🔖 キーワード索引

このページ内のセクションへ素早く飛べます（クリックで該当箇所へジャンプ）：

事前登録 (Pre-registration) はデータ収集前に仮説・分析計画を OSF/AsPredicted 等で公開して、 p-hacking や HARKing を防ぐ研究手続き。 SSDSE-B-2026 を使う事前登録例として、 「関東と関西の出生率差を t 検定で検証する」計画を、 仮説・有意水準・必要 n・解析コードまで含めて事前に固定する手順を示す。

これらのキーワードは「pre registration 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「事前」に決めるのか

スポーツに例えるとわかりやすい。 サッカーで「両チームのゴール数を比べてから、 ゴールの定義を変える」のは反則 — でも研究では同じことが起きています。 データを見てから「効果が見えそうな指標」を選ぶ、 「都合の悪い被験者」を除外する、 「サブグループを切る」 — これがすべて garden of forking paths（分岐する小道、 Gelman & Loken 2014）です。

事前登録は 「分析開始前にルールを固定する」 ことで、 この「結果を見てルールを変える」行為を構造的に排除します。 すべての判断を データに触れる前に行い、 公開リポジトリにタイムスタンプ付きで凍結する。 これにより、 後出しの仮説変更（HARKing）、 p-hacking、 optional stopping を防げます。

事前登録は 科学的厳密さを示すバッジ。 OSF Badges に "Preregistered" マークがつき、 多くのジャーナルが推奨／要求するようになっています。

🎨 概念図

本用語に関連する代表的な可視化を 3 点示す。

📐 数式・定義 — 事前登録で固定すべき 3 パラメータ

① 検定方法・α・N の事前固定

事前登録の本質は、 検定統計量 $T$、 有意水準 $\alpha$、 サンプルサイズ $N$ の 3 つを データ収集前に固定すること：

$$ \langle T, \alpha, N \rangle \xrightarrow{\text{pre-register}} \text{凍結} \xrightarrow{\text{data collection}} \text{解析実行} $$

$T$ を後から変える → 検定方法の事後選択（method shopping）
$\alpha$ を後から変える → α の動的調整
$N$ を後から変える → optional stopping（α が膨らむ）

② 事前検出力分析による N の決定

「検出したい効果量 $d$」「希望の検出力 $1-\beta$」「有意水準 $\alpha$」から N を事前検出力分析で逆算：

$$ N = f(d, 1-\beta, \alpha) $$

例えば 2 群比較で d=0.5、 1-β=0.80、 α=0.05（両側）なら 各群 64 名（合計 128 名）。 これを事前登録に書き、 N に達するまで／達したら停止することを明示する。

③ Confirmatory vs Exploratory の境界線

事前登録では、 確認的分析（confirmatory）と探索的分析（exploratory）を 明確に分離する：

$$ \text{Analysis} = \underbrace{C}_{\text{事前登録済み}} \cup \underbrace{E}_{\text{探索的}} $$

$C$ の検定数 $|C|$ に対して Bonferroni / BH-FDR 補正を適用。 $E$ は 「仮説生成のため」と明示し、 確認的解釈はしない。

🔬 数式を言葉で読み解く

事前登録の数式は単純ですが、 各記号が含意することは深い。 ひとつずつ確認します。

数式自体は中学レベルですが、 その背後にある 「自由を捨てて信頼を得る」という考え方が事前登録の哲学。 分析者は自由度を放棄する代わりに、 読者は結論を信頼できる、 という win-win 構造です。

🔬 実践演習 — SSDSE-B-2026 で事前登録を体験する

理論を学ぶだけでなく、 実際に 1 つ事前登録を作成してみる演習。 30 分で完了可能。

演習①：自分の研究テーマを 1 行で書く

例: 「SSDSE-B-2026 を使い、 47 都道府県の X と Y の関係を検証する」
X, Y を 自分の興味で埋める。 例：「保育所等定員数」と「合計特殊出生率」、 「一般病院数」と「65 歳以上人口」、 「高校卒業者の進学率」と「転入超過数（転入−転出）」など、 SSDSE-B-2026 に実在する列（公式定義集参照）から選ぶ。

演習②：H0/H1 を書き出す

例: H0: 保育所等定員数（人口比）と合計特殊出生率の Pearson 相関 r = 0
H1: r ≠ 0（両側）または「r > 0（保育の受け皿が多い県ほど出生率も高い）」（片側）

注意: 片側にする場合は 理論的根拠を書く。 「保育アクセスの改善が出産・育児の負担を下げる」など。

演習③：SSDSE の列名を確定する

SSDSE-B-2026 公式定義集（PDF）から、 X, Y に対応する列記号を特定し、 計算式を明記。 例: 「合計特殊出生率」= A4103 列（そのまま利用可）、 「保育所等定員数（人口比）」= J2505 / A1101 × 1000（2 列から算出する派生変数）。

演習④：事前検出力分析を実行

前述の Python コードで「n=47 で検出可能な最小 |r|」を計算。 結果（例: 0.40）を事前登録に明記。 |r|<0.40 の検出は不可能なので、 仮説のスコープを「中程度以上の相関」に限定。

演習⑤：OSF に登録

osf.io でアカウント作成 → 新規 Registration → "OSF Preregistration" テンプレートを選択 → 上記①〜④を記入 → 登録。 完了！ プロジェクト URL が発行される。

演習⑥：分析を実行し、 結果を OSF に追加

事前登録した手順通りに Python で分析。 結果（r, p, CI）を取得。 OSF プロジェクトに「Final Report」として結果ファイルをアップロード。 計画通りなら「逸脱なし」と記載。

📌 この 6 ステップで 「事前登録された研究」が完成。 卒論・発表会で「OSF 事前登録: osf.io/XXXXX」と記載すれば、 透明性の最高水準を示せる。

🛠 OSF Standard Preregistration Template — 全項目解説

OSF Standard Form は 11 項目で構成される。 各項目で何を書くべきかを SSDSE-B-2026 を例に解説：

この 11 項目をすべて記入すれば、 国際的に通用する事前登録が完成する。 必要時間は 初心者で 90 分、 経験者で 30 分程度。

🔬 実例ウォークスルー — 事前登録から最終報告まで

SSDSE-B-2026 を使った仮想的な研究例で、 「事前登録 → 実施 → 報告」の全フローを示します。

フェーズ 1: 事前登録（2025年4月、 データ未取得）

フェーズ 2: データ取得・分析実行（2025年5月）

SSDSE-B-2026 を初めてダウンロード → ハッシュ記録 → 事前登録通りの Python コードで分析。

フェーズ 3: 結果報告（2025年6月）

📌 注目: 結果が「微妙」でも事前登録があれば 誠実な報告として読者から信頼される。 一方、 事前登録なしで同じ結果を「強い証拠」と書くと、 batch p-hacking や HARKing の可能性が疑われる。

🧮 SSDSE-B 実値で計算 — 研究計画書テンプレート

SSDSE-B-2026 を題材に、 OSF 事前登録の雛形を実際の値で作成します。 「都道府県の高齢化率と人口減少率の関係」を仮説とする卒論を想定。

研究計画書テンプレート（OSF 標準フォーム準拠）

この計画書の特徴

• ✅ 仮説が 1 つに絞られている：「探索的に何かを発見」ではなく、 単一の検証可能な命題。
• ✅ 変数定義が再現可能：「A1303/A1101×100」と SSDSE 列名で明示。 別人が同じ計算ができる。
• ✅ α・N・検出力が事前明示：optional stopping の余地なし。
• ✅ 探索的分析の枠を確保：追加発見を「禁止」せず、 「区別して報告」する。
• ✅ 計画逸脱の対応を明記：完璧でなくても良い、 「変更を隠さない」ことが重要。

OSF への登録手順（実際の操作）

1. osf.io にアクセス、 アカウント作成（無料、 学術メール推奨）
2. "Create Project" → プロジェクト名、 簡単な概要、 タグ設定
3. 左メニュー "Registrations" → "Create new registration"
4. テンプレートを選択（OSF Standard、 AsPredicted、 Replication Recipe など）
5. 上記の研究計画書を該当項目に記入
6. "Continue to Register" → タイムスタンプ付きで凍結（修正不可、 ただし追加コメントは可）
7. 埋め込み禁止期間（embargo）を設定可（最大 4 年）— 結果が出るまで非公開にできる
8. 論文投稿時に "OSF Preregistration: osf.io/abcde" を Methods に記載

🧮 数式に値を入れて手で計算する: 事前登録による多重検定削減

合成データで事前登録による検定数削減効果を計算する。

Step 1: 検定数の違い

Step 2: FWER (誤り確率)

🐍 Python で再現

1
2
3
4
5
6
7
8
9

import numpy as np
alpha = 0.05
m_explor = 50
m_preg = 1
fwer_e = 1 - (1-alpha)**m_explor
fwer_p = 1 - (1-alpha)**m_preg
print(f"探索的 FWER: {fwer_e:.3f}")
print(f"事前登録 FWER: {fwer_p}")
print(f"削減倍率: {fwer_e/fwer_p:.1f}")

📤 実行結果

💬 手計算 (Step 2) 18.5 倍と Python 出力が完全一致。

🐍 Python 実装 — 事前登録設計のための 4 つのテンプレート

① 事前検出力分析：必要サンプルサイズの逆算

🎯 このコードでやること: 検出したい効果量 d、 希望の検出力 1-β、 有意水準 α から、 t 検定・相関検定で必要な n を逆算する。 SSDSE は 47 県固定だが、 「47 で十分な検出力か」を確認するために必須。

📥 入力データ:

 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
36
37

from statsmodels.stats.power import TTestIndPower, NormalIndPower
import numpy as np

# ① 2 群 t 検定で d=0.5 を検出するための n
analysis = TTestIndPower()
n_required = analysis.solve_power(effect_size=0.5, power=0.80,
                                     alpha=0.05, alternative='two-sided')
print(f'2 群 t 検定: 各群 n = {n_required:.1f} → 合計 {2*n_required:.0f} 名必要')

# ② SSDSE の n=47 ではどれだけ検出できるか（後向き）
for d in [0.3, 0.4, 0.5, 0.6, 0.8]:
    power = analysis.power(effect_size=d, nobs1=47, ratio=1.0, alpha=0.05)
    print(f'  d={d}: 検出力 = {power:.3f}')

# ③ 相関検定 r=0.3 を検出するための n
from scipy.stats import norm

def n_for_correlation(r, power=0.80, alpha=0.05):
    z_r = 0.5 * np.log((1+r)/(1-r))
    z_alpha = norm.ppf(1 - alpha/2)
    z_beta  = norm.ppf(power)
    n = ((z_alpha + z_beta) / z_r) ** 2 + 3
    return n

for r_target in [0.2, 0.3, 0.4, 0.5]:
    n = n_for_correlation(r_target)
    print(f'相関 |r|≥{r_target} を検出: n = {n:.1f}')

# ④ SSDSE n=47 で検出可能な最小 |r|
def detectable_r(n, power=0.80, alpha=0.05):
    z_alpha = norm.ppf(1 - alpha/2)
    z_beta  = norm.ppf(power)
    z_min = (z_alpha + z_beta) / np.sqrt(n - 3)
    r_min = (np.exp(2*z_min) - 1) / (np.exp(2*z_min) + 1)
    return r_min

print(f'\nSSDSE n=47, power=0.80, α=0.05 で検出可能な最小 |r| = {detectable_r(47):.3f}')

📤 実行結果:

💬 結果の読み方: SSDSE の n=47 では、 |r|≥0.4 の相関は検出力 0.80 で検出可能。 弱い相関（|r|<0.3）は見落とすリスクが高い。 事前登録には「本研究は |r|≥0.4 を主対象とする」と明記すべき。 もしより弱い相関を主張するなら、 別のデータ（パネル、 個票）でサンプルサイズを稼ぐ必要がある。

② 事前登録テンプレート生成：研究計画書の Python 雛形

🎯 このコードでやること: SSDSE-B-2026 を使った研究の 事前登録 markdown テンプレートを生成。 仮説・変数・α・N・分析手順をパラメータ化し、 「埋めるだけで OSF 登録可能」な形式に出力。

📥 入力データ: SSDSE-B-2026 の主要列名と説明。

 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
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66

import pandas as pd
from datetime import datetime

# SSDSE-B-2026 の構造を読み込み、 研究計画書を自動生成
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])

template = f"""
# 事前登録 研究計画書

**登録日**: {datetime.now().strftime('%Y-%m-%d')}
**研究者**: [氏名・所属]
**プロジェクト**: SSDSE-B-2026 を用いた都道府県比較研究

## 1. 研究背景・動機
本研究は SSDSE-B-2026（{df.shape[0]} 行 × {df.shape[1]} 列、
{df['SSDSE-B-2026'].min()}〜{df['SSDSE-B-2026'].max()} 年）を用い、
[現象 X] と [現象 Y] の関係を検証する。

## 2. 主仮説（Confirmatory）
- H0: [変数 X] と [変数 Y] の Pearson 相関 r = 0
- H1: r ≠ 0 (両側) または r < 0 (片側)

## 3. 変数定義
- 変数 X: SSDSE-B-2026 列 [XXXX]
- 変数 Y: SSDSE-B-2026 列 [YYYY] / [ZZZZ] × 100

## 4. 統計設計
| 項目 | 値 |
|---|---|
| 検定方法 | Pearson 相関 |
| 有意水準 α | 0.05（両側） |
| サンプルサイズ N | 47（全都道府県固定） |
| 検出力 1-β | 0.80（目標） |
| 検出可能 |r| | ≥ 0.40 |
| 多重比較補正 | 主分析 1 件、補正なし |

## 5. 分析手順
1. SSDSE-B-2026 を読み込み: `pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])`
2. {df['SSDSE-B-2026'].max()} 年のデータに限定
3. 変数 X, Y を計算
4. `scipy.stats.pearsonr(x, y)` で r, p を算出
5. Fisher z 変換で 95% CI を計算
6. p < 0.05 で H0 棄却

## 6. 前処理ルール
- 欠損値: SSDSE は完全データ、 該当なし
- 外れ値: 除外なし（理論的根拠：47 県全体を母集団とみなす）
- 変数変換: raw （事後の log 変換は探索的扱い）

## 7. 探索的分析
本仮説以外の追加分析は探索的として別セクションで報告。
結論は弱く、 後続の確認的研究を要する。

## 8. データ・コード公開
- 完了後、GitHub と OSF で公開
- ライセンス: コード MIT、 データ は SSDSE 規約に準拠

## 9. 計画逸脱の対応
不可避の変更があれば、 元の計画と新計画の両方の結果を併記。

## 10. 引用するデータの SHA-256
[hashlib.sha256 で取得した値を記載]
"""

print(template)
print(f'\n--- 文字数 = {len(template)} ---')

📤 実行結果:

💬 結果の読み方: このテンプレートを [ ] 部分だけ埋めて OSF に貼り付ければ、 5 分で事前登録が完了。 完璧でなくても、 「事前に方針を凍結した」事実が重要。 SHA-256 でデータの同一性も担保される。 卒論レベルなら、 このテンプレートで十分。

③ 事前登録の整合性チェック：分析結果が計画と一致するか

🎯 このコードでやること: 事前登録した分析手順を Python コードとして記述しておき、 実分析が計画通りに実行されたかを 自動チェックする仕組みを示す。 「計画」と「実行」を 1 つのスクリプトに統合。

📥 入力データ: SSDSE-B-2026、 高齢化率と人口変化率。

 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
36
37
38
39
40
41
42
43
44
45
46

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

# === 事前登録された分析計画 ===
PREREG = {
    'data_source': 'data/raw/SSDSE-B-2026.csv',
    'data_encoding': 'cp932',
    'data_skiprows': [1],
    'target_year': 2023,
    'var_x_formula': 'A1303 / A1101 * 100',  # 高齢化率
    'var_y_formula': 'A1101 / A1101_2014 - 1', # 人口変化率
    'test_method': 'pearson',
    'alpha': 0.05,
    'alternative': 'two-sided',
    'expected_n': 47,
    'min_detectable_r': 0.40,
}

print('=== 事前登録された分析計画 ===')
for k, v in PREREG.items():
    print(f'  {k:20s}: {v}')

# === 計画通りの分析実行 ===
df = pd.read_csv(PREREG['data_source'],
                  encoding=PREREG['data_encoding'],
                  skiprows=PREREG['data_skiprows'])
df_y = df[df['SSDSE-B-2026'] == PREREG['target_year']].copy()
df_14 = df[df['SSDSE-B-2026'] == 2014][['Prefecture','A1101']].rename(
    columns={'A1101': 'A1101_2014'})
df_y = df_y.merge(df_14, on='Prefecture')

df_y['aging'] = df_y['A1303'] / df_y['A1101'] * 100
df_y['pop_change'] = (df_y['A1101'] / df_y['A1101_2014'] - 1) * 100

# 整合性チェック
assert len(df_y) == PREREG['expected_n'], \\
    f'N 不一致: {len(df_y)} != {PREREG["expected_n"]}'

r, p = stats.pearsonr(df_y['aging'], df_y['pop_change'])
print(f'\n=== 事前登録に基づく分析結果 ===')
print(f'  n = {len(df_y)}')
print(f'  Pearson r = {r:+.4f}')
print(f'  p value   = {p:.6f}')
print(f'  判定      : {"H0 棄却 (有意)" if p < PREREG["alpha"] else "H0 棄却せず"}')
print(f'  |r| ≥ {PREREG["min_detectable_r"]} か: {"Yes" if abs(r) >= PREREG["min_detectable_r"] else "No (検出力不足の可能性)"}')

📤 実行結果:

💬 結果の読み方: 計画通りの分析で r=-0.97、 p<0.001、 H0 棄却。 |r|=0.97 は事前検出力分析の閾値 0.40 を大きく上回るため、 検出力の心配なし。 このようにコードに PREREG 辞書として計画を埋め込んでおくと、 「計画と実行のズレ」をその場で検知できる。

④ Confirmatory vs Exploratory の分離報告

🎯 このコードでやること: 事前登録した主分析（confirmatory）と、 データを見てから追加した分析（exploratory）を 明確に分離してレポートする Python テンプレート。 多重比較補正もそれぞれ適用。

📥 入力データ: SSDSE-B-2026、 主分析 1 件 + 探索的分析 5 件。

 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
36
37
38

import pandas as pd
from scipy import stats
from statsmodels.stats.multitest import multipletests

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df_2023 = df[df['SSDSE-B-2026'] == 2023].copy()
df_2023['aging']      = df_2023['A1303'] / df_2023['A1101'] * 100
df_2023['pop_change'] = df_2023['A1101'].pct_change().fillna(0) * 100

# === Confirmatory（事前登録済み）===
print('=== 確認的分析（事前登録済み）===')
r, p = stats.pearsonr(df_2023['aging'], df_2023['A1101'])
print(f'主仮説: 高齢化率 vs 人口')
print(f'  r = {r:+.4f}, p = {p:.4e}')
print(f'  α=0.05 で {"H0 棄却" if p < 0.05 else "H0 棄却せず"}')
print(f'  (Bonferroni 補正不要: 主分析 1 件のみ)')

# === Exploratory（探索的、 事後追加）===
print('\n=== 探索的分析（事後追加、 結論は控えめ）===')
exploratory = [
    ('A1101', 'C3302'),   # 人口 vs 着工建築物床面積
    ('A1101', 'A4101'),     # 人口 vs 出生数
    ('aging', 'A4101'),     # 高齢化率 vs 出生数
    ('aging', 'C3302'),   # 高齢化率 vs 着工建築物床面積
    ('A4101', 'C3302'),   # 出生数 vs 着工建築物床面積
]
results = []
for v1, v2 in exploratory:
    r, p = stats.pearsonr(df_2023[v1], df_2023[v2])
    results.append({'pair': f'{v1} vs {v2}', 'r': r, 'p_raw': p})

res = pd.DataFrame(results)
_, p_bh, _, _ = multipletests(res['p_raw'], method='fdr_bh')
res['p_bh_fdr'] = p_bh
res['解釈'] = res['p_bh_fdr'].apply(
    lambda p: '示唆的（要再検証）' if p < 0.05 else '探索的のみ')
print(res.to_string(index=False))
print(f'\n注: 上記は探索的分析のため、 確認的結論は別研究を要する。')

📤 実行結果:

💬 結果の読み方: 主分析（確認的）で「高齢化率と人口に強い負の相関」を確認、 これは 事前登録した主結論。 一方、 探索的分析の 5 件は p 値が極小でも「示唆的」止まり、 独立な追試での確認を要する。 この区分けを明示することで、 同じデータから出た知見でも 「強い結論」と「仮説」を読者が区別できる。

🐍 Python 実装 ⑤ — ベイズファクターでの事前登録設計

🎯 このコードでやること: 頻度論的な α/N 設計ではなく、 ベイズファクターに基づく停止規則を事前登録する例。 「BF₁₀ ≥ 10 で H1 支持」「BF₀₁ ≥ 10 で H0 支持」「N=200 で中断」の 3 つの停止規則を設定。

📥 入力データ: SSDSE-B-2026 の県別データを「逐次収集」と見立て、 各時点で BF を計算する模擬。

 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
36
37
38
39
40
41
42
43

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])
df_2023 = df[df['SSDSE-B-2026'] == 2023].copy()
df_2023['aging']      = df_2023['A1303'] / df_2023['A1101'] * 100
df_2023['pop_change'] = df_2023['A1101'].pct_change().fillna(0) * 100

# 事前登録パラメータ
PREREG_BAYES = {
    'h1_prior_d': 0.5,        # H1 の事前分布の中心（中程度効果）
    'bf_threshold_h1': 10,    # H1 支持の閾値
    'bf_threshold_h0': 10,    # H0 支持の閾値
    'n_max': 47,              # SSDSE の最大 N
}

# 簡略な BF 近似（JZS prior, ttestBF 風）
def bf_correlation(r, n):
    # 簡略化された BIC ベース近似
    if n < 4: return 1.0
    z = 0.5 * np.log((1+r)/(1-r))
    chi2 = (n - 3) * z**2
    bf_h1 = np.exp((chi2 - np.log(n)) / 2)
    return bf_h1

# 逐次的に N を増やしながら BF を計算
print('N | r       | BF_10    | 判定')
print('-' * 50)
np.random.seed(16)
order = np.random.permutation(len(df_2023))
for n in [10, 15, 20, 25, 30, 35, 40, 47]:
    sub = df_2023.iloc[order[:n]]
    r, _ = stats.pearsonr(sub['aging'], sub['A1101'])
    bf = bf_correlation(r, n)
    decision = '継続'
    if bf >= PREREG_BAYES['bf_threshold_h1']:
        decision = 'H1 支持で停止'
    elif bf <= 1/PREREG_BAYES['bf_threshold_h0']:
        decision = 'H0 支持で停止'
    elif n >= PREREG_BAYES['n_max']:
        decision = 'N 上限で停止'
    print(f'{n:2d} | {r:+.4f} | {bf:9.2e} | {decision}')

📤 実行結果:

💬 結果の読み方: ベイズファクターでは 「N が増えるごとに証拠が累積」するのが分かる。 N=10 で既に BF₁₀=18.1 > 10 で H1 支持。 ベイズ的設計の利点は optional stopping が正当化されること（事前に閾値を決めれば、 達した時点で停止 OK）。 頻度論ではこれが禁止される。

🏛 Registered Reports — 事前登録の最高峰

Registered Reports（RR、 登録報告）は事前登録の 最強形態。 通常の事前登録は「研究者自身の意思」によるが、 RR は ジャーナルの査読プロセスに統合されている。

2 段階査読の流れ

主要採用ジャーナル（2024 年現在 290 誌以上）

• Nature 系: Nature Human Behaviour（全面採用）、 Nature Communications（一部）、 Scientific Reports
• 心理学: Cortex（最初の採用誌、 2013〜）、 Journal of Experimental Psychology: General, European Journal of Personality
• 医学・生物学: BMC Medicine, BMC Biology, eLife（Reviewed Preprints として）
• 経済・行動経済学: Journal of Development Economics, Experimental Economics
• 社会科学: Royal Society Open Science, Comparative Political Studies
• 機械学習: TMLR（Transactions on Machine Learning Research）が部分採用

Registered Reports の効果（Soderberg et al. 2021）

RR で出版された 71 論文 vs 従来形式 152 論文を比較した結果：

📌 従来形式の「仮説支持率 96%」は 明らかに歪んでいる。 RR の 44% こそ「現実」に近い数字。 つまり科学研究の半数以上は「予想外の結果」になるはずだが、 従来の出版システムではそれが見えなかった。

📊 3 形態の比較 — どれを選ぶか

🎓 段階別学習ガイド — どこから始めるか

事前登録は「経験者だけのもの」ではなく、 学習段階から実践できる。 各段階での適切な取り組み方：

レベル 1: 学部低学年（情報・統計入門）

• SSDSE-B-2026 を使った演習で「分析前に仮説を 1 文書く」習慣をつける
• Google Docs に「仮説、 検定、 N」を書いて先生に提出 → タイムスタンプ確保
• OSF アカウント作成のみ済ませる（登録はしなくて良い）

レベル 2: 学部高学年（卒論準備）

• AsPredicted.org で軽量事前登録（9 問・5 分）を 1 回経験
• SSDSE で 1 つ仮説を立て、 簡単な分析計画を OSF に登録
• 確認的 vs 探索的の区別を意識した卒論レポート執筆

レベル 3: 大学院修士（修論）

• OSF Standard Form（11 項目）で本格的事前登録
• 事前検出力分析（statsmodels）で N を決定
• GitHub でコード公開、 OSF にデータをリンク
• 修論本文に「OSF Preregistration: osf.io/XXXXX」を明記

レベル 4: 大学院博士・研究員

• 主要論文を Registered Reports で投稿（Cortex, Nat Hum Behav 等）
• 共同研究で Many Labs スタイルの大規模追試に参加
• 事前登録テンプレートを後輩に伝授
• 所属組織で事前登録ガイドライン整備を提案

レベル 5: PI・教授

• 研究室のルールとして全研究を事前登録必須化
• ジャーナルで Registered Reports エディター就任
• 大学・学会の Open Science 委員会で制度設計に関与
• 科研費申請に「事前登録予定」を盛り込む

🐍 Python 実装 ⑥ — 分析パスの自動ドキュメント化

🎯 このコードでやること: 事前登録した「分析パス」を Python で関数化し、 実行時に マークダウン形式のレポートを自動生成。 「計画」と「実行」を 1 つのコードベースに統合し、 ズレを物理的に防ぐ。

📥 入力データ: SSDSE-B-2026 全データ。

 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
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88

import pandas as pd
from scipy import stats
from datetime import datetime
import hashlib

class PreregisteredAnalysis:
    """事前登録された分析を実行・記録するクラス"""

    def __init__(self, prereg_url, hypothesis, alpha=0.05):
        self.prereg_url = prereg_url
        self.hypothesis = hypothesis
        self.alpha = alpha
        self.deviations = []
        self.confirmatory_results = {}
        self.exploratory_results = {}

    def load_data(self, path, encoding='cp932', skiprows=[1]):
        with open(path, 'rb') as f:
            self.data_sha256 = hashlib.sha256(f.read()).hexdigest()
        self.df = pd.read_csv(path, encoding=encoding, skiprows=skiprows)
        return self

    def confirmatory(self, name, func):
        """事前登録された確認的分析"""
        self.confirmatory_results[name] = func(self.df)
        return self

    def exploratory(self, name, func, reason=''):
        """事後追加の探索的分析"""
        self.exploratory_results[name] = {
            'result': func(self.df),
            'reason': reason
        }
        return self

    def deviation(self, planned, actual, reason):
        self.deviations.append({
            'planned': planned, 'actual': actual, 'reason': reason
        })
        return self

    def report(self):
        """マークダウンレポートを生成"""
        lines = [
            f'# 事前登録分析レポート',
            f'',
            f'- **事前登録 URL**: {self.prereg_url}',
            f'- **データ SHA-256**: {self.data_sha256}',
            f'- **実行日時**: {datetime.now().isoformat()}',
            f'- **仮説**: {self.hypothesis}',
            f'- **α**: {self.alpha}',
            f'',
            f'## 確認的分析（事前登録済み）',
        ]
        for name, result in self.confirmatory_results.items():
            lines.append(f'- **{name}**: {result}')
        lines.append('')
        lines.append('## 探索的分析（事前登録外）')
        for name, info in self.exploratory_results.items():
            lines.append(f'- **{name}**: {info["result"]} （追加理由: {info["reason"]}）')
        lines.append('')
        lines.append('## 計画逸脱')
        if self.deviations:
            for d in self.deviations:
                lines.append(f'- 計画: {d["planned"]} → 実行: {d["actual"]} （理由: {d["reason"]}）')
        else:
            lines.append('- 逸脱なし。 計画通り実施。')
        return '\\n'.join(lines)

# === 使用例 ===
analysis = (PreregisteredAnalysis(
    prereg_url='https://osf.io/abcde',
    hypothesis='高齢化率と人口の相関 r < 0',
    alpha=0.05)
    .load_data('data/raw/SSDSE-B-2026.csv')
    .confirmatory(
        '主分析: 高齢化率 vs 人口',
        lambda df: stats.pearsonr(
            df[df['SSDSE-B-2026']==2023]['A1303'] / df[df['SSDSE-B-2026']==2023]['A1101'] * 100,
            df[df['SSDSE-B-2026']==2023]['A1101']))
    .exploratory(
        '副次: 出生数 vs 人口',
        lambda df: stats.pearsonr(
            df[df['SSDSE-B-2026']==2023]['A4101'],
            df[df['SSDSE-B-2026']==2023]['A1101']),
        reason='主分析が成功したため追加検討'))

print(analysis.report())

📤 実行結果:

💬 結果の読み方: クラスベースの設計により、 確認的と探索的が物理的に分離される。 計画逸脱もメソッドとして明示的に記録。 このレポートを論文の Supplementary に添付すれば、 読者は「事前登録通り実施されたか」を一目で確認できる。 OSF プロジェクトページにアップロードする運用が推奨。

⚠️ よくある落とし穴（7 件）

事前登録は強力なツールですが、 形だけ実施しても効果がありません。 学生・実務者・研究者がよく踏むワナをまとめました。

🧭 詳細解説 — 事前登録の歴史と国際標準

歴史的背景

事前登録の原型は 1980 年代の医薬品 RCT 登録制度。 1997 年に FDA Modernization Act が臨床試験登録を法制化、 2000 年 ClinicalTrials.gov 開設。 これは「公表バイアスで有害な薬が広まる」事件（特に SSRI と自殺関連）への対応でした。

心理学・社会科学への展開は 2011 年の 再現性危機議論を契機に：

• 2011: Open Science Framework (OSF) 設立、 Center for Open Science 発足
• 2013: Chris Chambers が Cortex で Registered Reports を提案・実装
• 2015: AsPredicted.org（軽量事前登録プラットフォーム）開設、 米ペンシルベニア大学 Wharton 校
• 2018: Nosek et al. "The preregistration revolution" PNAS、 概念定着
• 2020: PNAS が事前登録を強く推奨、 数十ジャーナルが Badge を導入
• 2022: ICMJE（医学系国際委員会）が事前登録を必須条件に
• 2024: NIH 全グラントで DMP（データマネジメント計画）必須、 OSF 累計登録数 100,000 件超

3 つの事前登録レベル

日本の状況

日本では UMIN-CTR（1999〜）が臨床試験登録の主要プラットフォーム。 jRCT（Japan Registry of Clinical Trials、 2018〜）が公的責任の窓口に。 心理学・社会科学では OSF を直接利用するケースが多く、 国内独自プラットフォームは未整備。

日本心理学会、 日本社会心理学会は 2018 年以降に事前登録を推奨。 ただし学会レベルでの強制力は弱く、 個人研究者の意識に依存している段階。 統計データ解析コンペティション系の教材・コンペでも、 「分析前に仮説と手順を提出する」訓練を初等段階で取り入れる動きが始まっている。

参考文献

• Nosek, B. A., Ebersole, C. R., DeHaven, A. C., & Mellor, D. T. (2018). The preregistration revolution. PNAS, 115(11), 2600-2606.
• Chambers, C. D. (2013). Registered Reports: A new publishing initiative at Cortex. Cortex, 49(3), 609-610.
• Munafò, M. R., et al. (2017). A manifesto for reproducible science. Nat Hum Behav, 1(1), 0021.
• Wagenmakers, E. J., et al. (2012). An agenda for purely confirmatory research. Perspectives on Psychological Science, 7(6), 632-638.
• Simmons, J. P., Nelson, L. D., & Simonsohn, U. (2021). Pre-registration is a game changer. But, like random assignment, it is neither necessary nor sufficient. Journal of Consumer Psychology, 31(1), 177-180.
• Lakens, D. (2019). The value of preregistration for psychological science: A conceptual analysis. Japanese Psychological Review, 62(3), 221-230.
• Soderberg, C. K., et al. (2021). Initial evidence of research quality of registered reports compared with the standard publishing model. Nat Hum Behav, 5(8), 990-997.
• Hardwicke, T. E., & Wagenmakers, E. J. (2023). Reducing bias, increasing transparency and calibrating confidence with preregistration. Nat Hum Behav, 7, 15-26.
• Center for Open Science. (2024). OSF Registrations Documentation. help.osf.io
• 独立行政法人統計センター『SSDSE（教育用標準データセット）』

⚠️ 条件・限界・誤解回避

適用条件

1. 仮説検証型 (確証的) 研究であること: 事前登録は「データを見る前に解析計画を固定する」ことが本質で、 仮説駆動の確証的研究で最大の効果を発揮する。 探索的研究 (EDA) では事前登録は不適切で、 むしろ「探索的である」ことを明示するのが正直。
2. 研究開始前 (データ収集前) に登録: SSDSE-B-2026 のような既存公開データを用いる場合、 「データを一度も見ていない状態」での登録が理想。 既にデータを見た後の登録は preregistration ではなく、 ARP (Analytical Reproducibility Plan) や registered analysis と呼ぶ。
3. 独立した第三者プラットフォームへの登録: OSF (Open Science Framework)、 AsPredicted、 ClinicalTrials.gov、 EGAP などの公開・改変不能なプラットフォームを使う。 自社サーバーや非公開リポジトリは事前登録として認められない。
4. 研究計画の詳細性: 仮説・主要解析・副次解析・サブグループ・除外基準・サンプルサイズ計算・有意水準・統計モデルを具体的に記載する。 「重回帰分析を行う」だけでは不十分で、 「ステップワイズ vs Lasso」、 「変数選択基準」まで明示。

限界

1. 事前登録は「偏りゼロ」を保証しない: 出版バイアス、 効果量の過大推定、 モデル誤指定、 測定誤差などの問題は残る。 事前登録は「データ依存的選択 (p hacking, HARKing)」を防ぐが、 構造的な偏りには無力。
2. 計画からの逸脱が必要な状況: データ収集中に予期しない事象 (パンデミック、 政策変更、 計測ミス) が発生した場合、 計画を逸脱せざるを得ない。 逸脱の理由と修正計画を透明に報告する「事後修正登録 (deviation report)」が必要。
3. 探索的解析の自由度との両立困難: 事前登録された解析だけでは見落とした重要な関係を発見できない。 「登録解析 + 探索解析」の両方を実施し、 探索解析は「仮説生成段階」として明示する運用が必要。
4. 非専門家による不適切な登録: 統計的検出力不足、 効果量設定の根拠不明、 統計モデルの選択ミスなど、 計画自体が低品質な事前登録は救えない。 査読型事前登録 (Registered Report) で査読者がフィードバックする仕組みが理想。
5. 競争的研究分野での先行公開リスク: 事前登録は仮説と解析計画を公開するため、 競合研究者に先回りされる懸念。 OSF では一定期間 (1-2 年) のエンバーゴ機能があるが、 完全な秘匿はできない。

誤解回避

1. 「事前登録 = 厳密な確証的研究のみ」ではない: 探索的研究でも、 「これは探索的である」と事前に宣言する事前登録は意味がある。 後から「探索だった」と言い訳するより、 最初から目的を明示する方が誠実。
2. 「事前登録があれば査読不要」ではない: 事前登録は研究計画の透明性を保証するが、 結果の解釈・結論の妥当性・再現性は別途査読で評価される必要がある。
3. 「計画通りでないと事前登録は無効」ではない: 逸脱があっても透明に報告すれば、 事前登録の価値は維持される。 「計画通りに進まなかったから事前登録を撤回」は望ましくない。
4. 「事前登録は新しい概念」ではない: 医療試験では 1990 年代から ClinicalTrials.gov 登録が義務化されており、 学術的事前登録は社会科学・心理学で 2010 年代に普及しただけ。 物理学の予報 (prediction) や経済学の forecast は元から事前登録的。
5. 「事前登録さえあれば再現性は保証」は誤り: 事前登録は p hacking や HARKing を防ぐが、 出版バイアス・サンプルバイアス・測定誤差は残る。 事前登録は再現性向上のための必要条件で、 十分条件ではない。

実務でのチェックリスト

• □ 研究目的を確証的 vs 探索的で明示分類したか
• □ OSF / AsPredicted / ClinicalTrials.gov 等の公開プラットフォームに登録したか
• □ 仮説・主要解析・副次解析・除外基準を具体的に記載したか
• □ サンプルサイズ計算 (検出力分析) の根拠を明示したか
• □ 統計モデル (回帰、 ANOVA、 ロジスティック等) と変数選択基準を固定したか
• □ 有意水準 α・検定方向 (片側/両側)・多重検定補正法を事前指定したか
• □ 計画からの逸脱があった場合の修正報告手順を予め定めたか
• □ Registered Report (査読型事前登録) を選択する場合、 候補ジャーナルを特定したか

歴史的経緯

事前登録 (preregistration) の発想は医療試験で 1990 年代に始まった。 1997 年に FDA Modernization Act がアメリカで成立し、 1998 年に ClinicalTrials.gov が立ち上がった。 2000 年代には WHO や ICMJE (International Committee of Medical Journal Editors) が「事前登録された試験のみ主要医学誌で公開可」とする方針を採用した。 2005 年に Ioannidis の「Why Most Published Research Findings Are False」が発表され、 心理学・社会科学にも事前登録の必要性が認識される。 2011 年の Daryl Bem 論文と Diederik Stapel 事件 (データ捏造) を契機に、 心理学界の方法論的反省が加速。 2012 年に Brian Nosek らが Center for Open Science (COS) を設立、 OSF (Open Science Framework) を立ち上げ。 2013 年に Chris Chambers が Cortex 誌で Registered Report (査読型事前登録) を提唱。 2015 年に AsPredicted (Pennsylvania 大学) が短文型事前登録を提供開始。 2020 年時点で 300 誌以上の学術誌が Registered Report を採用。 経済学では AEA RCT Registry、 政治学では EGAP (Evidence in Governance and Politics)、 教育学では Society for Research on Educational Effectiveness が分野別レジストリを運営。

関連分野での発展

心理学では Many Labs プロジェクトで事前登録された大規模再現研究が複数実施され、 効果量の地理的・文化的変動が定量化された。 経済学では AEA RCT Registry が 2013 年から運用され、 開発経済学・労働経済学のフィールド実験が事前登録されている。 教育研究では IES (Institute of Education Sciences) が事前登録を助成条件としている。 機械学習分野では NeurIPS で 2020 年から「研究プレレジ」のオプションが追加され、 ML の仮説検証型研究を支援している。 神経科学では Registered Report の採用が Cortex 以外にも Royal Society Open Science、 European Journal of Neuroscience 等に広まった。 計算社会科学では SSDSE-B-2026 のような公開データを用いた事前登録研究の事例も増えており、 「都道府県別の SDG 達成度と人口動態の関連」のような仮説を事前登録した上で確証的に分析するアプローチが推奨される。 ベイジアン統計を用いた事前登録 (Bayes Factor design analysis) も最近広まり、 stop rule や効果量推定の事前指定で頻度論的事前登録を補完する。

詳細演習: OSF 事前登録の典型例

SSDSE-B-2026 を用いた研究の事前登録例 (OSF Standard Template): (1) 研究タイトル: 「都道府県別高齢化率と家計の保健医療費の関係: 2023 年データに基づく回帰分析」; (2) 仮説: 「H1: 高齢化率 (A1303/A1101) と保健医療費 (L322106) に正の相関がある (r > 0.3、 p < 0.05)」; (3) 主要解析: ピアソン相関、 両側検定、 α=0.05; (4) 副次解析: 重回帰 (高齢化率、 人口密度、 所得水準の同時投入); (5) 除外基準: 該当データなし (47 県全件); (6) 検出力分析: r=0.4、 α=0.05、 power=0.80 で必要サンプル数 n=44、 47 県データで十分; (7) 解析時期: 2025 年 12 月、 SSDSE-B-2026 公開後; (8) 共有計画: OSF 上にコード・データ・結果を公開。 OSF Preregistration Template はこの 8 項目を標準化。

詳細演習: AsPredicted の短文型事前登録

AsPredicted は 9 質問の簡潔フォーマットで、 心理学・行動経済学で広く使われる。 質問: (1) 「データを既に見ているか」(Yes/No); (2) 「何の仮説を検証するか」; (3) 「主要従属変数は何か」; (4) 「主要説明変数は何か」; (5) 「サンプルサイズの停止基準」; (6) 「除外基準」; (7) 「主要統計検定」; (8) 「事前に想定した解析計画」; (9) 「その他注意点」。 SSDSE 研究では、 質問 1 で「No (公開前データを利用)」、 質問 5 で「47 都道府県全件 (公開データのため stopping rule 不要)」と回答。 AsPredicted は OSF より簡潔で、 「最小限の事前登録」として推奨される。

詳細演習: Registered Report のフロー

Registered Report (RR) の流れ: (1) Stage 1: 研究計画書 (仮説・方法・解析計画・検出力分析) を執筆; (2) Stage 1 査読 (デザインの妥当性のみ評価、 結果を見ない); (3) In-Principle Acceptance (IPA) を獲得 → 結果に関わらず出版確定; (4) データ収集・解析; (5) Stage 2: 結果と考察を執筆; (6) Stage 2 査読 (計画通りの実施を確認)。 SSDSE のような既存公開データでも RR は適用可能。 採用ジャーナル: Cortex、 European Journal of Personality、 Royal Society Open Science、 BMC Medicine。 IPA を取得した研究の Stage 2 受理率は 95% 以上で、 出版バイアス問題を構造的に解決する。

詳細演習: 逸脱 (deviation) の透明な報告

事前登録した解析計画から逸脱する状況: (a) データ収集中に予期しない事象 (パンデミック、 政策変更); (b) 想定外のサンプル不足; (c) データの分布が前提と異なる; (d) 統計モデルの収束失敗。 逸脱があった場合の対応: (1) 逸脱内容を OSF の事前登録に追記 (deviation report); (2) 論文の方法論セクションで「事前登録 vs 実施」の差異表を作成; (3) 事前登録通りの解析 (primary) と修正解析 (secondary or sensitivity) の両方を報告; (4) 結論への影響を考察。 これにより事前登録の「正直さ」を保ちながら現実的な柔軟性を確保。

詳細演習: 探索的 vs 確証的の区分

SSDSE で 100 指標を分析する研究では、 確証的解析 (例: 主仮説 1-3 個) と探索的解析 (例: 残り 97 指標の関連性探索) を明示区分する。 事前登録テンプレートで「Confirmatory Hypotheses」(事前指定、 補正対象) と「Exploratory Analyses」(事後発見、 仮説生成段階) のセクションを分離。 論文では結果セクションを「主要結果 (確証)」と「探索的発見」に分け、 後者は「仮説生成のための予備分析」と明示する。 探索で発見した強い関係は、 別データセットでの再検証 (split-sample または独立研究) を前提とする。

詳細演習: ベイジアン事前登録 (Bayes Factor)

ベイジアン事前登録は頻度論的事前登録と異なる利点: (1) Stop rule の柔軟性 (Sequential Bayes Factor で BF が閾値に達したら停止可); (2) 事前分布の明示で先験知識を反映; (3) 「効果あり」と「効果なし」を対称的に評価可。 SSDSE で「47 県の高齢化率と保健医療費の相関」を BF で検証する場合、 事前分布として H1: r ~ Cauchy(0, 0.707) を採用し、 Bayes Factor を計算。 BF₁₀ > 10 で「強い証拠あり」、 BF₁₀ < 1/10 で「強い証拠なし」、 中間で「証拠不十分」と判定。 事前登録時に「BF 閾値・事前分布・停止基準」を明記する。

誤用例: 事後事前登録 (後追い登録)

研究例: 「SSDSE で分析を完了し、 p < 0.05 を発見した後に、 OSF に事前登録して『事前登録した』と論文に書く」というアプローチは詐欺的で、 検出されると論文撤回の対象。 OSF はタイムスタンプを記録するため、 データ取得時期と事前登録時期の整合性は監査可能。 正しい対応: (a) 「事後登録」(post-hoc registration) として明示; (b) 「探索的解析」として位置づけ; (c) 別データセットでの再検証を計画。 事前登録の信頼性は「データを見る前である」というタイミングに依存。

R/Python 実装の対応関係

OSF への事前登録は Web UI から実施するのが標準だが、 R では osfr パッケージ、 Python では osfclient でプログラマティック登録も可能。 AsPredicted は Web フォーム専用。 検出力分析と事前登録の連動: G*Power → OSF テンプレートに記載。 ベイジアン事前登録: R の BFDA、 Python の BayesFactorDesign。 multiverse analysis (事前登録の感度分析): R の multiverse、 Python の specification_curve。 SSDSE 分析の事前登録テンプレート例は OSF 上の e-stat 関連プロジェクトで公開されている。

ケーススタディ 1: 心理学の Many Labs 事前登録

Many Labs 1 (Klein et al. 2014) は 13 個の心理学現象を 36 研究室で同時に再現し、 全研究プロトコル・解析計画を事前登録。 結果: 10/13 (77%) の現象が再現、 効果量の地理的変動は小さい (3%-5% の分散)。 事前登録により、 「データを見てからの仮説変更」が排除され、 真の再現性が定量化された。 SSDSE 的に「47 都道府県研究機関での共通プロトコル分析」を組織化すれば、 同様の Many Labs 風研究が可能。

ケーススタディ 2: 経済学の AEA RCT Registry

米国経済学会 (AEA) は 2013 年から RCT Registry を運営し、 開発経済学・労働経済学のフィールド実験を必須登録。 2024 年時点で 5000 件以上の試験が登録され、 研究の透明性と再現性が向上。 SSDSE-B-2026 のような公的統計データを用いた政策評価でも、 e-Stat の周辺で同様の registry を整備することで、 政策研究の品質と透明性が向上する。

ケーススタディ 3: 医療試験の ClinicalTrials.gov

米国 FDA Modernization Act (1997) により、 米国で実施される全ての NIH 助成試験は ClinicalTrials.gov に事前登録が義務付けられた。 2024 年時点で 50 万件以上の試験が登録され、 出版バイアスを構造的に抑制している。 ICMJE (国際医学雑誌編集者委員会) は事前登録のない試験の主要医学誌掲載を禁止しており、 国際標準として定着。 日本では UMIN-CTR (大学病院医療情報ネットワーク) が同等の役割を果たす。

ケーススタディ 4: 機械学習の NeurIPS Preregistration

NeurIPS 2020 から、 オプションとして「ML preregistration」trackが追加された。 仮説検証型の機械学習研究 (例: 「アーキテクチャ A が B より画像認識で良い」) を事前登録し、 公平な比較を実現する。 SSDSE 的なベンチマーク研究でも、 「47 都道府県データでの予測モデル比較」を事前登録することで、 winner's curse を抑制できる。

ケーススタディ 5: 政策研究での事前登録

世界銀行・IPA (Innovations for Poverty Action) は開発援助プログラムの効果を事前登録した RCT で評価する。 例: 教育バウチャー、 マイクロファイナンス、 ベーシックインカム。 SSDSE 的に日本の地方政策 (地方創生交付金、 過疎地対策) を事前登録した上で評価することで、 政策効果の科学的検証が可能になる。 国・自治体の政策評価担当者が事前登録の重要性を理解することが、 EBPM (Evidence-Based Policy Making) の鍵。

事前登録の戦略決定フロー

研究計画段階での戦略決定: (1) 研究タイプ判定: 確証的 (事前登録必須) vs 探索的 (登録不要、 ただし「探索的」と明示); (2) プラットフォーム選択: OSF (詳細)、 AsPredicted (簡潔)、 ClinicalTrials.gov (医療); (3) テンプレート選択: Standard Preregistration、 Secondary Data Analysis、 Replication Study; (4) 登録項目: 仮説・主要解析・副次解析・除外基準・検出力分析・感度分析; (5) 査読型 RR 検討: Cortex、 RSOS、 BMC Medicine 等を候補ジャーナルとして検討; (6) 登録タイミング: データ収集前 (理想)、 データ分析前 (許容); (7) 逸脱対応: 計画変更があれば deviation report を OSF に追記。

誤用パターンとその修正

(1) 「事後事前登録」: データを見てから登録し「事前登録した」と主張。 修正: OSF のタイムスタンプで検証可能、 「事後登録」と明示すべき。 (2) 「曖昧な計画」: 「適切な統計検定を行う」のような曖昧な記述。 修正: 具体的な検定名・α 水準・モデルを明記。 (3) 「主要解析の事後変更」: 計画と異なる解析を主要解析として報告。 修正: 計画通りの解析を primary、 変更後を secondary として併記。 (4) 「副次解析の隠蔽」: 計画に含めた副次解析の結果を選別して報告。 修正: 計画した全解析を結果セクションで報告。 (5) 「事前登録の儀式化」: 形式的に登録するが内容を遵守しない。 修正: 査読時に事前登録と論文内容の照合を実施。

SSDSE-B-2026 を用いた事前登録の標準ワークフロー

SSDSE 分析の事前登録の標準ワークフロー: (1) 研究計画: 仮説・先行研究・SESOI・サンプルサイズ計算を文書化; (2) OSF プロジェクト作成: タイトル・概要・co-investigators を登録; (3) テンプレート選択: Secondary Data Analysis テンプレート (SSDSE は既存公開データのため); (4) 計画書執筆: 仮説、 主要解析 (1-3 個)、 副次解析、 除外基準 (該当なし)、 検出力分析の入力値・出力値を記載; (5) 事前登録の凍結: OSF で Pre-registration を作成、 タイムスタンプで凍結; (6) データ取得: e-Stat から SSDSE-B-2026 をダウンロード (タイムスタンプ記録); (7) 解析実施: 事前登録通りに R/Python スクリプトを実行; (8) 結果報告: 計画した全解析の結果、 効果量、 信頼区間、 p 値を報告; (9) 論文投稿: 事前登録 URL を方法論セクションに明示; (10) 公開: コード・データを GitHub/OSF で公開し、 再現性を保証。 このワークフローを定着させることで、 公的統計データを用いた研究の品質と国際的評価が向上する。

事前登録テンプレートの主要項目

OSF Standard Preregistration Template の 9 セクション: (1) Study Information: タイトル・著者・概要・先行研究; (2) Design Plan: 研究デザイン (実験的・観察的)、 ランダム化・盲検化の有無; (3) Sampling Plan: サンプリング方法、 必要サンプル数、 検出力分析; (4) Variables: 説明変数・被説明変数・潜在変数の操作的定義; (5) Analysis Plan: 主要解析・副次解析・統計モデル・多重比較補正; (6) Hypotheses: 仮説の方向性と効果量; (7) Exclusion Criteria: データ除外条件; (8) Deviations: 想定される逸脱と対応方針; (9) Other: その他注意点。 SSDSE 研究では特に Sampling Plan で「47 都道府県全件 (公開データ)」を明示。

事前登録の品質評価指標

事前登録の品質を評価する指標 (Bakker et al. 2020): (1) Specificity: 仮説と解析が具体的か (例: 「効果あり」vs 「r > 0.3 の正相関」); (2) Verifiability: 査読者が論文を見て事前登録通りかを判定できるか; (3) Hypothesis Direction: 仮説の方向性が明示か (one-tail vs two-tail); (4) Effect Size: 検出すべき効果量の SESOI が明示か; (5) Statistical Plan: 統計モデル・補正方法が具体的か; (6) Exclusion Rules: データ除外の条件が事前指定されているか; (7) Multiple Comparisons: 多重比較への対応が明示か。 これらの 7 項目で「高品質事前登録」を判定。 SSDSE 研究では特に (4) (5) (7) が重要。

事前登録と Open Science の関係

事前登録は Open Science (オープンサイエンス) の 4 柱の 1 つ: (1) Open Access: 査読論文の無料アクセス; (2) Open Data: 研究データの公開; (3) Open Source: 解析コードの公開; (4) Open Methodology: 方法論の事前登録と透明な手順記述。 これら 4 つを統合した研究エコシステムが、 学術コミュニティの信頼性と効率性を向上させる。 SSDSE のような公的統計データは Open Data の代表例で、 事前登録 + Open Source の組み合わせで、 公的統計研究の標準を確立できる。

事前登録の文化的・制度的課題

事前登録の普及における課題: (1) キャリアインセンティブの不一致: 査読・採用・昇進が「華やかな発見」を評価する文化; (2) 事前登録への教育不足: 学生・若手研究者への教育が不十分; (3) 柔軟性とのトレードオフ: 事前登録が研究の柔軟性を阻害するとの懸念; (4) 分野固有の事情: 探索的な人文学・芸術研究に事前登録が馴染まない; (5) 国際的なばらつき: 米国・欧州で先行、 アジア・新興国で遅れ; (6) 業界連携: 製薬・テクノロジー業界での事前登録は商業秘密との関連; (7) 査読者の負荷: 事前登録と論文を比較する負荷が増える。 これらの課題に対し、 段階的な制度改革とコミュニティ教育が進められている。

事前登録の経済学的視点

事前登録の経済学的な効果: (1) 研究の社会的価値: 偽陽性の減少で「偽の発見」に基づく無駄な研究投資を抑制; (2) 再現研究の効率: 事前登録された研究は再現しやすい; (3) 政策決定の質: EBPM (Evidence-Based Policy Making) の信頼性向上; (4) 業界での適用: 製薬業界では事前登録が NDA 申請・FDA 承認の質を保証; (5) 研究助成の効率: 助成機関 (NIH、 NSF、 JSPS) が事前登録を助成条件にすることで、 公的資金の効率的配分が可能。 SSDSE のような公的統計データ研究で事前登録を標準化することは、 社会的な研究投資の効率向上に直結する。

事前登録の最新動向と未来

2024-2025 年の事前登録の発展: (1) Living Preregistrations: 研究進行に応じて更新可能な事前登録 (with timestamp 変更履歴); (2) AI-Assisted Preregistration: ChatGPT 等で事前登録テンプレート作成補助; (3) Federated Preregistration: 国際協調プロジェクトでの分散事前登録; (4) Blockchain-based Timestamping: タイムスタンプの改竄防止; (5) Differential Privacy with Preregistration: プライバシー保護付き事前登録; (6) Causal Preregistration: 因果推論研究での事前登録 (DAG、 do-calculus); (7) Machine Learning Reproducibility Checklists: ML 分野での事前登録的取り組み; (8) Big Data Preregistration: 大規模データセットでの事前登録 (e-Stat、 Statistics Bureau 等の公的データ)。 SSDSE 研究も、 これらの最新動向を反映した事前登録ワークフローを採用することで、 国際的に通用する研究品質を達成できる。

事前登録の評価基準

高品質な事前登録の評価基準 (Lakens 2017): (1) 仮説の明確性: 単一の数学的に検証可能な命題か; (2) 変数の操作的定義: 説明変数・被説明変数の測定方法が具体的か; (3) サンプリング計画: 必要サンプル数と取得方法が明示か; (4) 除外基準: データ除外条件が事前に定義されているか; (5) 主要解析の具体性: 統計検定の種類・α 水準・補正方法が明示か; (6) 副次解析の区分: 主要・副次・探索の階層が明示か; (7) 仮説の方向性: 片側・両側、 効果の方向の予測が明示か; (8) 結果次第での解釈: 各結果パターンでの解釈方針が事前指定か; (9) 逸脱対応: 想定逸脱とその対応方針が明示か; (10) 透明性: 全項目が後から検証可能か。 これらの 10 項目で「高品質事前登録」を判定。

事前登録の心理学的・社会学的側面

事前登録の普及における心理学的・社会学的側面: (1) 研究者のアイデンティティ: 「発見者」から「検証者」への自己認識の変化; (2) キャリアインセンティブの調整: 採用・昇進評価で事前登録研究を評価; (3) 査読文化の変化: 「結果の華やかさ」より「方法論の妥当性」を重視; (4) 協調的競争: Many Labs 風の協調研究で個人功績と組織貢献のバランス; (5) 負の結果の価値: null result も学術コミュニティに貢献する文化; (6) 世代間の差: 若手研究者は事前登録に抵抗が少ない傾向; (7) 分野文化の差: 物理学 (予報重視) vs 心理学 (探索重視) の文化的差。 これらの社会学的側面を考慮した制度設計が必要。

事前登録の実例集

事前登録の有名な実例: (1) Many Labs 1 (Klein et al. 2014): 13 個の心理学現象を 36 研究室で再現; (2) Many Labs 2 (Klein et al. 2018): 28 個の現象を 125 研究室で再現; (3) Pipeline Project (Schweinsberg et al. 2016): 同じデータを 25 研究チームが独立分析; (4) Crowdsourcing Replication Project: 経済学の RCT 再現; (5) EEG Many Labs: 神経科学の脳波研究; (6) Psychological Science Accelerator: 国際協調で心理学研究; (7) RECOVERY Trial (COVID-19): 英国の事前登録 RCT で hydroxychloroquine 効果なしを確証; (8) RCT Registry (AEA): 経済学の開発研究; (9) SSDSE 統計データ解析コンペ: 公的統計データの事前登録的研究を促進; (10) OSF Featured Projects: OSF の優良事例集。

事前登録と査読型 RR の比較

事前登録 vs Registered Report の比較: (1) 事前登録 (Preregistration): OSF/AsPredicted に登録、 査読は通常通り、 結果次第で出版される; (2) Registered Report (RR): 査読型事前登録、 結果を見ずに Stage 1 査読、 IPA 取得後は結果に関わらず出版確定。 RR の利点: (a) 出版バイアスを構造的に解決; (b) 査読者のフィードバックで研究設計が改善; (c) null result も価値ある貢献として出版可能。 RR の制約: (a) Stage 1 査読に時間がかかる (3-6 ヶ月); (b) 採用ジャーナルが限定的; (c) 急速な発展分野では不向き。 SSDSE 研究では、 公的統計データの安定性から、 RR が特に適している。

事前登録のグローバル動向

各国・各分野での事前登録の普及状況: (1) 米国: NIH・NSF が助成条件として事前登録を推奨、 ClinicalTrials.gov が義務; (2) 欧州: Plan S で Open Access 義務化、 EU の Horizon Europe で事前登録推奨; (3) 英国: UK Reproducibility Network が事前登録を推進; (4) 日本: 日本心理学会・日本社会心理学会が事前登録ガイドライン、 UMIN-CTR は医療試験で標準; (5) 中国: 国家自然科学基金で再現性向上のための事前登録の動き; (6) インド: ICMR (医学研究評議会) で臨床試験の事前登録; (7) オーストラリア: ANZCTR (Australian New Zealand Clinical Trials Registry); (8) ブラジル: ReBEC (Brazilian Registry of Clinical Trials)。 国際的に事前登録が学術研究の標準となりつつある。

事前登録の主要プラットフォーム比較

主要な事前登録プラットフォームの比較: (1) OSF (Open Science Framework): 包括的な研究管理プラットフォーム、 詳細テンプレート、 無料、 タイムスタンプ保証、 OSF Preregistration が標準; (2) AsPredicted: 短文型 (9 質問)、 簡潔さ重視、 Pennsylvania 大学運営、 心理学・行動経済学で広く使用; (3) ClinicalTrials.gov: 米国 NIH 運営、 医療試験で義務、 50 万件以上の試験を登録; (4) UMIN-CTR: 日本の医療試験レジストリ、 大学病院医療情報ネットワーク; (5) ANZCTR: 豪・NZ の臨床試験レジストリ; (6) AEA RCT Registry: 米国経済学会の RCT 専門レジストリ; (7) EGAP: 政治学のフィールド実験レジストリ; (8) SREE Registry: 教育研究のレジストリ。 SSDSE 研究では OSF (詳細) または AsPredicted (簡潔) を選択するのが一般的。

事前登録の実務的な落とし穴

事前登録の実務的な落とし穴と対策: (1) 曖昧な記述: 「適切な統計検定」「主要解析」のような曖昧な記述。 対策: 具体的な統計検定名・モデル・補正方法を明記。 (2) サンプルサイズの根拠なし: 「47 都道府県」だけでは不十分。 対策: 検出力分析の入力値・出力値を明示。 (3) 仮説の方向性が不明: 片側 vs 両側、 効果の予測方向が不明。 対策: 「H1: r > 0.3」のように方向を明示。 (4) 除外基準の事後変更: データを見てから除外基準を変える。 対策: 事前に除外基準を明示し、 逸脱時は deviation report。 (5) 副次解析の隠蔽: 計画した副次解析の結果を選別。 対策: 全計画解析を結果セクションで報告。 (6) 結果次第の解釈変更: 仮説と異なる結果が出た時の解釈を後付け。 対策: 各結果パターンでの解釈方針を事前指定。 (7) 事後事前登録: データを見てから登録。 対策: OSF のタイムスタンプで自動検証、 倫理的禁忌。

事前登録の研究文化への影響

事前登録は単なる「手続きの追加」ではなく、 研究文化全体に深い影響を与えてきた。 2010 年代以前は「研究は結果次第」「予想外の発見が論文の価値」という文化が主流だったが、 2020 年代には「研究は方法論の透明性次第」「予測通りでも null result でも学術的に価値ある」という文化への移行が進んでいる。 この文化変革を支える要素には、 研究助成機関の方針 (NIH の事前登録推奨、 NSF の Data Management Plan)、 学術誌のポリシー (Registered Report の採用、 TOP Guidelines の遵守)、 大学・研究機関の評価制度 (DORA 宣言、 研究品質指標の多様化)、 専門学会の主導 (心理学界・経済学界・神経科学界での事前登録ガイドライン)、 若手研究者のリーダーシップ (BITSS、 SIPS、 ReproducibiliTea などのコミュニティ)、 メディアの関心 (Nature、 Science、 Atlantic などでの特集記事)、 政策的支援 (UK の Reproducibility Network、 EU の Plan S) などがある。 これらの変革は段階的かつ非線形的に進んでおり、 分野によって普及度が異なる。 心理学・神経科学では事前登録がほぼ標準となっている一方、 人文学・芸術研究では概念自体の適用が議論中である。 SSDSE-B-2026 のような公的統計データを用いた研究は、 元データが公開済みで Secondary Data Analysis のテンプレートが適用しやすく、 統計データ解析コンペのような取り組みが日本の研究文化変革に寄与している。 学生・若手研究者がコンペを通じて事前登録の実践を学ぶことで、 次世代の研究者層に事前登録文化が浸透する。 大学院教育、 学部教育、 さらには高校・中学校のデータサイエンス教育まで含めた、 統計リテラシーと事前登録教育の統合的カリキュラム設計が、 長期的な研究品質向上の鍵となる。 教育現場では、 OSF テンプレートの実演、 G*Power による検出力分析の演習、 事前登録の査読シミュレーション、 逸脱対応のロールプレイ、 multiverse analysis による感度評価などの実践的なトレーニングが効果的とされている。 これらの教育実践により、 事前登録は「特別な努力」ではなく「研究の標準的な実施手順」となる。

事前登録の総合的実装フロー

SSDSE-B-2026 を用いた事前登録研究の総合的実装フロー: ステップ 1: 「研究テーマの選定」では、 確証的研究 vs 探索的研究を明確化、 主要仮説 1-3 個を選定。 ステップ 2: 「先行研究レビュー」では、 効果量の事前推定、 サンプルサイズ計算の根拠を確立。 ステップ 3: 「OSF プロジェクト作成」では、 タイトル・概要・co-investigators・ライセンスを設定。 ステップ 4: 「テンプレート選択」では、 SSDSE のような公開データには Secondary Data Analysis テンプレート、 仮説検証なら OSF Standard テンプレート、 簡潔さ重視なら AsPredicted を選択。 ステップ 5: 「計画書執筆」では、 仮説 (方向性明示)、 主要解析 (統計検定・α・補正)、 副次解析、 除外基準、 検出力分析の入力値・出力値、 結果次第の解釈方針、 想定逸脱と対応を記載。 ステップ 6: 「内部査読」では、 共著者・指導教員・統計コンサルタントによる事前査読、 修正。 ステップ 7: 「事前登録の凍結」では、 OSF で Pre-registration を作成、 タイムスタンプで凍結 (Embargo オプションも検討)。 ステップ 8: 「データ取得」では、 e-Stat から SSDSE-B-2026 をダウンロード、 タイムスタンプとファイル MD5 ハッシュを記録、 raw データを read-only で保存。 ステップ 9: 「解析実施」では、 事前登録通りに R/Python スクリプトを実行、 結果を再現可能な形で保存。 ステップ 10: 「結果報告」では、 計画した全解析の結果、 効果量、 信頼区間、 p 値を表形式で報告。 ステップ 11: 「論文執筆」では、 方法論セクションに事前登録 URL を明示、 計画通りの実施と逸脱があれば透明に記載。 ステップ 12: 「公開」では、 GitHub でコード公開、 Zenodo で DOI 付き永続保存、 OSF にメタデータと結果を統合。 このフローを定着させることで、 SSDSE 研究は国際的に通用する事前登録基準を達成する。 公的統計データを用いた研究で事前登録のベストプラクティスを示すことは、 日本の学術コミュニティ全体の研究品質向上に寄与する。 また、 学生・若手研究者のキャリア形成にとっても、 事前登録の実践経験は国際的な研究機関への就職、 助成申請、 査読対応において重要なスキルとなる。

事前登録と研究者の方法論的成熟

事前登録を体系的に習得することは、 現代研究者の方法論的成熟の重要な段階である。 学部レベルでは「OSF へのテンプレート記入」程度だが、 大学院レベルでは、 事前登録の哲学的背景 (確証 vs 探索)、 OSF Standard / AsPredicted / Registered Report の使い分け、 計画からの逸脱への対応、 multiverse analysis との統合、 ベイジアン事前登録 (BFDA)、 因果推論での事前登録 (DAG、 do-calculus)、 機械学習での事前登録 (ML Reproducibility Checklists) など、 多岐にわたる学習内容を習得する必要がある。 こうした方法論的成熟は、 単なる「手続きの実行」を超えて、 「研究設計全体の透明性確保能力」を意味する。 SSDSE-B-2026 のような公的統計データを用いた研究で事前登録を実践することで、 学生・研究者は実データに対する研究設計の感覚を磨き、 国際的に通用する方法論的多角性を獲得できる。 公的データを活用した教育プログラムは、 公的統計データの社会的価値を最大化する重要な取り組みでもあり、 統計データ解析コンペのような取り組みは、 統計教育・データサイエンス教育の中核として、 学術と社会の橋渡し役を果たしている。 学生・若手研究者がこうした実践経験を通じて研究文化に貢献することは、 日本の学術コミュニティの長期的競争力向上に直結し、 公的統計データを用いた研究の品質と国際的評価を高めていく。

事前登録の総合的まとめ

事前登録 (preregistration) は、 研究開始前に仮説・解析計画を公開プラットフォーム (OSF、 AsPredicted、 ClinicalTrials.gov など) に登録し、 タイムスタンプで凍結する研究実践である。 本稿で示してきた内容を統合すると、 (1) 事前登録の本質は「データを見る前に解析計画を固定すること」で、 p ハッキング・HARKing を防止する強力なツール、 (2) OSF Standard、 AsPredicted、 Secondary Data Analysis、 Replication Study などのテンプレートがある、 (3) Registered Report (査読型事前登録) は出版バイアスを構造的に解決する画期的仕組み、 (4) 仮説・主要解析・副次解析・除外基準・検出力分析・補正方法を具体的に記載する、 (5) 計画からの逸脱があれば deviation report で透明に報告、 (6) 探索的解析は「仮説生成」として明示区分、 (7) 1997 年 FDA Modernization Act から始まり、 2012 年 OSF 設立、 2013 年 Registered Report 提唱、 2024 年に多数のジャーナル・助成機関で採用、 (8) SSDSE-B-2026 のような公開データには Secondary Data Analysis テンプレートが適切、 (9) 経済学・心理学・医学・神経科学・機械学習など分野別ベストプラクティスがある、 (10) Living Preregistration、 AI-Assisted、 Causal Preregistration などの最新動向、 などのポイントが理解できる。 これらを実践的に SSDSE データに適用することで、 学生・研究者は事前登録の概念を実データに対する具体的な研究実践へと結びつけることができる。 公的統計データ研究での事前登録の標準化は、 日本の学術コミュニティの研究文化向上、 政策研究の信頼性向上、 国際的な研究品質基準への適合、 という多面的な貢献をもたらす。

事前登録と統計データ解析コンペでの実践的学習

事前登録の実践は、 統計データ解析コンペのような実践的な学習プログラムで効果的に習得できる。 SSDSE-B-2026 のような公的統計データを用いたコンペでは、 学生が「データを見る前に解析計画を凍結する」事前登録の本質を体験的に学ぶことができる。 具体的な学習プロセスとして、 (1) 研究テーマの選定 (確証的 vs 探索的の区分)、 (2) 先行研究レビューと効果量の事前推定、 (3) OSF または AsPredicted での事前登録テンプレートの作成、 (4) 検出力分析の入力値・出力値の明示、 (5) 主要解析・副次解析・除外基準の事前指定、 (6) データ取得と解析の実施、 (7) 結果報告と論文執筆、 (8) GitHub/OSF/Zenodo での永続公開、 という一連のワークフローを体験することで、 事前登録が単なる「手続きの追加」ではなく「研究設計の中核」であることを理解できる。 教員側のサポートとして、 (a) OSF Standard Preregistration Template の各項目を解説、 (b) AsPredicted の 9 質問形式の特徴を説明、 (c) 検出力分析と事前登録の連動を実例で示す、 (d) 計画からの逸脱への対応方法を演習する、 (e) Registered Report の Stage 1/Stage 2 査読プロセスをロールプレイする、 などの取り組みが効果的。 こうした教育実践により、 次世代の研究者層に事前登録の正しい理解と実践能力が浸透し、 日本の学術コミュニティの研究文化が国際的標準に近づく。 公的統計データを活用した教育プログラムは、 公的データの社会的価値を最大化する重要な取り組みでもあり、 SSDSE のような取り組みは、 統計教育・データサイエンス教育の中核として、 学術と社会の橋渡し役を果たしている。 学生・若手研究者がコンペを通じて事前登録の実践経験を積むことは、 国際的な研究機関への就職、 助成申請、 査読対応において重要なスキルとなる。 また、 事前登録された研究は再現性が高く、 引用されやすく、 政策的に活用されやすいため、 研究者のキャリア形成にも長期的なメリットをもたらす。 学術コミュニティ全体で事前登録を標準化することは、 「再現性のある研究」を社会に提供する責任を果たすこと、 と位置づけられ、 公的助成 (内閣府、 文部科学省、 JSPS) で資金提供される研究の品質保証は、 納税者に対する説明責任の一環でもある。

事前登録の運用上のチャレンジと解決策

事前登録の運用には様々なチャレンジがあり、 それぞれに対する解決策が議論されている。 第 1 のチャレンジは「曖昧な記述問題」で、 「適切な統計検定」「主要解析」のような曖昧な記述では、 後から「計画通り」を主張できない。 解決策: OSF Standard Preregistration Template の 9 項目を具体的に記載、 統計検定名・α 水準・モデル・補正方法を明示する。 第 2 のチャレンジは「計画からの逸脱」で、 データ収集中や解析中に予期しない事象 (パンデミック、 計測ミス、 サンプル不足) で計画通りに進まない場合がある。 解決策: OSF の事前登録に deviation report を追記、 「事前登録通りの解析」と「修正解析」の両方を結果セクションで報告する。 第 3 のチャレンジは「探索的解析の扱い」で、 事前登録した解析だけでは見落とした重要な関係を発見できない。 解決策: 結果セクションを「Confirmatory Analyses」(事前登録)、 「Exploratory Analyses」(事後発見) に明示分割、 探索的発見は「仮説生成」として位置付ける。 第 4 のチャレンジは「サンプル不足」で、 SSDSE のような固定 n=47 のデータでは検出力が不足することがある。 解決策: 効果量の SESOI を保守的に設定、 multiverse analysis で結果のロバストネスを評価、 別データセット (前年度) で再検証。 第 5 のチャレンジは「事後事前登録の誘惑」で、 データを既に見た後に「事前登録した」と主張する誘惑がある。 解決策: OSF のタイムスタンプで自動検証、 倫理的にも禁忌として教育、 SSDSE のような公開データの場合は「データ公開前 vs 公開後」を明示。 第 6 のチャレンジは「査読者の評価負荷」で、 事前登録と論文を比較する査読者の負担が増える。 解決策: 査読時間の確保、 標準化されたチェックリスト (TOP Guidelines、 PRISMA、 STROBE) の活用、 Registered Report での Stage 1/Stage 2 分離。 第 7 のチャレンジは「分野文化の差」で、 探索的な人文学・芸術研究では事前登録が馴染まない。 解決策: 分野固有のテンプレートを開発、 「事前登録の柔軟な適用」を許容する制度設計、 「探索的研究」と「確証的研究」を明示区分する文化を醸成。 第 8 のチャレンジは「競争的研究分野での先行公開リスク」で、 事前登録は仮説と解析計画を公開するため、 競合研究者に先回りされる懸念がある。 解決策: OSF の Embargo オプション (1-2 年の非公開期間)、 部分的な公開、 共同研究での競争緩和。 これらのチャレンジと解決策を理解することで、 事前登録は「理想的な手続き」から「現実的に運用可能な研究実践」へと位置づけが変化する。 SSDSE-B-2026 のような公的統計データを用いた研究で、 これらの運用上のチャレンジを意識した事前登録を実施することは、 学生・研究者の実践的なスキル習得と、 公的統計データ研究の品質向上の両面に寄与する。 統計データ解析コンペのような取り組みは、 こうした実践的な事前登録経験を積む重要な場として、 日本の学術コミュニティの長期的な研究品質向上に貢献する。

事前登録の分野別ベストプラクティス

事前登録のベストプラクティスは分野によって異なる。 医療試験では、 ICH E9 (R1) ガイドライン (2019) に基づく Estimands framework が標準で、 主要評価項目・副次評価項目・サブグループ解析・感度分析を ClinicalTrials.gov または UMIN-CTR に登録する。 適応的デザイン (adaptive design) では、 中間解析の規則とサンプルサイズ再計算の条件を事前に明示する。 心理学では、 OSF Standard Preregistration テンプレートが標準で、 仮説・主要解析・副次解析・除外基準・検出力分析を詳細に記載する。 Registered Report (Cortex、 Royal Society Open Science、 BMC Medicine など) の活用も推奨される。 経済学では、 AEA RCT Registry が開発経済学・労働経済学のフィールド実験の標準で、 介入の詳細・アウトカム指標・解析計画を登録する。 EGAP (Evidence in Governance and Politics) は政治学のフィールド実験で広く使われる。 教育研究では、 IES (Institute of Education Sciences) と SREE (Society for Research on Educational Effectiveness) が事前登録の標準を確立しており、 教育介入・学力評価・教師研修の研究で活用される。 機械学習では、 NeurIPS の ML Preregistration、 Papers with Code、 ML Reproducibility Challenge が事前登録的取り組みとして広まっている。 仮説検証型 ML 研究 (アーキテクチャ A vs B の優位性検証) で特に有効。 神経科学では、 Registered Report が Cortex、 European Journal of Neuroscience、 Royal Society Open Science などで採用されている。 fMRI 研究での voxel-wise 解析、 multiverse analysis、 cluster-level inference の事前登録が標準化されつつある。 公衆衛生・疫学では、 観察研究・コホート研究・症例対照研究の各々で異なる事前登録テンプレートが提案されており、 STROBE ガイドライン (Strengthening the Reporting of Observational Studies in Epidemiology) と組み合わせて使われる。 SSDSE-B-2026 のような公的統計データを用いた政策研究では、 Secondary Data Analysis テンプレートが適しており、 仮説・主要解析・サンプル制約・補正方法を明示することで、 公的統計データ研究の品質と国際的評価が向上する。 これらの分野別ベストプラクティスを横断的に理解することで、 学生・研究者は自分の研究分野に最適な事前登録方法を選択できる。 統計データ解析コンペのような取り組みでは、 SSDSE データを用いた事前登録の演習を通じて、 学生がこれらのベストプラクティスを実践的に学ぶ機会を提供する。

事前登録の長期的影響と未来展望

事前登録は、 研究実践の単なる手続き的改善ではなく、 学術コミュニティ全体に深い長期的影響を与える構造的変革である。 第 1 に、 出版バイアスの構造的解決に寄与する。 事前登録された研究は、 結果に関わらず出版される可能性が高まることで、 「華やかな結果」のみが公開される選択的出版の問題が緩和される。 特に Registered Report の制度は、 Stage 1 で査読・採択された研究が結果に関わらず Stage 2 で出版されるため、 出版バイアスを根本から解決する強力な仕組みとなっている。 第 2 に、 p ハッキング・HARKing の防止に寄与する。 仮説と解析計画が事前に凍結されることで、 「データを見てから仮説を作る」「結果次第で解析を変える」といった不誠実な実践が物理的に困難となる。 第 3 に、 メタアナリシスの品質向上に寄与する。 事前登録された研究を統合するメタアナリシスは、 個別研究の品質保証があるため、 結論の信頼性が高い。 第 4 に、 政策決定の信頼性向上に寄与する。 EBPM の文脈で事前登録された政策評価研究は、 単なる p 値の羅列より遥かに高い社会的信頼を獲得する。 SSDSE-B-2026 のような公的統計データを用いた政策研究で事前登録を標準化することは、 日本の政策決定プロセスの質を向上させる重要な要素となる。 第 5 に、 国際協調研究の品質基準として機能する。 Many Labs、 Psychological Science Accelerator などの国際大規模プロジェクトでは、 事前登録が共通言語として機能し、 異なる国・グループの研究結果を比較可能にする。 第 6 に、 研究者のキャリア形成と評価制度を変革する。 「論文数」より「研究の透明性と再現性」が評価される時代に向けて、 事前登録の経験は重要な指標となる。 DORA 宣言の採択により、 研究機関の評価制度が多面的になる流れと整合的である。 第 7 に、 学術出版エコシステムの健全性に寄与する。 Registered Report の普及で、 査読者がデータと結論ではなく方法論を評価する文化が定着し、 査読プロセスの建設性が向上する。 第 8 に、 統計教育における事前登録の位置づけが変化する。 2010 年代までは「上級トピック」だった事前登録は、 2020 年代には学部統計学・データサイエンスの標準カリキュラムに含まれることが増え、 統計リテラシーの基礎となっている。 これらの長期的影響を考慮すると、 事前登録は単なる「手続きの追加」ではなく、 「学術コミュニティの構造的変革のための核心ツール」として位置づけられる。 今後 10 年で予想される未来展望として、 (1) Living Preregistrations による研究の動的更新、 (2) AI-Assisted Preregistration での自動補助、 (3) Federated Preregistration による国際協調、 (4) Blockchain-based Timestamping による改竄防止、 (5) Differential Privacy 統合、 (6) Causal Preregistration による因果推論の事前登録、 (7) ML Reproducibility Checklists の進化、 (8) Big Data Preregistration の標準化、 などが進展することが期待される。 SSDSE 研究もこれらの最新動向を反映した事前登録ワークフローを採用することで、 国際的に通用する研究品質を達成し、 日本の学術コミュニティの長期的競争力向上に寄与することができる。 公的統計データを用いた研究で事前登録のベストプラクティスを示し、 学生・若手研究者に教育することは、 次世代の研究者層に事前登録文化を浸透させる重要な取り組みとなる。

🌐 関連手法・派生

事前登録 と同じ「オープンサイエンス」カテゴリ、 または直接の上位・派生となる用語：

🌐 国際的な事前登録動向（2024 年現在）

これらの施策は 「事前登録は例外ではなく標準」という方向に世界が動いていることを示している。 5〜10 年後には大半の主要ジャーナルで事前登録が 事実上の必須要件になる見通し。

🛡 倫理・プライバシー面の配慮

事前登録は強力なツールですが、 倫理・プライバシー面で考慮すべき点もあります。

① 倫理審査（IRB）との関係

人を対象とする研究では IRB 承認が必要。 事前登録は IRB 承認後に行う。 SSDSE のような公開データのみ使う場合、 多くの機関で IRB 不要（要確認）。

② 個人情報の取扱い

事前登録に個票データの内容を含めない。 SSDSE-B-2026 は集計済み（都道府県単位）なので個人情報問題なし。 個票を扱う場合は、 抽象的な変数定義のみ事前登録に書く。

③ embargo（埋め込み禁止期間）の活用

特許出願、 競合研究、 機密性のある場合、 OSF は最大 4 年の embargo を設定可能。 タイムスタンプは記録されるが、 内容は期限切れまで非公開。 ただし embargo 濫用（不利な結果隠し）には批判もある。

④ オプトイン / オプトアウトの明確化

アンケート研究で事前登録を行う場合、 参加者に「事前登録されている」「公開される」ことを同意書で明示。 個人情報は事前登録に含めない。

📌 SSDSE のような 政府公開統計を扱う場合、 倫理面の制約はほぼなし。 SSDSE は教育目的での利用が前提なので、 卒論・授業課題での事前登録は何の障害もない。

🔗 関連用語（前提・並列・発展）

📘 前提

事前登録 を学ぶうえで、 これらを先に押さえると吸収が早い：

📗 並列

対比・補完して理解すべき同階層の用語：

📕 発展

事前登録 を理解した後の自然な発展先：

📑 論文・実務での登場パターン

事前登録 は、 統計データ解析コンペティション系の論文・教材で次のような場面に登場します：

📚 関連グループ教材

事前登録 は「研究設計・オープンサイエンス」分野の中核手法です：

• 🎯 hypothesis-testing（仮説検定グループ総合） — 全体像
• 再現性危機 — 背景
• オープンサイエンス — 上位運動
• p-hacking — 対象問題
• 出版バイアス — 対象問題
• 検出力 — 設計核
• 効果量 — 事前指定対象
• メタアナリシス — 統合先
• 多重比較 — 事前指定対象
• RCT — 制度の起源

✅ 事前登録 チェックリスト

OSF に登録する前に以下を確認：

• □ 主仮説を H0/H1 で 1 文書いたか
• □ 変数定義を SSDSE 列名と式で明示したか
• □ 検定方法を「Pearson 相関」「Welch の t 検定」など具体的に明示したか
• □ 有意水準 αと 片側/両側を指定したか
• □ サンプルサイズ Nと事前検出力分析の結果を記載したか
• □ 前処理ルール（欠損、 外れ値、 変換）を事前に決めたか
• □ 停止規則（データ取得期間、 N 達成条件）を明示したか
• □ 探索的分析の取扱い方針を記載したか
• □ 計画逸脱の対応を記載したか
• □ データ・コード公開計画を記載したか
• □ データ取得前に登録するスケジュールか
• □ 共著者全員の合意を得たか

❓ よくある質問（FAQ）

📌 早見表 — 事前登録

📚 理解度チェック

本ページの学習内容を確認しよう。

1. 事前登録 (pre-registration) とは何か、 1 行で述べよ。
2. SSDSE-B-2026 を使った研究を事前登録する際、 最低限記録すべき項目を 3 つ挙げよ。
3. 事前登録の典型的な落とし穴を 1 つ挙げよ。
4. 事前登録のメリットを 2 つ挙げよ。
5. 代表的な事前登録プラットフォームを 2 つ挙げよ。

🗺 概念マップ

事前登録 を中心に、 関連概念のネットワークを整理：

🔗 隣接手法への橋渡し

事前登録は仮説・解析計画を実験前に公開する手続きで、 再現性危機・p ハッキング・出版バイアスへの対策として広まった。

• 上流: 研究設計（PPDAC サイクル） — 仮説と検定計画を確定してから登録。 SSDSE で「東京圏が出生率最低」 の検証なら、 期間・指標・検定統計量を事前に固定する。
• 並列: 再現性 — 再現性は他者が同じ結果を出せること、 事前登録はその手段の 1 つ。 OSF (Open Science Framework) が代表プラットフォーム。
• 下流: オープンサイエンス — 事前登録 + データ公開 + コード公開がオープンサイエンスの 3 種の神器。 全て揃って初めて研究の信頼性が担保される。
• 形式: 登録報告 (Registered Reports) は事前登録を査読制度に組み込んだ仕組み。 p ハッキング根絶に最も効果的。

SSDSE-B-2026 を用いた演習では、 「事前登録」 を中核に据えて上記の上流・並列・下流の手法を実データで連結する経験を積むと、 単独の手法暗記より実務的応用力が身につく。

🌳 手法選択フロー

「事前登録」を実際に使うとき、 何をどう選ぶかを順に判断する。 上から順に答えていくと、 使うべき手法と評価の仕方が決まる。

1. 探索なのか、 検証なのか
   仮説を探す段階なら事前登録は要らない。 仮説を検証して結論を出すなら、 分析計画を先に固定する。 同じデータで両方をやると、 探索の結果を検証したことにしてしまう。
2. 何を先に決めるか
   主要な結果指標、 標本数、 除外基準、 検定の方法、 多重比較の補正。 データを見てから決めると、 都合の良い選択肢を選べてしまう（研究者の自由度）。
3. 計画から外れたらどうするか
   外れること自体は問題ではない。 外れた事実と理由を書けばよい。 書かずに結果だけ載せると、 事前登録の意味が消える。
4. 公開データを使う場合は
   SSDSE のように誰でも見られるデータでは、 「まだ見ていない」ことを示せない。 その限界を明記したうえで、 分析計画を先に公開しておく。

事前登録は「あとから物語を作らない」ための仕組み。 結果が予想と違ったときこそ、 先に書いた計画が結論を守ってくれる。