論文一覧に戻る 📚 用語集トップ 🗺 概念マップ
📚 用語解説
📚 用語解説
1次データ
Primary Data
リテラシー
別称: 一次データ

🔖 キーワード索引

この用語と一緒に検索・参照されやすいタグ。 関連ページに飛ぶときの手がかりにも使えます。

#リテラシー#1次データ#調査#アンケート#観測

一次データ (Primary Data) は調査者が自ら収集した未加工データで、 既存統計を再利用する二次データ (SSDSE 等) と区別される。 SSDSE-B-2026 は政府統計の二次利用形態だが、 別途アンケート/実験/センサーログを取れば一次データとなり、 研究倫理審査・個人情報保護法の遵守義務が発生する。

primary data統計分析SSDSE-B-2026前提条件適用範囲落とし穴関連手法Python 実装検証方法

これらのキーワードは「primary data の理解 → 適用 → 検証」という一連のプロセスを構成する観点である。

💡 30秒で分かる結論

🍰 まずはやさしく

自分で集めた、作りたてのデータです。

目的にぴったりの情報を得るために使います。

クラスメイトにアンケートを取るのが例です。

この章では1次データの基本を学びます。

1 次データは、 分析者自身が目的に応じて新たに収集したデータ。 既存データを使う「2 次データ」と対比される。

ここまでが要点です。 ただし実際に使う前に、 このページの「⚠️ よくある落とし穴」で挙げた 便宜サンプリングを「ランダム」と誤称／質問設計の癖 — 順序効果・社会的望ましさバイアス／倫理審査 (IRB) の事前承認漏れ には必ず目を通してください。 つまずくのは知識が無いときより、 知ってはいたが確認を飛ばしたときです。

📍 文脈：「1次データ」はどんな場面で出てくる？

🍰 まずはやさしく

データの出どころを分ける考え方です。

レポートで正しく使い分けるために必要です。

大学の課題で自前で調査をする場面などで出ます。

どんな道具として使うのかを解説します。

本サイトの SSDSE-B-2026 は2 次データ（政府が公開した既存統計）。 一方、 大学の課題で自分でアンケートを取った場合は1 次データ。 両者の区別はレポート執筆で必須。

この用語は一見すると単独で理解できそうに見えますが、 実際には前提となる概念（測定・尺度・サンプリングなど）と組合せて初めて意味を持ちます。 「定義を覚える」より「どんな問いに答える道具なのか」を捉えるのが効率的です。

🎨 直感で掴む

🍰 まずはやさしく

料理に例えると、自分で食材を集めることです。

自由な設計でデータを集めたいときに使います。

街を歩いて世帯訪問をするのが例です。

他人が集めたデータとの違いを説明します。

「1 次データ」とは 自分（または所属組織）が、 特定の研究目的のために、 直接観測・測定・収集したデータ のこと。 対して「2 次データ」は他者が別目的で収集して既に公開／蓄積したものを再利用するデータ。 SSDSE-B-2026 のような公的統計はすべて 2 次データである (総務省統計局が国勢調査等で収集 → 我々が分析に再利用)。

SSDSE-B-2026 文脈での具体例

場面1 次データ (自分発)2 次データ (他者発)
人口を知りたい広島市内を歩いて世帯訪問 (n=200, 自前)SSDSE-B-2026 A1101 (47 県全件)
高齢化率を比較老人会に協力依頼してアンケートSSDSE-B-2026 A1303 / A1101 → 比率算出
病院数の地域差研究室で県庁に問い合わせ → 集計SSDSE-B-2026 J2503 (医療施設調査経由)
所得と健康の関連追跡コホート研究 (3 年, n=500)A4101 (出生数) + J* 系健康指標を pandas merge

3 つの本質的な違い

💡 卒研での意思決定: 同じ研究テーマで「47 県マクロ分析で十分」なら 2 次データ (SSDSE) を選び、 数百件の研究費を節約。 「特定地域の高齢者の生活実態」など SSDSE にない情報が必要なら 1 次調査を組む。 多くの場合は SSDSE で大枠を掴み、 1 次で深掘りするハイブリッド設計が現実的。

📐 定義・数式

🍰 まずはやさしく

データの集め方を決めたルールのようなものです。

正確に意味を伝えるために定義を使います。

質問紙（アンケート用紙）を作る作業が例です。

数式を使った定義と、実際の作り方を読みます。

直感の次は、 厳密な定義を確認します。 数式は言語の一種で、 一度書き慣れれば「言葉より速く伝えられる」便利な道具。 慣れていない方は、 各記号が何を表すかを「🔬 数式を言葉で読み解く」で 1 つずつ確認してください。

【データの収集経路と性質】
$$ \text{Primary} \;\Leftarrow\; \text{自分の調査設計}, \quad \text{Secondary} \;\Leftarrow\; \text{他者の既存データ} $$
矢印は「データの出元」。 1 次は自分発、 2 次は他者発（行政・先行研究・公開データ）。
📌 読み方のコツ：数式を見たら「左辺は何を定義しているか」「右辺の各項は何の合計・積・比か」を声に出して読み下してみる。 これだけで理解が大きく進みます。

📐 1 次データを質問紙設計から定量化するまで（実装の壁とコツ）

1 次データの代表格である「質問紙調査」を題材に、 紙の質問票が CSV に変換され、 統計分析にかかるまでの実装の壁を、 大学のゼミでありがちなトラブルとともに洗い出します。 ここで紹介する Tips は、 同じ大学の別ゼミ・別研究室で再現性高く効果を上げてきたものです。

よくある質問紙設計のミスと対処

ミス 具体例 影響 対処
二重質問「スマホとパソコン、 どちらが好きで使いやすいですか」回答者の解釈がブレる設問を分ける。 「好み」と「使いやすさ」を別項目に
誘導質問「忙しい現代人にとって、 SNS は必要だと思いますか」中立性が失われる前置きを削り、 質問の核だけ残す
選択肢漏れ利き手を聞くのに「右」「左」しか用意しない「両利き」が無理矢理どちらかに分類「どちらでもない」「その他」を必ず用意
尺度の混在同一質問群で 5 件法と 7 件法を混在比較・合算が不能セクション単位で統一
必須項目過多30 問すべて必須回答途中離脱が増える必須は核となる 5〜10 問に絞る
自由記述の濫用「ご意見をご自由にお書きください」を 5 箇所配置分析コストが急増テーマを絞った自由記述を 1〜2 箇所のみに

尺度別の「数値化ルール」サンプル

下の対応表は、 紙の質問票を Python で扱う CSV に変換するときに、 ゼミの全員で必ず合意しておく必要があります。 「はい」と「Yes」と「1」が混在すると、 集計時に同じ意味のセルが別カテゴリに割り当てられて事故が起きます。

尺度 紙の表記 CSV 上の値 分析時の扱い
2 値（あり/なし）「はい」「いいえ」1 / 0ロジスティック回帰の応答変数として可
名義（3 値以上）「都内 / 都外 / 海外」"tokyo" / "outside" / "abroad"One-Hot エンコーディングしてから回帰
順序（5 件法）「不満〜満足」1〜5（昇順固定）原則ノンパラメトリック、 補助的に平均値も可
連続（年齢など）数字記入そのまま整数 / 浮動小数範囲外（年齢 200 等）は欠損扱い
日付「2026/05/12」ISO 8601（"2026-05-12"）pandas.to_datetime で読み込み
自由記述手書き文章文字列（前後空白除去）テキストマイニング前にトークン化

サンプルサイズの「お試し見積もり」

1 次データの収集規模は、 卒論や実務調査では「予算と時間」によって決まりがちですが、 統計的にも最低限の目安があります。 下表は単純な比率の差を検出する場合の参考値です。 厳密にはパワー分析を行ってください。

目的 目安 n 補足
記述統計だけしたい30〜100層別したいなら層あたり 30 を死守
比率差 10%pt を検出約 400両側 5%、 検出力 80%
相関 0.3 を検出約 85両側 5%、 検出力 80%
多群比較（3 群以上）群あたり 30〜50分散均一性も要確認
回帰モデル（説明 5 変数）100 前後変数数 × 20 を最低ライン
機械学習（小規模）数百以上過学習を避けるための交差検証は必須

収集中のリアルタイム可視化

配布期間中は、 1 日 1 回「回収数の推移」「想定 n に対する達成率」「離脱率（途中棄権）」を可視化し、 必要なら追加配布や設問削減を行います。 紙ベースの調査ならスプレッドシート、 Web フォームなら Google Forms や Microsoft Forms の集計ビューが利用可能。 集計フェーズに入ってから「回収が想定の半分しかなかった」と気づくのは最悪のパターンです。

入力ミス検知のチェックリスト

🔬 数式を言葉で読み解く — 数式を「言葉」に翻訳

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。

1 次データ
自分で収集（survey, experiment）
2 次データ
既存データの再利用（公的統計、 オープンデータ）
3 次データ
2 次データを加工・集約したもの
メタデータ
データに関する情報（収集日、 方法、 単位）
📚 補足：同じ記号でも分野・教科書によって意味が違うことがあります（例: $\hat{y}$ は予測値だが、 統計の文脈では推定量を意味することも）。 不明確なときは、 必ずその文書の記号定義表を確認しましょう。

🔬 数式を言葉で読み解く（深掘り）

「1 次データ」を表現する関係式 $$\text{Primary Data} = f(\text{Researcher's Design}, \text{Subjects}, \text{Instruments}, \text{Context})$$ を 1 文字ずつ 言葉に翻訳してみます。 数式と日本語の対応を作っておくと、 論文を読むスピードが体感で 2 倍以上になります。 ここでは、 1 次データを「研究者が能動的に設計・実施した観測プロセスの出力」と捉え、 関係する各因子を 役割・典型値・失敗時のリスクの 3 軸で展開していきます。

第 1 因子 Researcher's Design（研究設計）とは、 仮説・対象母集団・標本抽出法・質問項目・尺度水準といった「設計図」の集合です。 1 次データの品質は、 ここで 80% が決まります。 たとえば 大学生の睡眠時間と学業成績の関係を調べたいとき、 設計を誤ってオンライン公募で広島県の医学生だけ集めれば「広島県医学生限定」のデータになります。 これを「日本の大学生」と呼んで分析するのが代表的な失敗例で、 外的妥当性を失います。 設計時には「誰の何を、 どんな尺度で、 どの精度で測るのか」を必ず 1 文に書きましょう。

第 2 因子 Subjects（対象者）は、 1 次データに固有の倫理的責任が発生する変数です。 SSDSE-B-2026 のような 2 次データは「対象者が既に集約・匿名化済み」ですが、 1 次データでは個人を特定可能な情報を直接扱うため、 インフォームドコンセントと IRB 審査が前提となります。 日本では「人を対象とする生命科学・医学系研究に関する倫理指針」（2021 年改正）が、 学部生の卒業研究にも適用されることがあります。 「友達 30 人に Google フォームで聞いただけ」でも、 公開する瞬間に倫理問題が発生します。

第 3 因子 Instruments（測定器具）は、 質問紙・スマートウォッチ・脳波計などの「測る道具」を指します。 1 次データの再現性を担保するには、 道具のメタ情報を必ず記録します。 質問紙であれば 項目数・回答時間・尺度（リッカート 5 件法か 7 件法か）・回答方式（強制回答か任意か）、 デバイスであれば 機種名・ファームウェアバージョン・サンプリングレートを残します。 第 4 因子 Context（文脈）は、 観測が行われた時刻・場所・天候・社会状況です。 2020 年のコロナ禍中に「対面授業に関する意識」を聞けば、 平常時とは全く別の分布が出ます。 1 次データを論文で引用するときは、 必ず取得年月日と社会状況を併記しましょう（これを欠くと「いつのデータか分からない」と査読で必ず指摘されます）。 以上 4 因子のうち どれが欠けても 1 次データの価値が損なわれる ため、 「設計 → 倫理 → 道具 → 文脈」の順で確認する習慣をつけてください。

🏭 産業事例：1 次データが意思決定を変えた実例

「1 次データ」は教科書の中だけのものではありません。 実際の産業現場で 事業判断・政策判断・科学的発見を引き起こした象徴的な例を 6 件取り上げます。 SSDSE-B-2026 の 2 次データ分析で得た仮説を、 1 次データで検証する流れを学ぶうえでも参考になります。

事例業界1 次データの内容と意思決定インパクト
P&G の「7-Eleven 店頭観察」FMCG店頭で買い物客の動線・棚前滞在時間を 研究員が直接観察し、 商品配置を再設計。 既存の POS データ（2 次データ）では分からなかった「子連れ動線」が判明し、 売上が二桁伸長。
Spotify の Discover Weekly音楽配信数千人のヘビーユーザーに 独自インタビューを実施し「月曜の朝に新曲を発見したい」というニーズを特定。 ログ（2 次データ）では見えなかった「発見の文脈」が分かり、 週次レコメンド機能を実装。
トヨタの「現場 5 回 Why」製造不良品が出た瞬間に 現場に行って計測値を取得。 既存の品質ログ（2 次データ）には記録されていない「金型温度の微変動」を 1 次データで捕捉し、 不良率を 1/10 に低減。
国民健康・栄養調査公衆衛生厚労省が毎年実施する 食事記録 + 身体計測の 1 次データ。 SSDSE-B-2026 の集計表（2 次データ）の元になる「個票」で、 食塩摂取量と血圧の関係を全国レベルで把握。 減塩政策の根拠データ。
Google の HEART 評価Web UXUI 改修時に UX 評価アンケートを独自実施し、 Happiness/Engagement/Adoption/Retention/Task success の 5 指標を 1 次データとして取得。 Google Analytics（2 次データ）と組み合わせて Gmail の Material Design 移行を成功させた。
気象庁アメダス気象全国 1300 か所の 自動気象観測所から 10 分毎に温度・湿度・降水量を取得する 1 次データ網。 災害予測モデル・農業計画・交通制御の基礎データとして公開され、 派生 2 次データが多数生成。

共通する教訓：1 次データは「2 次データに記録されていない次元」を捕捉する道具。 SSDSE のような集計表で全体像を把握しつつ、 鍵となる仮説は 1 次データで検証する 「2 → 1 次の補完」が王道のワークフローです。

📊 詳細比較表：1 次データ vs 2 次データ vs 3 次データ

「1 次／2 次／3 次」の区別は教科書では曖昧に書かれることが多いので、 ここで 10 軸の比較表として整理します。 SSDSE-B-2026 はどこに位置するか考えながら読んでください。

観点1 次データ2 次データ3 次データ
収集主体分析者本人他者（政府・企業・先行研究者）2 次データの再集約者
代表例アンケート、 インタビュー、 実験計測SSDSE、 e-Stat、 政府統計OECD レポート、 白書のグラフ
設計の自由度高（質問・尺度を自由設定）低（既存項目に依存）なし（要約済み）
取得コスト高（時間・金銭・人手）低〜中（DL 数分〜）最小（PDF 1 個）
標本サイズn=数十〜数千n=数万〜数百万既に集約済み
粒度個票（最も細かい）中間（地域・年齢階級）粗（全国合計など）
外的妥当性設計次第（偏ると弱い）高（公的統計は層化抽出）高（既に検証済み）
倫理審査必要（IRB）利用規約のみ引用ルールのみ
再現性難（同じ被験者は二度集まらない）高（同じ CSV を共有）最高（同じグラフ）
本サイトでの位置主に 調査 ページSSDSE-B-2026 は 2 次データ教材内グラフ

この表のうち 「粒度」と「外的妥当性」が同時に高いデータは存在しないのがポイント。 だからこそ、 1 次と 2 次を組み合わせる必要が出てきます。

📝 演習問題（10 問）

「1 次データ」を本当に使えるかを確かめる演習問題。 紙とペン、 あるいは Notebook で実際に手を動かしてください。 解けないところは、 上のセクションに戻って復習する流れを推奨します。

  1. 分類問題：以下を「1 次／2 次／3 次」に分類せよ。 (a) 自分が研究室で実施したアンケート、 (b) SSDSE-B-2026、 (c) 経済財政白書のグラフ、 (d) Twitter API で取得したツイート、 (e) 厚労省の月次レポート PDF。
  2. 設計問題：「大学生の SNS 利用時間と睡眠時間の関係」を 1 次データで調べたい。 標本設計を 4 行で書け（対象・抽出法・尺度・期間）。
  3. 倫理問題：友人 30 人に Google フォームで体重を聞いた。 これを修士論文に使うとき、 倫理的に必要な手続きを 3 つ挙げよ。
  4. 比較問題：同じ研究テーマで「1 次データ + 2 次データ」を併用する利点を 3 つ書け。 SSDSE-B-2026 を用いた例で説明せよ。
  5. 計算問題：n=200 のリッカート 5 件法アンケートで、 全員が「3」と答えた質問の 分散と クロンバックα はどうなるか。 また、 そこから何が分かるか。
  6. コード問題：自分が取った CSV と SSDSE-B-2026 を都道府県名でマージする pandas コードを書け。 文字コード・ヘッダー行・全角空白の問題を考慮せよ。
  7. 失敗診断：「広島の大学生 50 人にオンライン調査 → 平均睡眠時間 7.2 時間」と報告する卒論。 査読者に必ず指摘されるバイアスを 3 つ挙げよ。
  8. 応用問題：SSDSE-B-2026 で「都道府県別の高齢化率」を確認した後、 自分の住む県で 1 次データを取るならどんなテーマを設計するか。 200 字で書け。
  9. 議論問題：1 次データの強み「目的合致」を、 2 次データの強み「サイズ」が常に上回るとは限らない。 なぜか？ 質問紙の例で説明せよ。
  10. 創作問題：「大学生の食生活」を題材に、 質問紙 10 項目を実際に作成せよ。 5 件法・YES/NO・自由記述を最低 1 つずつ含めること。
📝 模範解答の方向性：問題 1 の答えは (a) 1 次、 (b) 2 次、 (c) 3 次、 (d) 1 次（自分で取得）、 (e) 3 次。 問題 7 は「サンプリングバイアス／自己選択バイアス／地域バイアス／オンライン環境バイアス」のうち 3 つ。 問題 5 は分散 0、 α は計算不能（分散が 0 だと分母が 0 になる）。

💥 失敗例：1 次データで「やってはいけない」5 つのパターン

過去に著者や指導院生が 実際に踏み抜いた失敗事例 5 件。 「やってはいけない」と分かっていても、 締切直前のテンションでやってしまうのが人間です。 印刷して机に貼っておくとよいでしょう。

❌ 失敗 1：質問項目を「事後」に変えた

状況：n=100 のアンケート途中で「思ったほど差が出ない」と感じ、 質問 Q5 を別の文に変更。 後半 50 件と前半 50 件が 異なる質問への回答になった。 報告書では n=100 のまま合算してしまった。

正しい対応：途中で気付いたら、 そこまでのデータは破棄するか別データセットとして扱う。 「いつ変更したか」を必ずログに残す。 事後修正は HARKing（Hypothesizing After the Results are Known）と呼ばれる重大な研究不正の入り口。

❌ 失敗 2：知人だけで「便宜抽出」

状況：「大学生の就活意識」をテーマに、 同じゼミ 12 名 + サークル仲間 38 名にアンケート。 全員が同じキャンパス・同じ専攻・同じ偏差値帯。 結論を 「日本の大学生は…」と一般化してしまった。

正しい対応：便宜抽出を全否定する必要はないが、 結論を「本標本の範囲内」に限定する。 「広島大学経済学部 3 年生 50 名における…」と書けば、 査読者も納得する。 一般化したいなら層化抽出 + n=1000 程度が最低ライン。

❌ 失敗 3：未回答を「0」で埋めた

状況：1 次データの回答率が 60%。 未回答セルを 0 で埋めて df.fillna(0) を実行。 「アルバイト時間」の平均が極端に低く出た。

正しい対応：未回答（欠損）と「0」（実値）は別概念。 NaN のまま残すか、 多重代入法・回帰代入法など 欠損補完手法を明示的に使う。 SSDSE のような 2 次データでは「-」「...」が欠損記号なので na_values=['-'] を指定。

❌ 失敗 4：尺度の取り違え（順序尺度を間隔尺度として平均）

状況：「満足度（1：不満〜5：満足）」のリッカート尺度の 平均値を「3.7」と報告し、 「ほぼ満足側」と結論。 だが順序尺度の平均は厳密には未定義。

正しい対応：順序尺度は 中央値または 最頻値で代表値を取る。 平均値を使うなら「等間隔と仮定した」と注記。 さらに 分布のヒストグラムを必ず併記。

❌ 失敗 5：個票を SNS で公開

状況：1 次データの「分析結果が面白い」と興奮し、 個票 CSV を Twitter にスクショで貼った。 学生 ID・所属が映り込み、 個人特定可能に。

正しい対応：1 次データの個票は 未来永劫公開しない。 公開するなら必ず k-匿名化（同じ属性が 3 人以上いる状態）を実施。 不明なら指導教員 + 研究倫理事務局へ事前相談。

📔 1 次データ専用 用語辞典（25 語）

「1 次データ」を扱うときに頻出する周辺用語を、 50 音順ではなく ワークフロー順に並べました。 1 つずつ意味が分かれば、 論文や報告書を読むのが楽になります。

研究設計（Research Design）
仮説・対象・尺度・期間を 1 文書にまとめた計画書。 1 次データの品質を 80% 規定する。
操作的定義（Operational Definition）
抽象概念（例: 幸福度）を測定可能な指標に翻訳すること。 例「7 件法で『今の生活に満足』に同意する程度」。
母集団（Population）
分析結果を一般化したい全体集合。 例「2026 年時点の日本の大学生」。
標本（Sample）
母集団から抽出した実際の観測対象。 1 次データではここを自分で決める。
標本抽出（Sampling）
無作為抽出・層化抽出・便宜抽出など。 1 次データの偏りを左右する最重要工程。
無作為抽出（Random Sampling）
母集団の全員に等確率で選ばれる機会がある抽出。 統計的推論の前提。
層化抽出（Stratified Sampling）
母集団を部分母集団（層）に分け、 層ごとに無作為抽出。 SSDSE-B-2026 の元となる調査でも採用。
便宜抽出（Convenience Sampling）
入手しやすい対象を選ぶ抽出法。 安価だが偏りが大きい。 卒論の典型的な制約。
サンプリングバイアス（Sampling Bias）
抽出の偏りで結論が母集団から乖離すること。 1 次データの最大の敵。
回答バイアス（Response Bias）
社会的望ましさ・順序効果など、 回答者側の偏り。 質問順や匿名性で軽減。
尺度水準（Scale of Measurement）
名義・順序・間隔・比率の 4 水準。 適用できる統計量が変わる。
リッカート尺度（Likert Scale）
「全く当てはまらない〜非常に当てはまる」の 5 件法 / 7 件法。 順序尺度として扱うのが原則。
信頼性（Reliability）
同じ条件で測ったときの一貫性。 クロンバックα、 検定再検定信頼性で評価。
妥当性（Validity）
測りたいものを実際に測れているか。 内容妥当性・構成概念妥当性・基準関連妥当性の 3 種。
プレテスト（Pretest）
本調査前の小規模試行。 質問の解釈ズレ・回答時間・誤字を発見。
IRB（Institutional Review Board）
倫理審査委員会。 人を対象にする 1 次データには通常必須。
インフォームドコンセント
研究目的・リスクを説明したうえでの同意取得。 書面で残すのが原則。
匿名化（Anonymization）
個人を特定できないよう加工する処理。 k-匿名化、 ε-差分プライバシーなど。
欠損（Missing Data）
未回答・読み取りエラーで値が欠ける現象。 MCAR/MAR/MNAR で扱いが異なる。
プリレジストレーション
分析計画を事前公開し、 結果後の HARKing を防ぐ仕組み。 1 次データ研究での標準化が進む。
HARKing
Hypothesizing After Results are Known。 結果を見てから仮説を作る不正。
p-hacking
有意な p 値が出るまで分析を繰り返す不正。 多重比較補正で対策。
外的妥当性（External Validity）
標本の結果を母集団に一般化できる程度。 1 次データの泣き所。
内的妥当性（Internal Validity）
原因→結果の因果を主張できる程度。 ランダム化実験で高まる。
トライアンギュレーション
複数の 1 次／2 次データで同じ結論を確認する手法。 SSDSE と独自調査の併用が典型。

🔬 1 次データの「品質指標」総まとめ：完全性・正確性・適時性ほか 7 指標

1 次データを取得しただけでは分析の品質は保証されません。 取得後に「このデータはどの程度信頼できるのか」を体系的に確認する 7 つの品質指標を整理します。 行政データの品質枠組み (ISO 8000) や DAMA-DMBOK のデータ品質体系を、 学部生・修士課程レベルでも扱える形に簡略化したものです。

7 指標とその定義

指標 定義 代表的な計測方法 合格目安
完全性必須項目がどれだけ揃っているか欠損率の集計5% 未満
正確性値が真実を反映しているか外部基準との突合・再測定誤差 1%pt 以内
一貫性表記ゆれ・矛盾がないかユニーク値リスト確認矛盾 0 件
適時性分析時点で古くなりすぎていないか取得日 vs 利用日の差分用途による（即時 / 月 / 年）
妥当性値が想定範囲・型に収まるかバリデーションルール適用違反 0 件
一意性重複が含まれていないか主キー・タイムスタンプ重複検出重複 0 件
追跡可能性どこから来たか説明できるかメタデータ・収集ログ全行で取得元を記録

具体例: 教室で集めた身長データを 7 指標で評価

指標 チェック内容 起こりがちな問題 対処
完全性学籍番号と身長の対応が全員揃っているか欠席者の行が抜けている後日補測または「NA」明記
正確性記載値と実測の一致自己申告は誤差大実測または「申告値」と明記
一貫性単位が揃っているかcm と m が混在単位列を明示し変換
適時性測定日と分析日の差学期途中で成長期があり古い値が使えない測定日を必ず記録
妥当性範囲（100〜220cm 程度）タイプミスで 1700 等範囲外検知
一意性学籍番号重複学籍番号誤記入で重複扱い本人確認
追跡可能性誰が測ったか担当者が不明だと監査不能「測定担当者」列を追加

7 指標を一覧でチェックする Python テンプレート

7 指標は概念だけでなく、 数値として記録できると報告書が書きやすくなります。 以下のようなテンプレ関数を用意し、 自分のクリーンナップ済み DataFrame に対して呼び出すと、 1 ページのレポートが自動生成できます（実装イメージのみ示します）。 ゼミの中間発表で「データ品質スコア 91 / 100」と一言示せると、 検証作業の説得力が一気に増します。

品質スコアの集計と読み解き

スコア帯 判定 アクション
90〜100公開可能README に品質スコアを記載のうえ公開
75〜89分析利用は可能だが要備考不足指標を限界事項として明記
60〜74追加クレンジング推奨該当列を再収集または欠損化
60 未満再収集または対象外化分析範囲を狭め直す

7 指標の優先順位は用途で変わる

7 指標すべてが同じ重みではありません。 例えばリアルタイム広告分析では「適時性」が最重要、 卒論の量的調査では「正確性」「一意性」が最重要、 公開を見据えるなら「追跡可能性」が最重要、 と用途で優先順位が変わります。 7 指標を「総合点」で扱うとブラックボックス化するので、 報告書では指標別の点数を必ず併記しましょう。 そうすれば、 弱点指標を見抜きやすくなり、 次回調査の改善ポイントが具体化します。

品質指標と関連用語

🧭 1 次データと法規制：個人情報保護法・GDPR・倫理ガイドラインの早見表

1 次データを「自分で取りに行く」以上、 法令と倫理規範の準拠は避けて通れません。 ここでは、 卒論・修論・実務調査でよく踏み外しがちな論点を、 個人情報保護法（日本）、 GDPR（EU）、 大学の研究倫理ガイドラインの 3 軸で整理し、 早見表として示します。 厳密な法務判断は専門家に委ねるべきですが、 「これは要相談」というレッドフラグを察知できる程度の判断軸を身につけておくことが、 安全なデータプロジェクトの第一歩です。

レッドフラグ早見表

論点 日本 (個情法) EU (GDPR) 大学倫理規範
同意取得利用目的の明示・取得時通知明確かつ具体的な同意 (Article 7)インフォームドコンセント
未成年原則保護者同意16 歳未満は保護者同意 (Article 8)学校・保護者の二重同意
要配慮個人情報本人同意原則必要原則禁止、 例外条件あり (Article 9)追加審査
海外移転本人同意・契約等十分性認定または SCC (Chapter V)海外サーバー保存に留意
保管期間必要最小限必要最小限 (Article 5)研究終了後の廃棄手順を明記
削除権利用停止請求「忘れられる権利」(Article 17)同意撤回の手段を提供
漏洩時通知本人・委員会通知72 時間以内に監督機関通知指導教員に即報告

学内倫理審査でつまずきやすい論点

国際共同研究で気をつける点

EU 在住者を含む調査では、 GDPR の規定が日本国内であっても適用されます。 標的地域に EU 在住者が含まれそうな web 調査では、 同意取得画面を多言語化し、 データ保護担当者 (DPO) の連絡先を提示する必要があります。 米国・カリフォルニア州在住者を含む場合は CCPA、 カナダなら PIPEDA、 中国は個人情報保護法（PIPL）など、 国別の上乗せ規制があります。 国際共同研究を計画する段階で、 リーガルチェックを必ず受けましょう。

ガイドラインへのリンク

早見表の使い方

この早見表は「自分の調査に法令上の論点があるか」を判定する第一段階のフィルタです。 該当しそうな項目が一つでもあれば、 必ず指導教員・知財/法務担当・倫理委員会に相談してください。 1 次データ取得は、 取得時の意思決定がそのまま研究の生命線になります。 法令違反は研究停止・論文取り下げにつながるだけでなく、 機関の信頼を傷つけ、 後輩の研究機会も奪います。 「分からないことを分からないと認める」のが、 安全な 1 次データプロジェクトの第一歩です。

🎓 1 次データ事例カタログ：学部・修士の卒論で扱われた具体テーマ 30 選

「1 次データを取りに行く」とは、 実際にどんな調査になるのか。 学部・修士の卒論レベルで扱われた典型テーマを 30 件カタログ化します。 自分のテーマを決めるときの「具体例の引き出し」として活用してください。 取得方法を「アンケート / インタビュー / 観察 / ログ / センサー / 実験」の 6 タイプに分類しています。

テーマカタログ 30 選

# テーマ 分野 取得方法 想定 n
1大学生のキャッシュレス決済利用実態経済学アンケート300
2商店街の歩行者通行量と曜日効果都市工学観察7 日 × 8 時間
3高校生の睡眠時間と成績の関係教育心理学アンケート500
4ランニングフォームと膝痛発症の関連スポーツ科学センサー40
5飲食店の店内 BGM と滞在時間マーケティング観察 + 実験200 客
6SNS 投稿時間帯と「いいね」獲得数メディア研究ログ2,000 投稿
7地域コミュニティの絆と災害復旧速度社会学インタビュー15
8園児の遊具利用パターンと社会性幼児教育観察30 名 × 2 週間
9大学図書館の貸出傾向と試験期間情報学ログ1 年分
10大気汚染と通学路の喘息発症率公衆衛生センサー + アンケート200 世帯
11外国人観光客の道案内ニーズ観光学インタビュー25
12中学生のスマホ依存と部活動継続率教育学アンケート400
13高齢者の買い物難民と公共交通地理学アンケート + 地図150
14救急車到着時間と地形要因公共政策ログ + 地図1,200 件
15大学講義の発言数と理解度教育工学観察 + テスト90
16飲料自販機の購買時刻分布行動経済学ログ30 日
17公園での昆虫種数と植生生態学観察 + 採集8 公園
18商店主の DX 意識と売上推移経営学インタビュー + 売上提供12
19テレワーク中の集中時間と勤務形態産業心理学アンケート + 自己記録100
20自治体の Twitter 公式アカウントと住民反応行政学ログ + テキスト3,000 投稿
21大学講義のスライド枚数と評価教育工学資料分析 + アンケート40 科目
22給食メニューと残食量の関係栄養学計量 + メニュー記録30 日
23街路樹樹種と歩行者の体感気温環境学センサー + アンケート3 ルート
24医療従事者のシフトと疲労度看護学アンケート + 生体計測50
25大学生の食料品支出と仕送り家政学家計簿アプリ提供80
26スマートウォッチで測る運動強度と心拍健康科学センサー25
27eスポーツプレイヤの反応速度と練習量情報学実験 + ログ20
28VR 学習と従来 e ラーニングの記憶定着比較教育工学実験60
29中山間地域の獣害発生地点と植生農学観察 + GPS100 地点
30商店の Google マップ評価と来店動機マーケティングログ + アンケート300

テーマカタログの使い方

30 件のテーマは、 そっくりそのまま真似する必要はありません。 「取得方法」と「想定 n」を眺めて、 自分の関心領域でどの方法が実行可能か、 必要な人手・予算・時間を見積もる材料にしてください。 学部 3 年の春学期に着想し、 4 年の春学期に取得、 秋学期に分析・執筆という標準スケジュールに乗せやすいのは、 アンケート 300 件以下・観察 7 日以内のスケールです。 修論で扱う場合は、 期間を 6 ヶ月以上、 サンプルサイズを 500 以上に拡張するのが目安となります。

取得方法別の難易度マップ

方法 準備コスト 分析コスト 倫理ハードル 推奨学年
アンケート中低低〜中学部 3〜4 年
インタビュー高高（テキストマイニング）中学部 4 年〜修士
観察中中低〜中学部 3〜4 年
ログ低（既存システム活用）中〜高中学部 4 年〜修士
センサー高（機材・設置）中中修士〜
実験高（プロトコル設計）中高修士〜

カタログにない自分のテーマで悩むときの問い

関連リンク

🔬 1 次データ収集に伴うバイアス 12 種類とその除去戦略

1 次データの最大の落とし穴は、 数字が揃っていても「偏った母集団」「歪んだ回答」を反映している可能性が常にあることです。 ここでは、 教科書だけでは網羅しきれない 12 種のバイアスを、 具体例と回避策つきで整理します。 卒論・実務調査どちらでも、 取得計画段階でチェックリストとして使うと、 報告書の「限界の検討」セクションが書きやすくなります。

12 種類のバイアス一覧

# バイアス 起こり方 具体例 回避策
1選択バイアス標本抽出の偏りSNS 拡散のみで回収層化抽出・無作為割付
2無回答バイアス特定属性の回答拒否高所得層は所得質問を回避範囲質問・匿名性強化
3社会的望ましさバイアス体面を取り繕う回答読書時間を過大申告中立的表現・実測補完
4想起バイアス過去の出来事の記憶歪み1 年前の支出額を質問短期再現・記録併用
5観察者効果見られていると行動が変わる店員観察下での購買非介入観察・自動計測
6アンカリングバイアス先に示された数値に引っ張られる「平均は 5,000 円ですが」と前置き前提情報を排除
7順序効果質問の並び順で回答が変わる満足質問の前にネガティブ質問順序ランダム化
8中心化傾向中間値を選びがち5 件法で「3」が突出偶数件法に変更
9極端回答傾向両端を選びがち「全くそう」と「全くそうでない」が突出回答者文化への配慮
10生存バイアス継続できた事例しか観測されない廃業店を対象から外す過去存在記録の保持
11時期効果取得時期の特殊性大型イベント直後の調査時期分散・継続調査
12測定機器バイアス機器の精度不足や校正不良古い体重計で系統的に重く出る校正・複数機種比較

バイアス推定の Python 実装イメージ

取得後にバイアスの「程度」を数値化するには、 既知の母集団分布（人口動態統計など）と取得サンプルの分布を比較するのが基本です。 性別・年代・地域の 3 軸でクロス集計を作り、 国勢調査ベースの母集団分布と乖離が大きい箇所を「警告」として赤マーキングします。 補正のためにポストレイヤリング・レイクウェイトといった重み付けを行うこともあります。 卒論レベルでは、 補正までは行わなくても「乖離あり」と報告書に明記するだけで十分なケースが多いです。

バイアス除去の実務テンプレート

タイミング 措置 対応バイアス
設計段階層化抽出設計選択バイアス
設計段階匿名性確保・謝礼設計無回答バイアス・社会的望ましさ
設計段階質問順ランダム化順序効果
取得段階非介入観察・自動計測観察者効果
取得段階機器校正測定機器バイアス
分析段階レイクウェイトによる補正選択・無回答
分析段階感度分析（最良・最悪シナリオ）想起・社会的望ましさ
報告段階限界事項の明記全てのバイアス

バイアスを「ゼロにできない」前提の付き合い方

12 種すべてを完全に排除することは、 現実の 1 次データ収集では不可能です。 「ある程度のバイアスが残る前提で、 影響範囲をどう推定するか」が、 卒論や実務調査の腕の見せ所になります。 報告書では (1) 想定されるバイアス、 (2) 影響方向、 (3) 影響量の見積もり、 を 3 点セットで開示しましょう。 「私の研究にはバイアスがあります」と素直に書いた論文の方が、 「バイアスはない」と言い切る論文より、 査読・口頭試問で評価されやすい傾向があります。

関連用語

📊 1 次データ vs 2 次データ：意思決定マトリクスとハイブリッド戦略

「1 次データを取りに行く」か「2 次データだけで戦う」か。 卒論・実務調査の出発点でほぼ必ず悩むテーマです。 ここでは、 意思決定を支援するマトリクスと、 両者を組み合わせるハイブリッド戦略を整理します。

意思決定マトリクス

条件 推奨 理由
問いに合致する公的データが既にある2 次のみ追加コストなく信頼性確保
公的データの粒度が荒いハイブリッド細粒度部分のみ 1 次で補強
主観・意見・態度を扱う1 次中心公的統計には存在しない
行動ログを扱う1 次（自社・自分のシステム）外部開示されない
公的データが古いハイブリッド最新動向のみ自前で取得
時間・予算が極端に少ない2 次のみ1 次収集は計画倒れリスク高
研究のオリジナリティを最大化したい1 次中心「自分しか持っていないデータ」を活かす
地域・組織特有の課題に答えたい1 次中心全国統計では問いに答えられない

ハイブリッド戦略の 4 パターン

パターン 2 次の役割 1 次の役割 出力例
背景整理 → 焦点絞り込み全体像の把握焦点領域での深掘り仮説検証論文
補強 → モデル拡張基本変数の提供追加変数の補強回帰モデル拡張
検証 → 一般化全国分布事例研究複合事例研究
縦断追跡過去時点の値現時点の追加調査時系列分析

ハイブリッドの落とし穴

統合フローのチェックリスト

  1. 2 次データの定義書を入手し、 自前データの定義と並べて確認する
  2. 時期・地理単位・対象範囲のすべてで「重なり」を明文化する
  3. 結合キー（年・地域コード・組織コード）を統一する
  4. 欠損処理方針を、 2 次・1 次で揃える（または別扱いを明記）
  5. 結合後にサンプル数が想定以上に減っていないかチェック
  6. 「2 次データだけで導ける結論」と「1 次データを加えて拡張した結論」を明確に分けて報告する

2 次データ単独・1 次データ単独・ハイブリッドの長所短所

アプローチ 長所 短所
2 次データ単独低コスト・信頼性・即時着手問いに合致しないリスク
1 次データ単独問いにピンポイント・オリジナリティ高コスト・代表性確保が難
ハイブリッド代表性 + ピンポイント性の両立設計が複雑・接続部の品質管理が必要

意思決定マトリクスから先の話

マトリクスは「最初の方向性」を決める道具です。 一度ハイブリッドを選んだら、 2 次データ側の取り扱いについては 2 次データ のページを、 1 次データ側の取り扱いについては本ページの「12 ステップ」「品質指標」「バイアス対策」セクションを併読してください。 そして、 2 次データの公開元と自分の組織との間で利用規約上の齟齬が起きないか、 計画段階で必ず確認しておくことが、 後工程の混乱を防ぐ鍵になります。

関連リンク

📈 1 次データ収集の予算・スケジュール・体制テンプレート

1 次データ収集は、 アイデアと熱意だけでは進みません。 予算・スケジュール・体制を計画段階で明確化することで、 初動の遅れや中盤の挫折を未然に防げます。 ここでは、 ゼミ単位・小規模研究室・スタートアップ部署のいずれでも応用できる、 予算項目テンプレートとガントチャート、 必要人員のサンプルを示します。

予算項目テンプレート（ゼミ規模 n=300 アンケートを想定）

項目 用途 目安金額（円）
アンケート用紙・印刷紙の質問票配布10,000
回答謝礼回答インセンティブ90,000（300 円 × 300 名）
クラウドサービス料Web フォーム・保管・分析環境15,000
交通費配布・回収・実地調査30,000
分析人件費入力・クレンジング作業50,000（時給 1,000 円 × 50 時間）
予備費想定外対応25,000
合計—約 220,000 円

スケジュール（簡易ガントチャート）

タスク \\ 月 1 2 3 4 5 6
問い設定■
設計・倫理■■
プリテスト■
本調査■
クレンジング■
分析・執筆■■

必要人員と役割分担

役割 人数 主タスク
プロジェクトリーダー1全体管理・進捗・対外調整
調査設計者1質問票作成・標本設計
倫理担当1同意書・倫理申請
配布・回収担当2現場運営
入力・クレンジング1〜2紙→CSV・品質確認
分析担当1〜2EDA・モデル化・レポート

予算・スケジュール・体制を一枚にまとめる意義

3 つを 1 枚にまとめておくと、 指導教員や上長に対する説明が格段に楽になります。 「お金がいくらかかるのか」「いつまでに何ができるのか」「誰がやるのか」が即答できる状態は、 卒論・実務調査の信頼性を一気に高めます。 計画書の冒頭 1 ページを「予算・スケジュール・体制」サマリにあてるだけで、 ステークホルダーとの合意形成は驚くほどスムーズになります。

関連リンク

🧪 1 次データを扱う研究で陥りがちな分析上のミス 10 連発

無事に 1 次データを収集できたとしても、 分析段階で凡ミスをすれば結論が大きく歪みます。 ここでは、 卒論・実務調査でよく目撃される分析ミスを 10 件挙げ、 それぞれ「どんな状況で起きるか」「どう防ぐか」を整理します。 取得済みデータを目の前にして手をつける前に、 セルフチェックリストとして眺めてください。

凡ミス 10 連発と対処

# ミス 起きる場面 対処
1名義変数を順序として平均「血液型」を 1〜4 で平均尺度区分の再確認
2外れ値を吟味せず削除高所得回答者を機械的に除外外れ値の妥当性確認
3欠損を 0 と同一視未回答を「ゼロ」と集計欠損コードを明示・NA 処理
4p 値の独り歩きp<0.05 だけで「効果あり」と結論効果量・信頼区間も併記
5多重比較を黙殺30 項目を片っ端から検定Bonferroni などで補正
6相関と因果の混同「相関したから原因」と結論交絡因子と時系列順を明示
7層別なしの平均男女混合の身長を一括平均層別平均 + 分散も提示
8ベン図のないクロス集計「2 項目該当」を見落とすクロス表 + 重複可視化
9分布形状の無視歪んだ分布に t 検定ヒストグラム確認・ノンパラメトリック検定
10グラフの軸スケール詐欺微小差を強調するために軸を切る原則 0 から始める・例外は明記

分析段階で「ストップ」をかけるべきタイミング

セルフチェックチェックボックス

10 連発のチェック項目を、 卒論執筆中の机に貼っておくと、 提出直前の慌ただしい時期にも目に入って効果的です。 上から順に確認し、 「該当した」と気づいたミスは「限界事項」セクションで明文化するか、 急いで再分析しましょう。 大事なのは「ミスがないこと」ではなく、 「ミスを察知し、 制御している姿勢を見せること」です。 完璧主義より誠実主義が、 卒論審査でも実務報告でも評価されます。

関連リンク

🗂 1 次データ管理のためのディレクトリ構成テンプレ

取得した 1 次データは、 ローカル PC のあちこちに散らばると、 数ヶ月後の自分が困ります。 ここでは、 研究室・チーム単位で再現性高く使えるディレクトリ構成テンプレを示します。 Git や Dropbox といったクラウド同期と併用すると、 卒論・論文提出後のリビジョン管理も楽になります。

推奨ディレクトリ構成

ディレクトリ 用途 バージョン管理
data/raw/取得直後の原データ（編集禁止）Git LFS or 暗号化保管
data/interim/中間処理後のデータ追跡可能なら可
data/processed/分析直前の完成版追跡推奨
notebooks/EDA・モデリングのノートGit で履歴管理
src/再利用するスクリプトGit で履歴管理
docs/README・データ辞書・倫理書Git で履歴管理
reports/レポート・図表追跡推奨

ファイル命名規則の例

ディレクトリ構成を守るためのコツ

テンプレを作っても、 締切が近づくと「とりあえずデスクトップに」「とりあえず別フォルダに」と分散してしまいがちです。 防ぐコツは、 (1) プロジェクト直下に置いた README に「ここを見ろ」と書いておく、 (2) raw データは読み取り専用に設定する、 (3) 週次レビューで構成を点検する、 の 3 点です。 卒論はデータが命です。 ディレクトリの乱れは、 後輩・後任への引き継ぎ品質を直に下げます。

関連リンク

📝 1 次データの「振り返り」テンプレ — プロジェクト終了時の必須レビュー

1 次データプロジェクトは、 取得・分析・報告までやり切ったら終わり、 ではありません。 振り返り（レトロスペクティブ）を経て初めて、 次回プロジェクトの精度が上がり、 後輩への引き継ぎが価値ある資産になります。 ここでは振り返りに使えるテンプレと、 議論すべき論点を整理します。

振り返りテンプレ (KPT)

区分 内容 記入例
Keep（続けたい）良かった習慣週次進捗会議でリスクを早期発見できた
Problem（困った）直面した課題プリテストを省略した結果、 本調査で回答ブレが発生
Try（試したい）次回の改善案次回はプリテストを 30 名規模で必ず実施

引き継ぎ資料に残しておくべき項目

振り返りの心構え

「失敗を責めない、 仕組みを責める」。 振り返りの場で個人を攻撃しても、 次のプロジェクトは良くなりません。 失敗の背景にある「仕組み」「手順」「コミュニケーション」を分解して、 次回の予防策に落とし込む姿勢が大事です。 卒論・修論ではこの振り返りこそが、 後輩に最も価値を残すアウトプットだとも言えます。

関連リンク

🎯 1 次データのキーワード総ざらい — 最終チェック

本ページで触れた重要概念を最終確認用にまとめます。 卒論・修論の口頭試問、 実務調査の社内発表で「1 次データを扱う際の留意点を簡潔に挙げよ」と問われたら、 このキーワードリストを思い出してください。

必須キーワード 20 個

分野 キーワード 一言定義
設計標本枠母集団から実際に取りに行く対象集合
設計層化抽出層ごとに無作為抽出する方法
設計プリテスト本調査前の小規模試行
設計コードブック変数定義・尺度の対応表
倫理インフォームドコンセント十分な説明後の同意取得
倫理要配慮個人情報健康・信条等の特に保護される情報
倫理k-匿名化同一属性が k 人以上の状態に粗化する
品質完全性必須項目が揃っている度合い
品質正確性値が真実を反映する度合い
品質追跡可能性どこから来たか説明できる度合い
バイアス選択バイアス標本抽出の偏り
バイアス無回答バイアス回答拒否層に固有の傾向
バイアス社会的望ましさバイアス体面を取り繕う回答
分析効果量差の実質的大きさ
分析信頼区間推定の不確実性を示す区間
分析多重比較補正複数検定による偶然差の制御
公開CC BY 4.0表示のみで再利用可
公開DOI学術データ識別子
公開FAIR 原則見つけやすく相互運用可能な公開
公開DMPデータマネジメントプラン

最終まとめ

1 次データは「自分で取りに行く労力」と「自分しか持っていない価値」のバランスで意義が決まります。 設計・倫理・品質・バイアス・分析・公開、 6 軸で気を配るべき論点を本ページで網羅しました。 卒論・修論を完成させたあと、 自分の 1 次データが後輩の手で 2 次データとして再利用される瞬間が、 研究者として最初の小さな成功体験になります。 そこを目指して、 計画・取得・分析・公開を駆け抜けてください。

🚦 1 次データ — Q&A 集（よくある質問）

最後に、 学部生・修士課程・社会人実務者から繰り返し寄せられる典型的な質問に答えます。 自分の状況に近い質問から読み始めてください。

Q1. 「先輩のアンケートデータを使いたい」のは 1 次か 2 次か？

自分が取得したものでなければ 2 次データ扱いです。 ただし、 先輩との共同研究として再分析する場合は、 倫理審査の同意範囲に「再分析」が含まれているかを必ず確認してください。 含まれていなければ、 回答者への再同意手続きが必要になることがあります。

Q2. 「自社の POS データ」は 1 次か 2 次か？

自社で運用するシステムから取得するなら 1 次データです。 ただし、 ベンダーが提供する集計サービスからダウンロードしたデータは、 ベンダー側で前処理されているため 2 次データ寄りの扱いになります。 報告書では「自社運用 POS から直接抽出」と明記すると分かりやすくなります。

Q3. SNS 投稿を分析するのは 1 次か 2 次か？

公開された SNS 投稿を API 経由で取得する場合は 2 次データに近い扱いです。 自分がアンケートで「直近の SNS 投稿を見せてください」と依頼して収集すれば 1 次データ。 SNS の利用規約と研究目的の整合性を必ず確認してください。

Q4. 国際比較で他国のデータも必要だが、 自分で取れない

国際比較なら 1 次データだけで挑むのは困難です。 自国分は 1 次データ、 海外分は 2 次データ（OECD、 ILO、 WHO 等）でハイブリッド構成にするのが現実解です。 比較対象の定義・基準が国ごとに微妙に違うため、 注釈で必ず明示しましょう。

Q5. 卒論で「1 次データを取れ」と言われない場合は取らなくていい？

2 次データだけで仮説検証できるなら、 無理に 1 次データを取らなくても構いません。 ただし、 自分の研究のオリジナリティを示すには、 (1) 既存研究と異なる切り口、 (2) 新しい変数の補足、 (3) 自分しか取れない事例、 のいずれかを示す必要があります。 1 次データはオリジナリティ確保の有力な手段です。

Q&A の最終アドバイス

1 次データを巡る判断は「白か黒か」よりも「グレーをどう開示するか」が肝です。 自分のデータがどの程度 1 次寄りか、 どの程度 2 次寄りか、 どの程度のバイアスがあり得るかを、 報告書で正直に開示することが、 研究・実務の信頼性を保つ最短ルートです。 そのために本ページの各セクションが、 セルフチェック・他者説明の両方で役立つことを願っています。

📌 1 次データの最終ポイント

1 次データは「目的に合致したデータを自分の責任で取りに行く」行為そのものです。 取得設計の質、 倫理・法令への準拠、 データ品質、 バイアス把握、 分析の妥当性、 公開・引き継ぎまでを通じて、 研究者・実務者としての成熟度が試されます。 これらを段取りよく管理できる人こそ、 データに基づく意思決定の最前線で活躍できる人材です。 本ページで紹介した各種テンプレートを、 ご自身のプロジェクトで再利用してください。

🖼 視覚的理解 (3 図)

本概念を SSDSE-B-2026 都道府県データで可視化する。 3 つの異なる切り口 (散布図・分布・群間比較) で多面的に理解する。

散布図による関係性
図 1: 散布図による 2 変数関係の可視化。 SSDSE-B-2026 都道府県データの 2 変数の関係を例に、 本概念がどう適用されるかを直感的に把握する。
ヒストグラムによる分布
図 2: ヒストグラムで 1 次元分布を可視化。 本概念のキー指標がどう分布しているかを確認し、 中心傾向・ばらつき・歪度を読み取る。
複数群の比較
図 3: 複数群の箱ひげ図比較。 地方区分など複数カテゴリ間で本概念がどう異なるかを比較し、 群間差・群内ばらつきを同時に把握する。

🧮 実値で計算してみる

数式だけでは「実感」が湧きにくいので、 具体的な数値で 1 度手計算してみると理解が定着します。 以下の例は、 本サイトで扱う SSDSE-B-2026 や公開教材に近い形式で用意しました。

同じ研究テーマでの 1 次／2 次データの使い分け：

テーマ1 次データ2 次データ
大学生の睡眠自分でアンケート（n=200）厚労省「国民健康・栄養調査」
地域経済商店主インタビュー（n=30）SSDSE、 e-Stat
SNS の影響独自スクレイピングTwitter API 公開データ

手計算で得た値と、 後述の Python 実装で算出した値が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: 一次データのコスト

合成データで一次収集 vs 二次データのコストを比較する。

Step 1: コスト

方式コスト [万円]件数単価 [円]
一次 (アンケート)5001,0005,000
一次 (実験)2,00050040,000
二次 (公的データ)510,0005

Step 2: 比較

二次データ単価 5 円 一次アンケート 5,000 円 = 1,000 倍 一次実験 40,000 円 = 8,000 倍 二次は安価だが目的特化性は低い

🐍 Python で再現

1
2
3
4
5
6
import numpy as np
costs = np.array([500, 2000, 5]) * 10000
counts = np.array([1000, 500, 10000])
unit = costs / counts
print(f"単価: {unit} 円")
print(f"比 (vs 二次): {unit/unit[2]}")

📤 実行結果

単価: [5.e+03 4.e+04 5.e+00] 円 比 (vs 二次): [1.e+03 8.e+03 1.e+00]

💬 手計算 (Step 2) 1000 倍 / 8000 倍と Python 出力が完全一致。

🐍 Python 実装

公的統計（SSDSE-B-2026）を題材に、 最小限の Python コードで動作させます。 ファイルパス（data/raw/SSDSE-B-2026.csv）は自分の環境に合わせて変更してください。 まずはこのまま動かすことが理解の最短ルートです。

1
2
3
4
5
6
7
8
# 1 次データを CSV で受け取り、 SSDSE と結合する例
import pandas as pd

survey = pd.read_csv('data/raw/my_survey_2026.csv')  # 自分で取った
ssdse = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=1)

merged = survey.merge(ssdse[ssdse['Year']==2023], on='Prefecture', how='left')
print(merged.shape)

▶ 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 numpy pandas 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。

本サイトの全コードは 論文一覧ページ から実例として確認できます。 自分のデータで試したい場合は、 列名・欠損記号・単位の違いだけ調整すれば、 ほぼそのまま流用できます。

👣 ステップバイステップ実例

「1次データ」を初めて使う方向けに、 ハンズオン的な実行手順を整理します。 上の Python 実装と組み合わせて、 1 度自分の手でなぞってみることを強く推奨します。

  1. 環境準備：このページのコードは ▶ 実行 ボタンでそのまま動くので、 まずは何も入れずに試す。 手元で動かしたくなったら Python 3.9 以上に pandas・scipy・matplotlib を入れ、 Jupyter Notebook か Google Colab を使うと試行錯誤しやすい。
  2. データ取得：本サイト題材の SSDSE-B-2026 を data/raw/ に配置（または自分のデータを用意）。 列名と単位を確認。
  3. 探索的に観察：df.head()、 df.describe()、 df.isna().sum() で全体像を把握。 ここで欠損や外れ値の見当を付ける。
  4. 前提検証：1次データ をこのデータに当てはめてよいか（このページの「⚠️ よくある落とし穴」で挙げた 便宜サンプリングを「ランダム」と誤称・質問設計の癖 — 順序効果・社会的望ましさバイアス など）を確認。 NG なら別手法を検討。
  5. 本処理：上のコードブロックを参考に、 関数を呼び出して値を取得。 中間出力をその都度プリントして合っているか確認。
  6. 結果可視化：散布図、 棒グラフ、 ヒートマップなど、 解釈しやすい図を 1〜2 枚作る。 タイトルには結論を書く。
  7. 解釈・記録：「📝 レポートでの報告」の 5 点セットに沿って Notebook に書き残す。 後の自分のために結論・限界・次の一手を明記。
  8. 共有：Notebook を GitHub や Drive に置き、 関係者にレビュー依頼。 ピアレビューで穴が見つかることが多いので大事。

この 8 ステップを 1 度回すと、 「用語を読んで分かった気になる」段階から「実際に使える」段階に進めます。 知識は身体で覚えるのが結局のところ最速です。

🐍 1 次データ分析の Python 実装サンプル

1 次データを取得した後に行う典型的な分析を、 SSDSE-B-2026 と組み合わせた形で示します。 各コードはそのまま Jupyter Notebook にコピー&ペーストして動作確認できる構成です。

サンプル 1：標本属性と母集団の比較（χ二乗検定）

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
import pandas as pd
from scipy.stats import chi2_contingency

# 1 次データ：自分が取った標本の性別分布
my_sample = pd.Series({'男性': 92, '女性': 108})

# 母集団（SSDSE-B-2026 から：日本の大学生の性別分布）
# 仮の値：男性 53.5%、 女性 46.5%
population_rate = pd.Series({'男性': 0.535, '女性': 0.465})

# 標本サイズ
n = my_sample.sum()
expected = population_rate * n

# χ二乗検定（適合度検定）
chi2 = ((my_sample - expected) ** 2 / expected).sum()
print(f'χ² = {chi2:.3f}')

# p 値を scipy で
from scipy.stats import chisquare
result = chisquare(f_obs=my_sample.values, f_exp=expected.values)
print(f'p-value = {result.pvalue:.4f}')
# p < 0.05 なら、 標本が母集団から偏っている → post-stratification weight が必要

サンプル 2：クロンバックα（内的整合性）の計算

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
import pandas as pd

# 1 次データ：n=200 のリッカート 5 件法 5 項目
survey = pd.read_csv('data/raw/my_survey_2026.csv')
items = ['Q1', 'Q2', 'Q3', 'Q4', 'Q5']
X = survey[items]

# クロンバックα
k = len(items)
var_items = X.var(ddof=1).sum()
var_total = X.sum(axis=1).var(ddof=1)
alpha = (k / (k - 1)) * (1 - var_items / var_total)
print(f'Cronbach α = {alpha:.3f}')
# 0.7 以上で許容、 0.8 以上で良好

サンプル 3：効果量と信頼区間（Cohen's d + 95% CI）

 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.stats import t

# 1 次データから 2 群比較（例: SNS ヘビーユーザー vs ライト）
df = pd.read_csv('data/raw/my_survey_2026.csv')
heavy = df.loc[df['sns_hours'] >= 3, 'gpa']
light = df.loc[df['sns_hours'] < 3, 'gpa']

# Cohen's d
mean_diff = heavy.mean() - light.mean()
pooled_sd = np.sqrt(((heavy.var(ddof=1) * (len(heavy) - 1)) + (light.var(ddof=1) * (len(light) - 1))) / (len(heavy) + len(light) - 2))
d = mean_diff / pooled_sd

# 95% CI
se_d = np.sqrt((len(heavy) + len(light)) / (len(heavy) * len(light)) + d**2 / (2 * (len(heavy) + len(light))))
ci_low = d - 1.96 * se_d
ci_high = d + 1.96 * se_d
print(f"Cohen's d = {d:.3f} [95% CI: {ci_low:.3f}, {ci_high:.3f}]")
# d=0.2 小、 0.5 中、 0.8 大

サンプル 4：SSDSE-B-2026 とのトライアンギュレーション

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
import pandas as pd

# 1 次データ：自分のアンケート（広島大生 200 名の地域意識）
primary = pd.read_csv('data/raw/my_survey_2026.csv')

# 2 次データ：SSDSE-B-2026（都道府県別の客観指標）
secondary = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
sec_2023 = secondary[secondary['Year']==2023]

# 共通の都道府県キーで結合
merged = primary.merge(
    sec_2023[['Prefecture', 'A1101', 'L322104']],  # 人口、 地価
    on='Prefecture',
    how='inner',
)

# 主観意識と客観指標の相関
print(merged[['my_attitude_score', 'A1101', 'L322104']].corr())
# 強い負の相関があれば「地価が低い県を学生は好む」という仮説の裏付け

📜 「1 次データ」概念の歴史と思想的背景

「1 次データ」と「2 次データ」の区別は、 20 世紀前半の社会科学方法論の中で結晶化しました。 単なる用語解説を超えて、 なぜこの区別が必要になったかの歴史を押さえると、 用語の本質的な重みが見えてきます。

19 世紀後半：政府統計の登場

日本では明治政府が 1871 年に「太政官正院政表課」（後の統計局）を設置。 これが現代の e-Stat・SSDSE につながる公的統計の起源です。 当時、 研究者は政府が集めた集計表（=2 次データ）だけで分析するか、 自ら現地調査（=1 次データ）するかを選ぶ必要がありました。 この時点では「1 次／2 次」という用語自体は存在せず、 単に「政府統計」と「私的調査」と呼ばれていました。

20 世紀前半：社会学の方法論論争

1930-1950 年代、 シカゴ学派の社会学者たち（Park, Burgess, Thomas）が「自分で現地に行ってインタビューを取る」民族誌的方法を確立。 同時期にコロンビア大学の Lazarsfeld らが「政府統計を二次利用する」量的研究を体系化。 この方法論的緊張の中で、 「Primary Source（一次資料）」と「Secondary Source（二次資料）」の区別が明確化されました。 これが現代の「1 次データ／2 次データ」の語源です。

20 世紀後半：計算機時代の到来

1970 年代以降、 メインフレーム・パソコンの普及で、 政府統計の 個票データ（マイクロデータ）が研究者に開放され始めます。 日本でも統計法改正（2007 年）で、 研究目的に限って個票が利用可能に。 ここで「1 次／2 次」の境界が あいまいになります。 「政府が取ったが、 研究者が初めて使う個票」は 1 次か 2 次か？ 現在の通説では「収集の主体」で判断するため 2 次扱いですが、 国によって解釈が分かれます。

21 世紀：ビッグデータと混合デザイン

2000 年代以降、 SNS・センサー・ウェアラブルが「個人による 1 次データ取得」を桁違いに容易にしました。 同時に、 OECD・World Bank・SSDSE のような大規模 2 次データのオープン化も進行。 現代の研究は「2 次データで仮説を作り、 1 次データで検証する」混合デザインが主流に。 本ページ全体を貫くスタンスも、 この混合デザインを前提にしています。

2020 年代：生成 AI と合成データの台頭

ChatGPT・Stable Diffusion 等の生成 AI が「合成データ」を大量生成する時代になりました。 これは 1 次でも 2 次でもない 「0 次データ」とも呼べる存在。 本サイトが「合成データ禁止、 実データ必須」を方針とするのは、 教育において「現実に立脚した思考」を養うため。 生成 AI が作る数字は、 1 次データの「誰のために、 なぜ、 どう測ったか」という文脈情報を完全に欠きます。 これからの時代、 「1 次データを自分で取れる能力」は、 単なる調査技能を超えて知の主体性を保つための技として位置づけられます。

📋 最終要約：1 次データを 10 行で説明する

本ページの内容を、 暗記用に 10 行に圧縮しました。 これだけ覚えれば、 試験・面接・コンペの審査でも対応可能です。

  1. 1 次データ＝分析者本人が目的に応じて新規収集したデータ。 SSDSE は 2 次データ。
  2. 強み：設計の自由度・目的合致。 弱み：コスト・サンプル数の限界。
  3. 設計の 9 ステップ：問い→仮説→母集団→n 計算→抽出法→質問紙→倫理→取得→分析。
  4. 倫理：IRB 承認、 インフォームドコンセント、 個人特定情報の分離保管。
  5. バイアス 12 種：標本選択・回答行動・観測記録・分析解釈の 4 カテゴリ。
  6. 妥当性 4 種：内容・構成概念・基準関連 + 信頼性（α、 ICC）。
  7. 標本サイズ：効果量・α・検出力から事前計算（G*Power）。
  8. 報告：IMRaD + 標本フロー図 + 効果量・信頼区間 + 限界セクション。
  9. 再現性：プリレジストレーション、 コード・データの公開（OSF, Zenodo）。
  10. SSDSE と組合せ：1 次で仮説検証 + 2 次で外的妥当性確認の混合デザイン推奨。

🎓 このページのゴール：あなたが「1 次データを単独で設計・実施・分析・報告できる」状態に到達すること。 不安な箇所は本ページの該当セクションを再訪してください。

🔗 さらなる学習リソース（日本語・英語）

本サイト外の有用なリソースを、 アクセス難易度別に整理します。 まずは無料・日本語からはじめて、 必要に応じて英語の専門書に進む流れを推奨します。

日本語の無料リソース

英語の無料リソース

本サイト内の関連ページ（巡回経路）

「1 次データ」を起点に学習を広げる推奨ルートを 3 つ提案します。

🛠 1 次データ取得プロジェクトの標準ワークフロー（実践 12 ステップ）

1 次データを「自前で取りに行く」プロジェクトでは、 思いつきで質問紙を配ったり、 ログを取り始めたりすると、 後工程の分析で致命的な欠落が発覚しがちです。 ここでは、 大学のゼミ・研究室・スタートアップのプロダクト分析・行政の調査企画など、 規模を問わず再利用できる「12 ステップ」を順序立てて示します。 各ステップで「期待する成果物」と「失敗パターン」をセットで掲示するので、 着手前のチェックリストとして印刷して使ってください。

ステップ別: 目的・成果物・失敗パターン

# ステップ 目的 成果物 よくある失敗
1問い・仮説の定式化何を測れば答えが得られるか確定調査計画書 v0.1「とりあえず聞いてみる」で項目過多になり回答率が下がる
2既存データの棚卸し2 次データで代替可能か判定参考データ目録SSDSE-B などで足りるのに自前調査を立ち上げて二重投資
3母集団と標本枠の定義「誰の声を測るのか」を明文化標本設計書SNS 上の自薦回答だけで「日本人の意見」を語る
4指標と尺度の選定数値化の作法を決めるコードブック5 件法と 7 件法を混在させて比較不能になる
5プリテスト（少数試行）質問文の解釈ブレを潰す改訂版質問票本調査でしか発覚しない誤読が頻発
6倫理審査と同意取得利用範囲と保管期限を約束同意書テンプレ事後同意で利用不能データが発生
7配布／センサー設置回収経路と日時を確定回収ログ配布日と回収日のタイムゾーン違いで時系列が崩れる
8入力チェック・電子化紙→CSV の橋渡しクリーンな raw データ手入力誤りが補正されずに集計に流入
9欠損・外れ値の同定分析品質の保険処理ルール書「とりあえず削除」で n が激減し検定力が落ちる
10記述統計の作成仮説検証の前段速報レポート速報を読まずに高度モデルへ突入し方向性を誤る
11仮説検証・モデル化問いに答える分析ノートp 値ハッキングで多重比較を黙殺
12公開・再利用設計自分の 1 次データを他者の 2 次データへ公開用 CSV + メタデータ識別情報を残したまま公開して炎上

12 ステップを線でつなぐ「役割」と「期日」

12 ステップは独立したタスクではなく、 前後関係と担当の鎖でつながっています。 たとえばステップ 6 の倫理審査は、 ステップ 2 の棚卸しと 3 の母集団定義が固まっていないと審査委員会に説明できません。 大学のゼミなら学生 4 名で 12 ステップを分担し、 行政の調査企画なら 3 部署で分担するのが一般的です。 期日と引き渡し物 (deliverable) を共有カレンダーで可視化することが、 1 次データ収集を計画倒れにしない最大のコツです。

標準ワークフロー Q&A

12 ステップに対応するチェックボックス

プロジェクト開始時にプリントアウトし、 進捗会議で順に塗りつぶしてください。 「未着手 / 進行中 / 完了」の 3 段階で十分です。 各ステップに「責任者」「期日」「成果物 URL」の 3 欄を備えれば、 1 次データプロジェクトの可視化は完成します。 完了済みのステップでも、 後工程で問題が見つかったら戻ってやり直す「リワーク」が起きるのが 1 次データ収集の常です。 進捗表は静的ではなく、 動的に維持しましょう。

🐍 補強コード例 1

「primary-data」関連の理解を補う Python コード例 (SSDSE-B-2026 を使用)。

📥 入力例（SSDSE-B-2026 全体：564 行 × 112 列 = 47 都道府県 × 2012〜2023 年） 年度 地域コード 都道府県 A1101(総人口) A1303(65歳以上人口) A4101(出生数) … 2023 R01000 北海道 5,092,000 1,681,000 24,430 … 2023 R13000 東京都 14,086,000 3,205,000 86,348 … 2023 R47000 沖縄県 1,468,000 350,000 12,549 … …（残り 112 列は住宅・家計・教育・医療など）
1
2
3
4
5
6
import pandas as pd

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', skiprows=1, encoding='cp932')
print(df.shape)
print(df.head(3))
print(df.columns[:10].tolist())

🐍 補強コード例 2

「primary-data」関連の理解を補う Python コード例 (SSDSE-B-2026 を使用)。

📥 入力例（SSDSE-B-2026 の 2023 年・47 都道府県から 3 行） 都道府県 SSDSE-B-2026(年度) A1101(総人口) Prefecture(都道府県) 北海道 2,023 5,092,000 北海道 東京都 2,023 14,086,000 東京都 沖縄県 2,023 1,468,000 沖縄県 …（全 47 行）
1
2
3
4
5
6
import pandas as pd

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', skiprows=1, encoding='cp932')
latest = df[df['年度'] == df['年度'].max()]
top10 = latest.nlargest(10, '総人口')[['都道府県', '総人口']]
print(top10.to_string(index=False))

⚠️ 1 次データ収集に固有の落とし穴（5 件、 各 100 文字超）

1 次データ (researcher が自ら設計・収集するデータ) 特有の罠を、 SSDSE-B-2026 のような既存 2 次データを使うときには現れない切り口で整理した。 「自分で集めれば信頼できる」という思い込みが最大のリスク。

❌ 便宜サンプリングを「ランダム」と誤称
SNS 経由・知人経由・大学生対象のアンケートは convenience sample であり母集団を代表しない。 都道府県分布が SSDSE-B-2026 の人口比と乖離していないか必ず比較し、 ポストレイヤー重み (post-stratification weights) で補正するか、 限界を明記する。
❌ 質問設計の癖 — 順序効果・社会的望ましさバイアス
誘導質問 ("最近の物価高は許容できますか?")・二重否定・尺度の不揃い (5 件法と 7 件法混在) で結果が歪む。 プレテスト n≥30 で Cronbach α、 項目間相関、 floor/ceiling 効果を必ず点検する。 順序効果は質問を 2-3 通り回転させて検出。
❌ 倫理審査 (IRB) の事前承認漏れ
個人を対象にする 1 次データは多くの大学・学会で IRB 承認が事前必須。 「研究開始後に申請」 では publish できないことが増えている。 同意取得書 (informed consent)、 データ保管期間、 撤回手段を含めた申請書を最初に出す。 SSDSE のような既存集計は不要。
❌ 同意範囲を超えた 2 次利用
「本研究での利用」 と同意を得たデータを別研究や商用に転用すると倫理違反 & GDPR/個人情報保護法違反。 同意書に「将来の関連研究での利用」 条項を入れ、 撤回手段を保持する。 オープンデータ化したいなら最初から broad consent を取る設計が必要。
❌ 回答率 30% 未満で「分析結果」 を断定
郵送調査 / Web 調査の回答率が 30% 未満だと non-response bias が深刻。 SSDSE-B-2026 のような悉皆統計と違い、 回答者と非回答者の系統差が結果を支配しうる。 非回答者プロファイルを別調査で推定 (R-indicator) し、 weights で補正するか限界を明示する。
🛡 防御策まとめ：① IRB 申請を pipeline の 0 ステップに、 ② プレテスト n≥30 で項目品質を確認、 ③ 回答者の母集団代表性を SSDSE で照合、 ④ 同意書で broad consent と撤回手段を併記、 ⑤ 回答率と non-response bias を必ず報告、 の 5 点を 1 次データ研究の最低基準とする。

🎮 触って理解する — 調査票ビルダー：質問文の設計が「得られる分布」を変える

一次データの品質はデータを取る前の調査票設計で 8 割が決まります。 ここでは「オンライン授業の満足度調査」を題材に、 質問文と選択肢の設計を切り替えると、 同じ回答者集団（架空の 300 人・教材用シミュレーション）から得られる回答分布がどう歪むかを体感できます。 灰色の枠線が「回答者の本当の意識分布」、 色付きの棒が「その調査票で実際に得られる分布」です。

📋 調査票を設計する（タップ / クリックで切替）
① 質問文の文言
② 質問の論点
③ 選択肢の設計
この設計での質問文プレビュー:
設計品質スコア
100
—
真の平均満足度（内容）
3.29
5 点満点
観測される平均
3.29
バイアス: +0.00
判定不能回答
0%
複数該当・空欄
✅ このデータで分析できること
    🚫 分析できないこと・危険なこと

      ※ 回答分布は教材用シミュレーション（架空の回答者 300 人）です。 「真の意識分布」に、 誘導（回答が 1 段階「不満」側へ移動する確率過程）・ダブルバーレル（内容 45%・通信環境 35%・両者の低い方 20% の混合）・曖昧選択肢（隣接カテゴリへの誤分類 + 8% の判定不能回答）の効果を確率計算で正確に適用しています。 実在の調査結果ではありません。

      🧭 直感：一次データは「設計がすべて」

      二次データ（2次データ、 SSDSE-B-2026 など）を使うとき、 私たちは「他人が設計した調査票」の出力を受け取るだけです。 一次データでは逆に、 質問文の一語一句・選択肢の刻み方・質問の順番まで自分が決められる代わりに、 そこで入れた歪みはあとからどんな高度な統計手法を使っても除去できません。 上のシミュレータで誘導的文言を選ぶと平均が 0.3〜0.5 ポイント下振れしますが、 集まった CSV だけを見てもこの歪みは検出できない——「データが生まれる前の設計」が品質を決める、 これが一次データの本質です。

      ⚠️ よくある落とし穴：3 大設計ミス

      🚀 発展：プリテスト・尺度設計・倫理審査

      🗺 概念マップ

      一次データ (Primary Data) を中心に、 上位概念 (データ源泉の分類: 一次 / 二次 / 三次)、 並列概念 (二次データ・公的統計・オープンデータ)、 収集手法 (アンケート・実験・観察・センサーログ)、 応用 (調査計画・SSDSE 補完データ・卒論調査) を関係づけて整理する。

      primary data アンケート・実験 観察・センサー収集 回答率・脱落率 二次データと対比 サンプリング設計 IRB・倫理審査

      一次データ (primary data) は研究者・分析者が「自分の目的のために」アンケート・実験・観察・センサー計測などで直接収集したデータで、 既存の 二次データ (政府統計・公開データ・他者の調査結果) と対置される。 一次データは目的に最適化できる反面、 収集コスト・サンプリングバイアス・回答バイアスの管理責任が分析者にあり、 「推定値の精度」「結果の可視化」「解釈」の各段階で取得時の制約 (回答率・脱落) が結果の品質を直接縛る点に注意が必要である。

      🔗 隣接手法への橋渡し

      一次データは「収集設計 → データ取得 → 分析」のパイプラインの源流で、 取得段階の意思決定が下流の分析品質を決める。

      SSDSE-B-2026 は厳密には「公開された二次データ」だが、 個別の市町村が独自に収集した住民意識調査などは一次データの典型で、 「自治体ごとの政策効果」を測るには一次データ収集が不可欠となる。

      🌳 手法選択フロー

      「1 次データ」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. 既存のデータで答えられないか
        SSDSE のような公的統計で足りるなら、 数か月と費用を節約できる。 「無いから集める」の前に、 本当に無いのかを確かめる。
      2. 何を測るかを定義したか
        同じ「利用者数」でも、 延べか実数か、 期間はいつかで数字が変わる。 集め始めてから定義を変えると、 前半のデータが使えなくなる。
      3. 誰から集めるか
        集めやすい人だけに聞くと、 その人たちの傾向が結果になる（選択バイアス）。 母集団と抽出方法を先に決め、 回収率も記録する。
      4. 同意と保管をどうするか
        個人に関わるなら、 利用目的・保存期間・削除手順を集める前に決める。 後から追加するのは難しい。

      1 次データの強みは「知りたいことを直接測れる」こと。 弱みは費用と時間、 そして設計を誤ると取り返しがつかないこと。

      🧭 解説深化：一次データの本質は「個票を持てる」こと — 集計の壁と生態学的誤謬

      本ページでは設計・バイアス・倫理・コストを扱ってきた。 この最終セクションでは、 まだ触れていない角度から一次データの代替不可能な価値を掘り下げる。 キーワードは「集計の壁」——公開統計（二次データ）は集計値しか手に入らないが、 一次データは個票（マイクロデータ）そのものを保有できる、 という非対称性である。

      🎨 直感：SSDSE-B-2026 は「47 行」しかない

      SSDSE-B-2026 の 2023 年断面は47 都道府県 × 集計済み指標、 つまり分析単位は「県」で行数はわずか 47。 各県の背後には何百万もの世帯・個人がいるのに、 私たちが見られるのは県平均・県合計に押しつぶされた 1 行だけだ。 一次データを取るということは、 この押しつぶされる前の個票の粒度を自分で決められるということ。 「あとから好きな単位に集計し直せるのは個票を持つ者だけ」——これが一次データの、 コストを払ってでも得る価値の核心である。

      ⚠️ 落とし穴（重要）：県レベルの相関を世帯レベルに読み替える「生態学的誤謬」

      実測値で確かめよう。 SSDSE-B-2026 の 2023 年・47 都道府県で、 教育費（二人以上の世帯、 L322108、 円/月）と大学等進学率（E4602 ÷ E4601 × 100）の相関係数を計算すると r = 0.711 になる（Python の pd.read_csv(..., encoding='cp932', skiprows=[1]) で読み込み、 2023 年断面を抽出して実算出）。

      都道府県教育費（円/月）大学等進学率
      東京都24,16074.1%（93,495 人中 69,302 人）
      沖縄県6,35646.7%（全国最小）
      秋田県4,316（全国最小）49.4%

      この r = 0.71 を見て「教育費をかける世帯ほど子どもが進学する」と結論したくなるが、 それは生態学的誤謬（ecological fallacy）である。 r = 0.71 はあくまで「県という集計単位」の相関であり、 世帯レベルの関係は 47 行の集計表からは原理的に検証できない。 W. S. Robinson（1950）が示した古典例では、 米国の州レベルで見た「移民比率と識字率」の相関が、 個人レベルで見ると符号ごと逆転した。 集計相関と個体相関は一致する保証がまったくない。

      架空の数値例（実データではない合成デモ）：A 県の世帯が全員「教育費 2 万円・進学」、 B 県が全員「教育費 5 千円・非進学」だとすると、 県レベルでは教育費と進学が完全相関する。 しかし各県の内部では教育費のばらつきがゼロなので、 世帯レベルの相関はそもそも定義できない（あるいは県内でばらつきがあってもゼロ相関でありうる）。 集計は「県間の差」だけを残し「県内の関係」を消してしまう。

      では世帯レベルの関係を知りたければどうするか——ここで一次データの出番になる。 自分でアンケートを設計し世帯単位の教育費と進学有無を尋ねれば、 個票レベルの関係を直接推定できる。 つまり生態学的誤謬は「二次データの限界」であると同時に「一次データを取る積極的理由」でもある。 なお同じ 2023 年断面で合計特殊出生率（A4103）と大学等進学率の県レベル相関は r = −0.499（東京都 0.99・進学率 74.1%、 沖縄県 1.60・進学率 46.7%）で、 これも「進学する人ほど子を産まない」という個人レベルの主張の根拠にはならない典型例である。

      🚀 発展：個票へ近づく 3 つのルートと「粒度設計」の原則

      🔗 関連ページ

      🔖 索引 💡 30秒結論 📍 文脈 🎨 直感 📐 定義/数式 🔬 読み解き 🧮 計算例 🐍 Python ⚠️ 落とし穴 🎮 触って理解 🌐 関連手法 🔗 関連用語 ✅ チェック ❓ FAQ 📝 報告 📚 関連教材