A1101', 'A4101', 'A5101', 'A9101']].rename(columns={
    'A1101': '総人口', 'A4101': '出生数', 'A5101': '転入', 'A9101': '婚姻'
}).astype(float)
sns.heatmap(X.corr(), annot=True, cmap='RdBu_r', vmin=-1, vmax=1)
plt.show()

⚠️ 多重共線性の落とし穴 7 連発

🔗 関連用語（前提・並列・発展）

📘 前提となる用語

• 重回帰 — 多重共線性が問題になる土壌。
• 相関係数 — ペア共線の第一診断。
• 最小二乗法 — 共線性で逆行列が不安定化。
• 標準誤差 — VIF 倍に膨らむ量。

⚖️ 並列で比較する用語

• 不均一分散（heteroskedasticity） — 残差分散が一定でない、 別タイプの回帰問題。 多重共線性とは独立の課題で、 White の頑健標準誤差で対処する。
• 自己相関 — 残差の独立性破綻。
• 内生性 — 予測ではなく因果での問題。
• 過学習 — 別軸での「説明変数過剰」問題。

🚀 発展で学ぶ用語

• Ridge / LASSO / Elastic Net — 共線性に強い正則化手法。
• PCA / PCR — 主成分を作って共線性を解消。
• VIF と分散膨張 — 共線性の標準診断。
• 変数選択 — 段階的回帰・LASSO 選択。
• 直交化（QR 分解） — 共線性を回避する数値計算手法。

🗺️ 概念マップ — 3つの視点で体系を理解する

多重共線性 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 › 前処理 › 変換 › 多重共線性

① 🔗 関係マップ — 「他の手法とどう繋がっているか」

中心に 多重共線性 を置き、 そこから Ridge回帰・LASSO・相関係数・重回帰・PCA・Elastic Net など 計 12 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。 「多重共線性」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。 「多重共線性」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

💡 ジャストインタイム学習のヒント：3つの視点を行き来することで、 概念を多角的に理解できます。 包含マップやツリーマップはズーム/ドリルダウンで大分類から細部まで探索できます。

🧭 深掘り（追記）— 「予測 vs 推論」の非対称性という別角度

👁️ 直感（別角度）：同じ現象でも「予測」と「推論」で毒性が真逆

多重共線性の本質は、 説明変数が「束」で動くため、 束全体の効きは分かるが、 個々への配分が決まらないことにあります。 ここから 予測（当てる） と 推論（各変数の効果を語る） で毒性が非対称になります。

• 予測：束としての情報は保たれるので、 訓練データと同じ相関構造の範囲内なら 予測はほぼ無傷。 係数がどう配分されても、 その線形結合（＝あてはめ値）は安定する。
• 推論：束の中の「どれが効いたか」を語ろうとした瞬間に破綻する。 標準誤差が膨らみ、 符号が入れ替わり、 「この変数の効果は○」という主張が再現しない。

つまり「モデルが悪い」のではなく「問いが分不相応」なのです。 データが答えられる問い（束の効き）と答えられない問い（各変数の分離）を混同すると事故になります。

⚠️ 落とし穴（別角度・重要）

1. 「予測目的なら無害」は条件付き：無害なのは 訓練時と同じ相関構造で内挿する限り。 相関を崩す外挿（例：ふだん一緒に動く2変数の一方だけ将来大きく変える施策評価）では、 束に頼った係数配分が破綻し予測も崩れる。 反実仮想（もしこの変数だけ動かしたら）は推論であって予測ではない。
2. VIF 閾値（5 や 10）は恣意的な慣習：VIF は $1/(1-R_j^2)$ に過ぎず、 10 は $R_j^2=0.9$ という一つの目安。 サンプル数・効果量・目的次第で、 VIF 3 でも致命的にも、 20 でも実害皆無にもなる。 閾値は「診断のトリガー」であって「合否ライン」ではない。
3. 標準化しても解決しない：標準化は各列のスケールを揃えるだけで、 列同士の相関は変えない。 VIF も条件数（相関行列ベース）もほぼ不変。 「標準化したから大丈夫」は誤解。 中心化が効くのは後述の交互作用・多項式項という特殊ケースのみ。
4. 完全共線性＝ダミー変数トラップ：全カテゴリのダミーを入れ切片も置くと $\sum=1$ で完全共線となり $X^\top X$ が特異化。 drop_first=True で基準カテゴリを1つ落とすのが定石。 「合計＝各内訳の和」を同時投入するのも同じ罠。
5. 時系列での「見せかけの共線」：多くの経済・人口系列は共通のトレンドで一斉に増減するため、 水準どうしは高相関になりやすい。 これは真の因果的重複ではなく共通トレンド由来のことが多く、 階差・成長率・per capita 化で相関が大きく下がることがある。
6. 「VIF が高い変数を消す」の隠れたバイアス：削った変数が真に効いていれば、 残した変数の係数はその効果を吸い込み欠落変数バイアスを負う。 共線性（分散が大きい）を消す代償にバイアス（推定が偏る）を買う——分散とバイアスのトレードオフそのもの。 「消せば解決」ではない。

🚀 発展（別角度）：束を「作り替える／縮める」アプローチ

• 主成分回帰(PCR) / 部分的最小二乗(PLS)：相関した変数群を直交する合成軸に変換してから回帰。 PCR は $X$ の分散、 PLS は $y$ との共分散を重視して軸を選ぶ。 共線性は原理的に消えるが、 係数の解釈性は主成分に移り、 元変数の効果は語りにくくなる（＝予測寄りの選択）。 ※当サイトに PCR/PLS 専用ページは未整備。
• 正則化（Ridge）：$X^\top X$ に $\lambda I$ を足し逆行列を安定化。 わずかなバイアスと引き換えに分散を大きく削り、 共線下でも係数が暴れない。 変数選択も兼ねたいなら Lasso。
• 中心化（交互作用・多項式項の特効薬）：$x$ と $x^2$、 $x$ と $x\cdot z$ はスケール由来で高相関になる。 平均引き（中心化）でこの見かけの共線が大幅に解消。 これは前述「標準化は無効」の唯一の例外系。
• 逐次選択（stepwise）の不安定さ：共線変数群では「どれを先に入れるか」で最終モデルが変わり、 データを少し変えるだけで選択が揺れる。 共線性の診断・対処を飛ばした自動選択は再現性を損なう。
• 条件数と固有値で「束の強さ」を測る：相関行列の最小固有値が 0 に近い＝準完全共線。 条件数 $\sqrt{\lambda_{\max}/\lambda_{\min}}$ が 30 を超えると警戒。 VIF が「変数ごと」の指標なのに対し、 条件数・固有値は設計行列全体の共線構造を1つの数で捉える。
• 結局は目的で使い分け：予測が目的なら Ridge/PLS/そのまま重回帰。 各変数の効果を語りたい（推論）なら、 変数を減らす・合成する・そもそも実験計画で相関を断つ、 のいずれか。 「万能の対処」は無い。

📊 SSDSE-B-2026（2023年・47都道府県）実測で確認

総人口・出生数・転入者数・婚姻件数を同時に説明変数にした例（いずれも人口規模で一斉に動く「束」）。 実データでの数値です。

• 相関：4変数の全ペアで $|r|\ge 0.96$（最大は総人口×出生数の 0.995）。 完全に「束」で動いている。
• VIF：出生数 163.7、 婚姻件数 143.4、 総人口 113.2、 転入 30.0 と、 いずれも閾値 10 を大きく超過。
• 条件数・固有値：標準化計画行列の条件数は 33.4（> 30 で警戒）。 相関行列の固有値は $\{3.94,\ 0.054,\ 0.0068,\ 0.0035\}$ で、 最小固有値がほぼ 0 ＝準完全共線。
• 係数の不安定：死亡数を目的に「総人口＋出生数」で回帰すると出生数の係数は $-1.33$。 ここに婚姻件数を1つ足すだけで $-0.48$ へ（約 2.7 倍縮小）。 変数を1個いじるだけで残りの係数が大きく動く典型症状。
• Ridge で安定化：標準化後の OLS 係数は〔総人口 $+1.98$、 出生数 $-0.55$、 転入 $-0.33$、 婚姻 $-0.12$〕と、 総人口だけ極端に膨らみ符号もバラバラで解釈不能。 $\lambda=10$ の Ridge にすると〔$+0.34,\ +0.28,\ +0.10,\ +0.21$〕と全て正の穏当な値に収束し、 「人口規模が大きいほど死亡数も多い」という素直な構造に落ち着く。

💡 この節の要点：多重共線性は「予測には概ね無害・推論には有害」という非対称性が核心。 VIF 閾値は目安に過ぎず、 標準化では解決せず、 変数削除もバイアスと引き換え。 目的（予測か推論か）を先に決めてから対処法を選ぶ。

🔗 関連ページ

• VIF（分散拡大係数） — 変数ごとの共線度を測る主力指標
• 固有値 / 主成分分析(PCA) — 束を直交軸に作り替える発想の土台
• Ridge 回帰 / Lasso / 正則化 — 共線下で係数を安定化
• 回帰係数 / 回帰分析 — 係数が不安定になる本体
• 逐次選択(stepwise) — 共線下で選択が揺れる注意点
• 相関 / 標準化 / ダミー変数 — 診断と落とし穴の基礎
• 主成分回帰(PCR)・部分的最小二乗(PLS) — 専用ページは未整備（本文の説明を参照）