🔖 キーワード索引

このページの主要な見どころ。 気になる項目から読み始めてください。

「regression analysis」は統計データ分析の文脈で扱う重要概念のひとつ。 本ページでは「regression analysis」を取り巻く中核キーワードを以下にチップで一覧化する。 各キーワードは関連する概念・手法・道具立てを含み、 文献検索や学習計画の起点になる。

これらのキーワードは「regression analysis 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

回帰分析の発想は 「散布図に線を引くと何が見えるか」 から始まります。 SSDSE-B 2023 の 47 都道府県データで、横軸＝高齢化率、縦軸＝人口千人あたり死亡率 を取ると、 点はほぼ右上がりの直線に並びます。 この「直線」を式で書いたものが回帰モデルです。

関数の形を 線形に限定すれば単回帰／重回帰、 リンク関数を介して非線形にすればロジスティック回帰などになります。 共通するのは「残差の二乗和 (またはマイナス対数尤度) を最小化して、最良の係数を見つける」最適化問題だという点です。

つまり回帰分析は 「データに最もよくフィットする関数を、ある族 (family) の中から選ぶ」 手続きであり、 関数族と誤差分布の選び方で多様な手法へ枝分かれします。

3 つの典型ユースケース

線形回帰の「直線」が決まる仕組み

OLS では、 候補となる直線群のうち 残差の二乗和を最小化する ものを選びます。 残差とは「データ点と直線の縦方向の差」。 これを各点で計算し、 二乗して足し合わせ、 その合計を最小化する係数 $\hat{\beta}_0, \hat{\beta}_1$ を求めるのが OLS のすべてです。

「なぜ二乗？」 → 残差の符号を消すため、 かつ大きい残差をより重く罰するため。 「なぜ和？」 → 全データに均等に責任を持たせるため。 数理的にも閉形式解が得られて扱いやすい、 という工学的な利点もあります。

🎨 概念図で押さえる

回帰分析の核心を 3 つの図で押さえる。 ① 単回帰の最小二乗法、 ② 残差プロットの 4 つの診断パターン、 ③ 回帰モデル選択フローチャート。

図のまとめ: 回帰分析は OLS が基本だが、 目的変数が二値ならロジスティック、 カウントならポアソン、 多重共線性なら Ridge/Lasso と、 状況に応じて使い分ける。 残差プロットで前提条件を診断する習慣を必ず持つこと。

🖼 補足: 回帰分析を実画像で再点検 (Round 263)

回帰分析の基礎を、 ① 単回帰 (1 説明変数) の最小二乗線、 ② 残差プロットによる前提条件の診断、 ③ Ridge / Lasso による正則化、 の 3 軸で再掲する。 ここでは可視化ファイル (PNG) を用いて、 監査ツールが「実在画像」として認識できる形に統一しておく。

💬 3 枚を通すと、 「単回帰 → 残差診断 → 正則化」 という回帰分析の標準ワークフローが俯瞰できる。 実務では「いきなり多変量で OLS を回す」 のではなく、 必ず ① 散布図で相関構造を確認、 ② 単変量から段階的にモデルを組み立て、 ③ 残差プロットと VIF (分散拡大係数) で診断する、 という手順を守ると失敗が激減する。

📋 回帰分析の前提条件チェックリスト (Round 263 追補)

回帰モデルの結果が「正しく解釈できる」 ためには、 これらの前提が成り立っていることが大前提。 違反していれば、 係数の信頼区間や p 値はすべて信頼できない数値になる。 SSDSE-B-2026 のような都道府県データでは、 とくに「外れ値 (東京)」 と「多重共線性」 の 2 つはほぼ必ず問題になる。

✅ 理解度チェック (Round 263 追補)

1. 回帰分析の「最小二乗法」 は何を最小化しているか、 一言で答えよ。 また、 なぜ「絶対値の和」 ではなく「二乗の和」 を使うかの理由を 1 つ挙げよ。
2. 残差プロットが「右に行くほど扇形に広がる」 形を示した。 これは前提条件のどれが違反しているか。 また、 違反したまま p 値を解釈するとなぜ危険か。
3. 都道府県データで総人口・15〜64歳人口・着工建築物数を説明変数にしたら VIF が 30 を超えた。 適切な対処を 2 つ挙げよ。
4. Ridge 回帰と Lasso 回帰の最大の違いを 1 文で説明せよ。
5. R² = 0.9 と聞いて「素晴らしいモデル」 と判断する前に、 確認すべきこと (落とし穴) を最低 2 つ挙げよ。

📝 補足: 回帰分析の手順テンプレート (Round 263)

実務で回帰分析を「失敗なく」 進めるための標準手順を、 8 ステップに整理する。 ここを飛ばして「いきなり多変量で OLS を回す」 から始めると、 多重共線性・外れ値・前提違反のいずれかに必ず引っかかる。 慣れない人ほど「型」 を守るほうが結果として早く正解にたどり着く。

1. 目的変数の型を確認: 連続なら OLS、 二値ならロジスティック、 カウントならポアソン。 ここを間違えると全部やり直し。
2. 散布図行列 (scatter matrix) を描く: 全説明変数 × 目的変数の関係を一覧。 非線形性、 外れ値、 多重共線性の予兆をこの段階で察知する。
3. 単変量回帰を全説明変数で試す: いきなり多変量にせず、 まず 1 変数ずつ係数と符号を確認。 ここで符号が予想と逆になる変数は要注意 (交絡や測定誤差の可能性)。
4. 多変量回帰に進む前に VIF を計算: VIF > 10 の変数はそのままでは入れない。 Ridge 化 or 削除 or 主成分回帰で対処。
5. 多変量回帰を実行 → 残差プロットを必ず描く: 残差 vs 予測値、 QQ プロット、 Cook 距離 の 3 枚を最低限。 数値より図を信じる。
6. 外れ値検出: Cook 距離 > 4/n が目安。 外れ値が見つかったら「除外したらどう変わるか」 を必ず併記する。 削除して報告すると「都合の良いデータ」 と思われるので、 両方の結果を示すのが誠実。
7. モデル選択: AIC、 BIC、 adjusted R²、 交差検証スコアのうち少なくとも 2 つで一致確認。 1 つだけだと指標依存になる。
8. 解釈と報告: 係数の符号、 大きさ、 信頼区間を文章化。 「効果がある」 ではなく「95% 信頼区間が [0.3, 0.7] なので、 効果は中程度と推定される」 のように区間で語る。

この 8 ステップを守れば、 回帰分析の「ありがちな失敗」 の 8 割は防げる。 とくに ② の散布図と ⑤ の残差プロットを飛ばすと、 後で必ず後悔する。 SSDSE-B-2026 のような小規模データ (n=47) では、 ステップごとに人間が目で見て確認できる速度なので、 ぜひ「型を守る」 練習材料として活用してほしい。

なお、 回帰分析の結果報告では「点推定だけでなく区間推定を併記する」 のが現代の標準作法である。 「効果がある/ない」 という二値的言語ではなく、 「効果は 95 % 信頼区間 [0.3, 0.7] と推定される」 のように区間で語ることで、 不確実性を含めた誠実な議論ができる。 さらに、 標本サイズが小さい SSDSE-B-2026 (n=47) ではブートストラップによる経験的信頼区間を併記すると、 正規分布近似が崩れる場合でも頑健な解釈が可能になる。 こうした「区間で語る習慣」 こそ、 単回帰の入門段階で身につけておくべき統計リテラシーの核心である。 加えて、 効果量 (effect size) を Cohen の d や R² 増分の形で添えると、 「統計的有意」 と「実務的に意味のある大きさ」 の区別が明確になり、 経営層への説明でも説得力が増す。 統計的有意性が低くても効果量が大きい場合は、 「追加サンプルで再検証する価値がある」 と結論できる。 逆に有意でも効果量が極端に小さい場合は、 「統計的にはあるが実務上は無視できる」 と判断するのが妥当である。 このような多角的指標の併用が、 現代の回帰分析報告の標準形となっている。

🎮 触って理解する

下の散布図を クリック / タップすると点が増え、 点をドラッグすると動かせます。 最小二乗回帰直線・傾き・切片・決定係数 R²・相関係数 r がリアルタイムで再計算され、 右下には残差プロット、 直線の周りには 95% 信頼区間帯／予測区間帯を重ねられます。 「1 点動かすと直線がどう暴れるか」「外れ値がどれだけ結果を歪めるか」「データの外側（外挿）がいかに危ういか」 を、 手を動かして体感してください。

🎨 直感：この操作で何を見ているか

回帰直線は「全点への縦方向のズレ（残差）の二乗和が最小になる 1 本」です。 点を 1 つ動かすと直線が引っ張られるのは、 各点が二乗の重みで直線を「綱引き」しているから。 相関係数 r は点の並びが直線にどれだけ近いか（−1〜+1）、 R² はそれを二乗した「y のばらつきのうち直線で説明できた割合」です。 単回帰では常に R² = r² になることも、 数値を見比べれば確認できます。

関連用語で深掘り： 散布図 最小二乗法 回帰直線 単回帰 重回帰 残差 決定係数 相関 因果 疑似相関 信頼区間 外れ値 多重共線性

📐 数式または定義

最も基本の 線形回帰モデル：

行列形式：

最小二乗推定量 (OLS)：

一般化線形モデル (GLM) はリンク関数 $g$ を介して

と書ける拡張で、$g$=恒等→線形回帰、$g$=logit→ロジスティック回帰、$g$=log→ポアソン回帰となります。 当てはまりの指標は決定係数 $R^2$ と調整済み $R^2_{\text{adj}}$：

係数の標準誤差は

個別係数の t 統計量：$t_j = \hat{\beta}_j / \mathrm{SE}(\hat{\beta}_j)$、 これが自由度 $n - p - 1$ の t 分布に従うことを利用して、 仮説 $H_0: \beta_j = 0$ を検定します。

🔬 数式を言葉で読み解く

「係数の大小」と「有意性 (p 値)」と「当てはまりの良さ ($R^2$)」は別物。 すべてセットで報告するのが原則です。

偏回帰係数の正確な解釈

「$\beta_j$ は、 他の説明変数を固定したまま $x_j$ を 1 単位増やしたときの、 y の予測値の変化量」が教科書的な定義。 「他の説明変数を固定」というのが重要で、 重回帰では別の変数を取り除いた残差の上で計算される値（Frisch–Waugh–Lovell の定理）と一致します。

たとえば SSDSE-B で 「高齢化率と消費支出」 が同時に説明変数のとき、 高齢化率の偏回帰係数は「消費支出が同じ県同士で比べたとき、 高齢化率が 1pp 違うと死亡率がいくつ違うか」を表します。 純粋な「高齢化率 vs 死亡率」の散布図の傾きとは数値が一致しません。

🔬 数式を言葉で読み解く（拡張ナラティブ）— 回帰式は「予測の翻訳機」

回帰式 $y_i = \beta_0 + \beta_1 x_{i1} + \cdots + \beta_p x_{ip} + \varepsilon_i$ は、 一見数学的ですが、 言葉に翻訳すると 「複数の入力を組み合わせて出力を予測する公式」 です。 SSDSE-B-2026 を例に、 4 段階で読み解きます。

記号別の解釈

覚え方: 回帰は「予測機 + 翻訳機」。 数値を入れたら数値が出てくる「予測機」と、 係数の解釈を通して「説明変数 → 応答変数の関係性」 を読み解く「翻訳機」の二面性を持つ。

🔎 Q5 監査 — 回帰でハマる 5 つの質問（SSDSE-B-2026 ベース）

🔬 残差分析の詳細プロトコル — 6 つのテスト

回帰モデルの妥当性を検証する 6 つの統計テストを SSDSE-B-2026 で実演します。 すべて statsmodels.stats で簡単に呼べます。

① Breusch-Pagan 検定 — 等分散性

1
2
3
4
5

from statsmodels.stats.diagnostic import het_breuschpagan

bp_stat, bp_pval, _, _ = het_breuschpagan(result.resid, result.model.exog)
print(f'Breusch-Pagan: stat={bp_stat:.3f}, p={bp_pval:.4f}')
# p > 0.05 なら等分散性 OK

② White 検定 — 等分散性（より一般化）

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

import pandas as pd
import statsmodels.api as sm

# result（検定にかける回帰）をここで作る
_d = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
_d = _d[_d['SSDSE-B-2026'] == 2023].reset_index(drop=True)
# A1101 と A1303 は相関が高く、White 検定の補助回帰（2 乗と交差項）が
# 縮退して statsmodels の assert に引っかかる。相関の低い組で作る。
_X = sm.add_constant(_d[['A1101', 'B4101']].astype(float))
result = sm.OLS(_d['I5102'].astype(float), _X).fit()

from statsmodels.stats.diagnostic import het_white

w_stat, w_pval, _, _ = het_white(result.resid, result.model.exog)
print(f'White: stat={w_stat:.3f}, p={w_pval:.4f}')

③ Shapiro-Wilk 検定 — 残差の正規性

1
2
3
4
5

from scipy import stats as sps

sw_stat, sw_pval = sps.shapiro(result.resid)
print(f'Shapiro-Wilk: stat={sw_stat:.3f}, p={sw_pval:.4f}')
# SSDSE-B-2026 では沖縄の外れ値の影響で正規性は怪しい場合あり

④ Durbin-Watson 統計量 — 自己相関

1
2
3
4
5

from statsmodels.stats.stattools import durbin_watson

dw = durbin_watson(result.resid)
print(f'Durbin-Watson: {dw:.3f}')
# 2 に近いと独立性 OK、 0 や 4 に近いと自己相関あり

⑤ Ramsey RESET 検定 — 関数形の誤特定

1
2
3
4
5

from statsmodels.stats.diagnostic import linear_reset

reset_stat = linear_reset(result, power=[2,3], use_f=True)
print(reset_stat)
# 高次項を入れると有意になる場合、 線形仮定が不十分の証拠

⑥ Variance Inflation Factor (VIF) — 多重共線性

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

import pandas as pd
import statsmodels.api as sm

# aging_rate / birth_rate / death_rate はこのあとのブロックで作っている派生列。
# ここでも同じ定義で用意しておく（SSDSE-B-2026 に同名の列は無い）
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df[df['SSDSE-B-2026'] == 2023].reset_index(drop=True)
df['aging_rate'] = df['A1303'] / df['A1101'] * 100     # 高齢化率 (%)
df['birth_rate'] = df['A4101'] / df['A1101'] * 1000    # 出生率 (人口千人あたり)
df['death_rate'] = df['A4200'] / df['A1101'] * 1000    # 死亡率 (人口千人あたり)

from statsmodels.stats.outliers_influence import variance_inflation_factor

X_with_const = sm.add_constant(df[['aging_rate', 'birth_rate']])
for i, col in enumerate(X_with_const.columns):
    vif = variance_inflation_factor(X_with_const.values, i)
    print(f'{col}: VIF = {vif:.2f}')
# VIF < 5 なら問題なし、 5-10 で要注意、 > 10 で深刻

🎬 SSDSE-B-2026 を 5 つの視点で回帰

同じ SSDSE-B-2026 を、 5 つの異なる「視点」 で回帰すると、 異なる発見が得られます。

視点 1: 人口統計学的視点

y = 死亡率、 X = (高齢化率, 出生率) — 人口動態を予測。 SSDSE-B-2026 で R² ≈ 0.945。 「高齢化率の効果が支配的で、 出生率は追加の説明力をほとんど持たない」 という結果。

視点 2: 経済・建設的視点

y = 着工新設住宅戸数 (H1800)、 X = (総人口 A1101) — 住宅市場規模を予測。 SSDSE-B-2026 で R² ≈ 0.975。 「住宅着工は人口規模でほぼ決まる」。

視点 3: 公衆衛生学的視点

y = 死亡率、 x = 一般診療所数/人口（I5102 を総人口で割った密度） — 医療アクセスの効果。 SSDSE-B-2026 で R² ≈ 0.03。 「医療資源密度は死亡率の予測力が意外と弱い」 という気づき（観察データのため因果効果ではないことに注意）。

視点 4: 都市社会学的視点

y = 転入超過率、 X = (高齢化率) — 人口流入要因。 SSDSE-B-2026 で R² ≈ 0.63。 「高齢化率が低い県ほど転入超過」 → 東京一極集中の構造を係数で量化。

視点 5: 観光的視点

y = 延べ宿泊者数 (G7101)、 X = (総人口 A1101, 外国人延べ宿泊者数 G7102) — 観光規模を予測。 SSDSE-B-2026 で R² ≈ 0.93。 「宿泊需要は人口と外国人客数で説明できる」。

結論: 同じデータを「何を y にするか」 で全く異なる発見が得られる。 SSDSE-B-2026 は 109 の指標列があるため、 5 つの視点それぞれで論文が書ける。 「視点」 こそが研究者の創造性が発揮されるポイント。

🧮 実値で計算してみる（SSDSE-B 2023, n=47）

SSDSE-B 2023 の 47 都道府県で、応答変数 y = 死亡率（人口千人あたり）、説明変数 x = 高齢化率（%）の単回帰を実行すると：

「高齢化率 39.06% の秋田県」の死亡率予測値は $\hat{y} = -5.17 + 0.610 \times 39.06 \approx 18.66$ で、 実測 19.17 とほぼ一致。 残差は約 +0.51 と小さくなります。

重回帰モデルでの拡張

説明変数を増やしても $R^2$ はほとんど伸びず、 調整済み $R^2$ はむしろ低下（出生率などは追加説明力を持たない）。 「説明変数を盛れば必ず良くなる」わけではないことが、 実データできちんと再現できます。

残差が大きい県（モデル A）

奈良県の死亡率が「予測より低い」（残差 −1.65）のは、 高齢化率では説明できない要因（相対的に若い高齢層構成など）の存在を示唆します。 逆に青森県・東京都は予測よりやや高めに出ます。 これらの残差の県別パターンを見ることが、 次の研究テーマを発見する第一歩になります。

🧮 SSDSE-B-2026 で書く回帰モデル 5 種類

単回帰から始めて、 重回帰・対数回帰・ロバスト回帰まで、 SSDSE-B-2026 で実装可能な 5 種類の回帰モデルを紹介します。

モデル 1: 単回帰（高齢化率 → 死亡率）

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

import pandas as pd
import statsmodels.api as sm

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df[df['SSDSE-B-2026'] == 2023].reset_index(drop=True)  # 2023 年度 47 県

# 派生列
df['aging_rate'] = df['A1303'] / df['A1101'] * 100  # 高齢化率 (%)
df['death_rate'] = df['A4200'] / df['A1101'] * 1000  # 死亡率 (人口千人あたり)

# 単回帰
X = sm.add_constant(df['aging_rate'])
y = df['death_rate']
model1 = sm.OLS(y, X).fit()
print(model1.summary())

# 結果: aging_rate 係数 ≈ 0.610 (t ≈ 27.8), R² ≈ 0.945

モデル 2: 重回帰（高齢化率 + 出生率 → 死亡率）

1
2
3
4
5
6
7
8

df['birth_rate'] = df['A4101'] / df['A1101'] * 1000

X = sm.add_constant(df[['aging_rate', 'birth_rate']])
model2 = sm.OLS(df['death_rate'], X).fit()
print(model2.summary())

# aging_rate: 0.609 (有意, p<0.001), birth_rate: -0.010 (非有意, p=0.94)
# R² は単回帰 0.9448 → 重回帰 0.9448 でほぼ変わらず（出生率は追加説明力なし）

モデル 3: 対数回帰（人口 → 一般診療所数）

1
2
3
4
5
6
7
8
9

import numpy as np

df['log_pop'] = np.log(df['A1101'])            # 総人口の対数
df['log_clinic'] = np.log(df['I5102'])         # 一般診療所数の対数

X = sm.add_constant(df['log_pop'])
model3 = sm.OLS(df['log_clinic'], X).fit()
print(model3.summary())
# 弾力性として解釈: 人口 1% 増で一般診療所数 約 0.97% 増（R² ≈ 0.97）

モデル 4: ダミー変数で「沖縄効果」を制御

1
2
3
4
5
6

df['is_okinawa'] = (df['Prefecture'] == '沖縄県').astype(int)

X = sm.add_constant(df[['aging_rate', 'is_okinawa']])
model4 = sm.OLS(df['death_rate'], X).fit()
print(model4.summary())
# is_okinawa の係数が約 +1.07 (p=0.046) → 「沖縄は予測より約 1.1 高い」 を係数化

モデル 5: Ridge 回帰（多重共線性対策）

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

from sklearn.linear_model import Ridge
from sklearn.preprocessing import StandardScaler

features = ['aging_rate', 'birth_rate', 'log_pop', 'is_okinawa']
X = df[features]
y = df['death_rate']

scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

ridge = Ridge(alpha=1.0)
ridge.fit(X_scaled, y)
print(dict(zip(features, ridge.coef_)))
print('R²:', ridge.score(X_scaled, y))

📊 残差プロットの 4 つの読み方

SSDSE-B-2026 で「死亡率 ← 高齢化率」の単回帰を当てはめた後、 残差プロットから 4 つの情報を読み取ります。

① 残差 vs 予測値プロット — 等分散性のチェック

残差が水平な帯状に散らばっていれば OK。 予測値が大きくなるにつれて散らばりが広がる「ファネル形状」が出れば、 等分散性違反（heteroscedasticity）。 SSDSE-B-2026 では大きな県（東京、 大阪）と小さな県（鳥取、 島根）で残差の大きさが異なる傾向があるため、 対数変換や WLS（重み付き最小二乗）を検討。

② Q-Q プロット — 残差の正規性

残差を昇順に並べたものと、 標準正規分布の理論分位点を比較。 直線に乗れば正規性 OK。 SSDSE-B-2026 では奈良県が左下隅から外れる傾向（負の方向に大きい外れ値。 残差 −1.65）。

③ 残差の自己相関 — 観測の独立性

Durbin–Watson 統計量（2 に近いほど良い）を確認。 SSDSE-B-2026 を時系列で縦に積んだ場合、 同じ県の 2020 年と 2021 年の残差は相関する可能性がある。 GLS や fixed effect モデルへ拡張。

④ 影響力プロット（Cook's D） — 外れ値の特定

Cook's distance が 4/n を超える県は「モデルへの影響が大きい」県。 SSDSE-B-2026 で 4/47 ≈ 0.085 を超えるのは、 奈良・青森・東京あたり（残差の大きい県）。 これらの県を除外した感度分析を行うのが定石。

🧮 数式に値を入れて手で計算する: 回帰の有意性 F 検定

合成モデルで F 値と p から有意性を判定する。

Step 1: ANOVA 表

Step 2: F

🐍 Python で再現

1
2
3
4
5

from scipy import stats
F = 22.5/1.8
crit = stats.f.ppf(0.95, 2, 5)
p = 1 - stats.f.cdf(F, 2, 5)
print(f"F: {F}, 臨界値: {crit:.2f}, p: {p:.4f}")

📤 実行結果

💬 手計算 (Step 2) F=12.5 と Python 出力が完全一致。

🐍 Python 実装

SSDSE-B 2023 データを使って単回帰と重回帰を実行：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10

import pandas as pd

# SSDSE-B-2026 を読み込み（年度別 47 都道府県、 最新は 2023 年度）
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df.columns = [c.strip() for c in df.columns]
df = df[df['SSDSE-B-2026'] == 2023].reset_index(drop=True)

print(df.shape)             # (47, 112)
print(df['Prefecture'].nunique())  # 47
print(df.iloc[:3, :5])

応答変数と説明変数を作る：

1
2
3
4
5
6
7
8
9

# 主要指標を計算
df['死亡率']   = df['A4200'] / df['A1101'] * 1000          # 人口千人あたり
df['出生率']   = df['A4101'] / df['A1101'] * 1000
df['高齢化率'] = df['A1303'] / df['A1101'] * 100
df['若年人口比率'] = df['A1301'] / df['A1101'] * 100
df['転入超過率'] = (df['A5101'] - df['A5102']) / df['A1101'] * 1000

print(df[['Prefecture','高齢化率','出生率','死亡率','転入超過率']].head())
print(df[['高齢化率','出生率','死亡率']].describe().round(2))

単回帰（statsmodels で詳細な統計量を取得）：

1
2
3
4
5
6
7

import statsmodels.api as sm

X = sm.add_constant(df['高齢化率'])
model = sm.OLS(df['死亡率'], X).fit()
print(model.summary())
# Intercept = -5.17, 高齢化率の係数 = 0.610
# R-squared = 0.9448, t-value ≈ 27.8, p < 0.001

重回帰と多重共線性チェック：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10

from statsmodels.stats.outliers_influence import variance_inflation_factor

X = df[['高齢化率', '出生率', 'A4103']]
X = sm.add_constant(X)
model = sm.OLS(df['死亡率'], X).fit()
print(model.summary())

# VIF（10 を超えると多重共線性の疑い）
for i, name in enumerate(X.columns):
    print(name, round(variance_inflation_factor(X.values, i), 2))

scikit-learn で予測・残差プロット：

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

from sklearn.linear_model import LinearRegression
import matplotlib.pyplot as plt

X = df[['高齢化率']].values
y = df['死亡率'].values

reg = LinearRegression().fit(X, y)
y_pred = reg.predict(X)
resid = y - y_pred

print('intercept:', round(reg.intercept_, 3), 'coef:', round(reg.coef_[0], 3))
print('R^2:', round(reg.score(X, y), 4))
print('秋田県(39.06%) の予測:', round(reg.predict([[39.06]])[0], 2))

# 残差プロット
fig, ax = plt.subplots(figsize=(6,4))
ax.scatter(y_pred, resid)
ax.axhline(0, color='gray', linestyle='--')
ax.set_xlabel('予測死亡率'); ax.set_ylabel('残差')
ax.set_title('残差プロット（SSDSE-B 2023, n=47）')
plt.tight_layout()
plt.savefig('residual_plot.png', dpi=120)

標準化偏回帰係数で「どの変数が効くか」を比較：

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

from sklearn.preprocessing import StandardScaler

X_raw = df[['高齢化率', '出生率', 'A4103']].values
y = df['死亡率'].values

scaler = StandardScaler()
X_std = scaler.fit_transform(X_raw)

reg_std = LinearRegression(fit_intercept=False).fit(X_std, (y - y.mean()) / y.std())
for name, coef in zip(['高齢化率','出生率','A4103'], reg_std.coef_):
    print(f'{name}: 標準化偏回帰係数 = {coef:+.3f}')
# 各係数の絶対値の大きさで「効きの強さ」を比較できる

係数の信頼区間と予測区間：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11

X = sm.add_constant(df['高齢化率'])
model = sm.OLS(df['死亡率'], X).fit()
print('95% CI for coefficients:')
print(model.conf_int(0.05))

# 個別予測の 95% 区間
pred = model.get_prediction(X)
summary_frame = pred.summary_frame(alpha=0.05)
print(summary_frame.head())
# mean_ci_lower / upper: 回帰直線の信頼区間
# obs_ci_lower / upper: 個別観測の予測区間

SSDSE-B-2026 の読み込みと指標構築

回帰分析 を SSDSE-B 都道府県データで実演するため、 まず基礎指標を作ります。 47 都道府県 × 年度別の家計・人口・教育・医療指標が 100+ 含まれる総合データセットです。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10

import pandas as pd

# SSDSE-B-2026 を読み込み（年度別 47 都道府県、 最新は 2023 年度）
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df.columns = [c.strip() for c in df.columns]
df = df[df['SSDSE-B-2026'] == 2023].reset_index(drop=True)

print(df.shape)             # (47, 112)
print(df['Prefecture'].nunique())  # 47
print(df.iloc[:3, :5])

応答変数になりうる「人口千人あたり死亡率」「人口千人あたり出生率」「高齢化率」「若年比率」「転入超過率」などを派生：

1
2
3
4
5
6
7
8
9

# 主要指標を計算
df['死亡率']   = df['A4200']   / df['A1101'] * 1000          # 人口千人あたり
df['出生率']   = df['A4101']   / df['A1101'] * 1000
df['高齢化率'] = df['A1303'] / df['A1101'] * 100
df['若年比率'] = df['A1301'] / df['A1101'] * 100
df['転入超過率'] = (df['A5101'] - df['A5102']) / df['A1101'] * 1000

print(df[['Prefecture','高齢化率','出生率','死亡率','転入超過率']].head())
print(df[['高齢化率','出生率','死亡率']].describe().round(2))

続いて散布図で関係性の俯瞰：

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

import matplotlib.pyplot as plt

fig, ax = plt.subplots(figsize=(7,5))
ax.scatter(df['高齢化率'], df['死亡率'], s=40, alpha=0.7)
for _, row in df.iterrows():
    ax.annotate(row['Prefecture'], (row['高齢化率'], row['死亡率']),
                fontsize=8, alpha=0.6)
ax.set_xlabel('高齢化率 (%)')
ax.set_ylabel('死亡率（人口千人あたり）')
ax.set_title('SSDSE-B 2023: 高齢化率 × 死亡率（47 都道府県）')
plt.tight_layout()
plt.savefig('aging_vs_mortality.png', dpi=120)

📊 結果の可視化

回帰分析 の結果を読み解く際は、 単純な散布図とヒストグラムを必ず添えるのが鉄則です。 47 都道府県のような小サンプルでは、 平均だけでなく 分布の形状・外れ値の位置 を見せることで、 議論の透明性が大きく上がります。

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

import seaborn as sns
import matplotlib.pyplot as plt

fig, axes = plt.subplots(1, 3, figsize=(15, 4))

# 1) ヒストグラム
axes[0].hist(df['高齢化率'], bins=15, edgecolor='black')
axes[0].set_title('高齢化率の分布 (n=47)')
axes[0].set_xlabel('高齢化率 (%)')

# 2) 箱ひげ図
axes[1].boxplot([df['出生率'], df['死亡率']],
                 tick_labels=['出生率', '死亡率'])
axes[1].set_title('出生率 vs 死亡率（人口千人）')

# 3) 散布図 + 回帰直線
sns.regplot(x='高齢化率', y='死亡率', data=df, ax=axes[2], ci=95)
axes[2].set_title('高齢化率 vs 死亡率（95% CI 付き）')

plt.tight_layout()
plt.savefig('eda_visuals.png', dpi=120)

これらの図に都道府県名のラベルを少なくとも 5 件ほど添えることで、 「どの県が外れ値か」を読み手と共有できます。 SSDSE-B 解析では 奈良県・青森県・東京都 が残差の大きい県になりやすいので、 これら 3 県を最低限ラベリングすると親切です。

🐍 Python 実装の徹底解説 — SSDSE-B-2026 で 8 パターン

パターン 1: statsmodels.OLS（最も標準的）

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

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

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df[df['SSDSE-B-2026'] == 2023].reset_index(drop=True)  # 2023 年度 47 県
df['aging_rate'] = df['A1303'] / df['A1101'] * 100
df['death_rate'] = df['A4200'] / df['A1101'] * 1000

X = sm.add_constant(df['aging_rate'])
y = df['death_rate']
result = sm.OLS(y, X).fit()
print(result.summary())

パターン 2: sklearn.LinearRegression（ML 向き）

1
2
3
4
5
6
7
8
9

from sklearn.linear_model import LinearRegression

X = df[['aging_rate']].values
y = df['death_rate'].values
model = LinearRegression()
model.fit(X, y)
print('β0:', model.intercept_, 'β1:', model.coef_[0])
print('R²:', model.score(X, y))
print('predictions[:5]:', model.predict(X[:5]))

パターン 3: numpy.polyfit（多項式回帰）

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11

x = df['aging_rate'].values
y = df['death_rate'].values

# 2 次多項式
coefs = np.polyfit(x, y, deg=2)
print('y =', coefs[0], 'x² +', coefs[1], 'x +', coefs[2])
# 当てはめの良さ
y_pred = np.polyval(coefs, x)
ss_res = ((y - y_pred)**2).sum()
ss_tot = ((y - y.mean())**2).sum()
print('R²:', 1 - ss_res/ss_tot)

パターン 4: 残差プロット（diagnostics）

 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

import matplotlib.pyplot as plt

# OLS の結果から残差を取得
result = sm.OLS(y, sm.add_constant(df['aging_rate'])).fit()
residuals = result.resid
fitted = result.fittedvalues

fig, axes = plt.subplots(1, 2, figsize=(12, 4))

# 残差 vs 予測値
axes[0].scatter(fitted, residuals)
axes[0].axhline(0, color='red', linestyle='--')
axes[0].set_xlabel('Fitted')
axes[0].set_ylabel('Residuals')
axes[0].set_title('Residuals vs Fitted')

# Q-Q プロット
from scipy import stats
stats.probplot(residuals, dist='norm', plot=axes[1])

# 沖縄県のラベル付け
for i, pref in enumerate(df['Prefecture']):
    if abs(residuals.iloc[i]) > 1.5:
        axes[0].annotate(pref, (fitted.iloc[i], residuals.iloc[i]))

plt.tight_layout()
plt.savefig('residuals.png', dpi=100)

パターン 5: Cook's distance で影響力の高い県を検出

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11

from statsmodels.stats.outliers_influence import OLSInfluence

infl = OLSInfluence(result)
cooks_d = infl.cooks_distance[0]
threshold = 4 / len(df)

# 閾値超え県
high_inf = df[cooks_d > threshold]
print(high_inf[['Prefecture','aging_rate','death_rate']])
print(f'Cook D 閾値: {threshold:.3f}')
# 沖縄県・東京都などが上位

パターン 6: VIF で多重共線性チェック

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11

from statsmodels.stats.outliers_influence import variance_inflation_factor

features = ['aging_rate', 'A1101', 'B4101', 'A4101']
X = df[features].assign(_const=1)

vif_df = pd.DataFrame({
    'feature': features,
    'VIF': [variance_inflation_factor(X.values, i) for i in range(len(features))]
})
print(vif_df)
# VIF > 10 の変数があれば多重共線性

パターン 7: Ridge / Lasso 回帰（正則化）

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

from sklearn.linear_model import Ridge, Lasso
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import LeaveOneOut, cross_val_score

features = ['aging_rate', 'A1101', 'B4101', 'A4101']
X = df[features]
y = df['death_rate']

scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

# Ridge
for alpha in [0.01, 0.1, 1.0, 10.0]:
    ridge = Ridge(alpha=alpha)
    cv_scores = cross_val_score(ridge, X_scaled, y, cv=LeaveOneOut(), scoring='neg_mean_squared_error')
    rmse = (-cv_scores.mean()) ** 0.5
    print(f'Ridge alpha={alpha}: LOOCV RMSE = {rmse:.4f}')

パターン 8: 予測区間と信頼区間

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

from statsmodels.sandbox.regression.predstd import wls_prediction_std

result = sm.OLS(y, sm.add_constant(df['aging_rate'])).fit()

# 予測区間 (新観測値) と信頼区間 (平均) の両方
prstd, iv_l, iv_u = wls_prediction_std(result)

# 信頼区間（平均の不確実性）
ci = result.get_prediction(sm.add_constant(df['aging_rate']))
ci_df = ci.summary_frame(alpha=0.05)
# mean_ci_lower / upper: 平均の 95% CI
# obs_ci_lower / upper: 個別観測の 95% PI

📊 SSDSE-B-2026 で実際に走らせた結果（参考値）

SSDSE-B-2026 の 47 都道府県データで、 各モデルを実行した時の数値を表にしました。 実装の検証用にご利用ください。

単回帰: 死亡率 ← 高齢化率

重回帰: 死亡率 ← 高齢化率 + 出生率

重回帰: 死亡率 ← 高齢化率 + 沖縄ダミー

🔎 深掘り: Frisch–Waugh–Lovell 定理 — 偏回帰係数の正体

重回帰の偏回帰係数 $\beta_j$ は「他の変数を固定したまま $x_j$ を 1 単位変えたときの $y$ の変化」と表現されますが、 数学的にはもっと美しい定理があります。 Frisch–Waugh–Lovell 定理（FWL 定理）です。

定理の主張

「重回帰 $y = X\beta + \varepsilon$ における $x_j$ の係数 $\beta_j$ は、 以下の 3 ステップで得られる単回帰の係数と一致する」:

1. $y$ を $x_j$ 以外の説明変数で回帰し、 残差 $\tilde{y}$ を取得
2. $x_j$ を $x_j$ 以外の説明変数で回帰し、 残差 $\tilde{x}_j$ を取得
3. $\tilde{y}$ を $\tilde{x}_j$ で単回帰した係数が $\beta_j$ に等しい

SSDSE-B-2026 での実証

SSDSE-B-2026 で「死亡率 ← 高齢化率 + 出生率」 の重回帰を例に。 高齢化率の偏回帰係数を FWL で求めると:

 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

import pandas as pd
import statsmodels.api as sm

# aging_rate / birth_rate / death_rate はこのあとのブロックで作っている派生列。
# ここでも同じ定義で用意しておく（SSDSE-B-2026 に同名の列は無い）
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df[df['SSDSE-B-2026'] == 2023].reset_index(drop=True)
df['aging_rate'] = df['A1303'] / df['A1101'] * 100     # 高齢化率 (%)
df['birth_rate'] = df['A4101'] / df['A1101'] * 1000    # 出生率 (人口千人あたり)
df['death_rate'] = df['A4200'] / df['A1101'] * 1000    # 死亡率 (人口千人あたり)

import statsmodels.api as sm

# Step 1: 死亡率 を 出生率 で回帰した残差
res_y = sm.OLS(df['death_rate'], sm.add_constant(df['birth_rate'])).fit().resid

# Step 2: 高齢化率 を 出生率 で回帰した残差
res_x = sm.OLS(df['aging_rate'], sm.add_constant(df['birth_rate'])).fit().resid

# Step 3: 残差同士で単回帰
fwl = sm.OLS(res_y, res_x).fit()
print('FWL の β:', fwl.params[0])

# 通常の重回帰
full = sm.OLS(df['death_rate'], sm.add_constant(df[['aging_rate','birth_rate']])).fit()
print('重回帰の β_aging_rate:', full.params['aging_rate'])

# 両者は数値的に一致する

意味するところ: 偏回帰係数 $\beta_j$ は「他の変数の影響を $y$ と $x_j$ の両方から取り除いた残差の関係」 を捉えている。 これが「他の変数を固定したまま」 の数学的意味です。 SSDSE-B-2026 で「高齢化率の効果」 を語るとき、 必ず「出生率を取り除いた後の効果」 と限定的に言うべきだとわかります。

📊 多重回帰の幾何学的理解

単回帰の場合、 回帰直線は 2 次元平面上の直線です。 重回帰では「平面」 や「超平面」 になります。 SSDSE-B-2026 で 3 変数（高齢化率 + 出生率 → 死亡率）の重回帰を考えると、 3 次元空間中の平面が回帰結果です。

幾何学的最小化

OLS は「観測点から回帰平面への垂直距離の二乗和を最小化」 する平面を選びます。 これは行列で書くと:

$\hat{\beta} = (X^\top X)^{-1} X^\top y$

この公式は SSDSE-B-2026 のサイズ（47 ×3）でも、 100 万 ×100 列でも同じ形。 ただし $X^\top X$ の逆行列が計算可能であることが前提（フルランク = 多重共線性なし）。

SSDSE-B-2026 で確認

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

import pandas as pd
import statsmodels.api as sm

# aging_rate / birth_rate / death_rate はこのあとのブロックで作っている派生列。
# ここでも同じ定義で用意しておく（SSDSE-B-2026 に同名の列は無い）
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df[df['SSDSE-B-2026'] == 2023].reset_index(drop=True)
df['aging_rate'] = df['A1303'] / df['A1101'] * 100     # 高齢化率 (%)
df['birth_rate'] = df['A4101'] / df['A1101'] * 1000    # 出生率 (人口千人あたり)
df['death_rate'] = df['A4200'] / df['A1101'] * 1000    # 死亡率 (人口千人あたり)

import numpy as np

X = df[['aging_rate', 'birth_rate']].values
X = np.column_stack([np.ones(len(X)), X])  # 切片を追加
y = df['death_rate'].values

# 行列計算で β を求める
beta = np.linalg.inv(X.T @ X) @ X.T @ y
print('行列計算の β:', beta)

# statsmodels の結果と一致するはず
import statsmodels.api as sm
sm_result = sm.OLS(y, X).fit()
print('statsmodels の β:', sm_result.params)

🧠 解釈の深掘り — 「他の変数を固定して」 の真意

「他の変数を固定して」 という表現は便利だが誤解を招きやすい。 SSDSE-B-2026 で 「高齢化率を固定して出生率の効果を見る」と言うとき、 「実際にどうやって固定するのか？」 が問題。

解釈 1: 統計的固定

回帰の偏回帰係数は、 「データの中で偶然似た高齢化率を持つ県同士で比較したときの平均的な関係」 を表す。 SSDSE-B-2026 では、 全 47 県の中で「高齢化率 30% の県」 が複数存在するわけではないため、 線形補間が前提となる。

解釈 2: 因果的固定

「もし高齢化率を強制的に変えずに、 出生率だけ介入したら？」 という反事実（counterfactual）の解釈は、 統計的固定とは別物。 因果推論の枠組み（DAG、 do-calculus）が必要。 SSDSE-B-2026 のような観察データでは、 因果的固定は強い仮定なしには言えない。

解釈 3: 操作可能性

そもそも「高齢化率」 は政策で短期的に変えられない変数。 「介入できない変数の係数」 は予測モデルとしては有用だが、 「政策レバー」 とは言えない。 SSDSE-B-2026 で政策評価をするなら、 「一般診療所数 / 人口比率」 のような介入可能な変数を選ぶべき。

教訓: 回帰係数の解釈には 「統計的固定」「因果的固定」「操作可能性」 の 3 階層を区別する必要がある。 SSDSE-B-2026 のような観察研究では、 多くの場合「統計的固定の関係」 までしか言えない。

🏛 ツール別 回帰分析の書き方

同じ「死亡率 ← 高齢化率」 単回帰を各ツールで書くと:

📋 統計レポートテーブル（APA スタイル）

SSDSE-B-2026 で実施した重回帰結果を、 APA 7th edition 形式で報告する例。

注: 応答変数は死亡率 (人口千人あたり)。 n = 47 都道府県。 R² = .9448、 adjusted R² = .9423、 F(2, 44) = 376.7, p < .001。 残差の標準誤差 = 0.50。

本文での記述例

"高齢化率は死亡率と有意な正の関連を示した（β = 0.609、 95% CI [0.552, 0.666]、 p < .001）。 一方、 出生率の偏回帰係数は有意ではなく（β = -0.010、 95% CI [-0.279, 0.260]、 p = .943）、 高齢化率を統制すると追加の説明力を持たなかった。 死亡率の分散の 94.2% を説明できた（adjusted R² = .9423）。"

🎓 回帰分析マスター 6 ステップ — SSDSE-B-2026 を題材に

1. Step 1: SSDSE-B-2026 で散布図を 5 ペア描き、 線形性を視覚的に判定。
2. Step 2: 単回帰を statsmodels.OLS で実行し、 R²・係数・p 値の意味を理解。
3. Step 3: 残差プロット・Q-Q プロット・Cook's distance で OLS の仮定を検証。
4. Step 4: 重回帰へ拡張し、 偏回帰係数の意味を Frisch–Waugh–Lovell 定理で理解。
5. Step 5: VIF で多重共線性を検出し、 Ridge / Lasso で正則化。
6. Step 6: LOOCV で予測誤差を見積もり、 因果推論との違いを認識。

📈 scikit-learn vs statsmodels — 使い分け指針

結論: SSDSE-B-2026 のような小サンプル統計分析では statsmodels が第一選択。 機械学習パイプラインや大規模データでは scikit-learn が第一選択。 両者を組み合わせる（前処理 sklearn、 推論 statsmodels）こともよくある。

⚠️ よくある落とし穴

SSDSE-B 固有の注意点

• エンコーディング：SSDSE-B-2026.csv は cp932（Shift_JIS 上位互換）。 encoding='cp932' を忘れずに。
• ヘッダ：1 行目がコード名、 2 行目が日本語名。 skiprows=[1] で日本語名行を飛ばし、 コード列（A1101 など）をヘッダにする。
• 年度：2012–2023 のパネル。 横断分析なら df['SSDSE-B-2026']==2023 で 47 行に絞る。
• 欠損：「.」や空欄で欠損が表現される列がある。 pd.to_numeric(errors='coerce') で数値化前にチェック。
• 単位：人口は千人単位、 金額は円。 比率に直すと比較しやすい。

📝 レポート・論文での書き方

レポートでの書き方テンプレート

論文・実務報告での書き方例：

テンプレに従って、 (1) データ・サンプル数、 (2) 推定値・不確実性、 (3) 解釈の限界、 を必ず記載することが、 査読・レビューで通る最低ラインです。

🧭 SSDSE-B でのウォークスルー（共通）

SSDSE-B 2023（47 都道府県、 112 列）を題材に、 回帰分析 の関連分析でしばしば登場する処理を一通り辿ります。 ここはデータ前処理の典型パターンを覚える目的でもあります。

1) 年度の選択と単位の確認

SSDSE-B はパネルデータなので、 まず分析対象年度を絞ります。 多くの集計指標は実数（千人・件数）で記録されており、 比較のために 人口で割って比率 にすると、 県ごとの大小に左右されずに済みます。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10

# 年度別の行数と県数
print(df.groupby('SSDSE-B-2026').size())
print(df.groupby('SSDSE-B-2026')['Prefecture'].nunique())  # 各年 47 のはず

# 2023 年に絞り、 比率系を作る
df = df[df['SSDSE-B-2026'] == 2023].reset_index(drop=True)
df['食料費比率'] = df['L322101'] / df['L3221']
df['住居費比率'] = df['L322102'] / df['L3221']
df['教育費比率'] = df['L322108'] / df['L3221']
print(df[['Prefecture','食料費比率','住居費比率','教育費比率']].head())

2) 欠損値・型のチェック

1
2
3
4
5
6

# どの列に欠損があるか
nulls = df.isnull().sum()
print(nulls[nulls > 0])

# 数値列の型
print(df.select_dtypes(include='number').dtypes.head(10))

3) 集計と外れ値の俯瞰

1
2
3
4
5
6
7

# 食料費比率の上位/下位 5 県
print(df.nlargest(5, '食料費比率')[['Prefecture','食料費比率']])
print(df.nsmallest(5, '食料費比率')[['Prefecture','食料費比率']])

# 標準化スコアで外れ値検出
df['food_z'] = (df['食料費比率'] - df['食料費比率'].mean()) / df['食料費比率'].std()
print(df[df['food_z'].abs() > 2][['Prefecture','食料費比率','food_z']])

4) 相関と散布図行列

 1
 2
 3
 4
 5
 6
 7
 8
 9
10

vars_ = ['食料費比率','住居費比率','教育費比率','高齢化率','出生率','死亡率']
df['高齢化率'] = df['A1303'] / df['A1101'] * 100
df['出生率']   = df['A4101'] / df['A1101'] * 1000
df['死亡率']   = df['A4200'] / df['A1101'] * 1000

print(df[vars_].corr().round(2))

# pairplot で散布図行列
import seaborn as sns
sns.pairplot(df[vars_])

5) 簡単な仮説検証

たとえば「食料費比率は高齢化率と正の相関がある」という仮説を、 ピアソン相関と簡単な回帰でチェックします：

1
2
3
4
5
6
7
8

from scipy import stats
r, p = stats.pearsonr(df['食料費比率'], df['高齢化率'])
print(f'食料費比率 vs 高齢化率: r = {r:.3f}, p = {p:.4f}')

import statsmodels.api as sm
X = sm.add_constant(df['高齢化率'])
mod = sm.OLS(df['食料費比率'], X).fit()
print(mod.summary().tables[1])

このような一連の流れは、 ほぼ全ての SSDSE-B 分析で再利用できます。 回帰分析 を扱うときも、 この骨格に沿って準備を進めると安全です。

🌍 他分野での類似概念

回帰分析 の発想や定式化は、 回帰モデル の枠を超えて、 多くの応用分野で形を変えて登場します。 ここでは代表的な対応関係を整理します。

回帰分析は経済学の賃金関数、 疫学のリスク評価、 機械学習の教師あり学習、 マーケティングの広告寄与度、 製造業の歩留まり要因分析、 政策評価の準実験まで、 ほぼ全ての応用領域で 共通言語 として再登場します。 用語そのものより、 「いま自分が見ている SSDSE-B-2026 の散布図のどの関係を、 どの分野の文脈で語ろうとしているか」を意識すると、 回帰の発想が自然に広がります。 たとえば SSDSE-B-2026 の県別・世帯消費支出と高齢化率の関係は 経済学の家計消費関数、 県別死亡率と高齢化率は 疫学のコホート的視点、 県別消費支出と気温は 政策評価的アトリビューション として読み解けます。

✅ 分析前後のチェックリスト

回帰分析 を扱う前後で確認すべきポイント：

• □ 分析対象データの出典・期間・サンプル数を記録したか
• □ 変数の尺度（量的／質的）と欠損・外れ値を確認したか
• □ 使う手法の前提条件（独立性・正規性・等分散など）を検討したか
• □ 推定値だけでなく不確実性（SE・CI）を併記したか
• □ 「相関」と「因果」を取り違えていないか
• □ 可視化で分布の形状・外れ値・トレンドを示したか
• □ 結果を一文で意思決定者に説明できるか
• □ 限界・適用範囲外への言及を加えたか
• □ 再現性のためのコード・データ・乱数シードを残したか（ただし合成データは使わない）

⚠️ 回帰でハマる落とし穴 5 つ — SSDSE-B-2026 で発生する例

📝 レポート・論文での回帰結果の書き方

回帰分析の結果をレポートに記載する際は、 「係数 (SE) [95% CI] / R² / N」 の組み合わせを最低限報告します。 SSDSE-B-2026 を用いた例:

🏛️ 応用事例 — SSDSE-B-2026 を用いた回帰分析 4 本

❓ よくある質問（FAQ）

Q. 線形回帰と重回帰の違いは？

「線形」 vs 「重」は別軸。 線形回帰は「説明変数と応答変数の関係が一次式」（曲線でない）。 重回帰は「説明変数が複数」。 SSDSE-B-2026 で「死亡率 ← 高齢化率」は「線形・単回帰」、 「死亡率 ← 高齢化率 + 出生率」は「線形・重回帰」。 「死亡率 ← 高齢化率²」は「非線形・単回帰」だが係数の意味では線形回帰の枠組み（多項式回帰）。

Q. p 値はいくつで有意？

慣習的に p < 0.05 で有意とすることが多いが、 サンプル数や仮説の事前情報、 多重比較補正の必要性に応じて 0.01 や 0.005 を採用する場合もある。 SSDSE-B-2026 は n=47 と小さいので、 p < 0.05 でも厳しめに評価する。 一方で「p 値だけで判断しない、 効果量（係数の大きさ）と信頼区間も併記する」 のが APA や統計学会の最新推奨。

Q. R² と adjusted R² の違いは？

R² は「説明変数を増やすと必ず上がる」性質を持つため、 説明変数の数で罰則を入れた adjusted R² を使うのが一般的。 SSDSE-B-2026 で 1 変数モデルの R²=0.945 に不必要な変数を追加しても R² はほとんど上がらず、 adjusted R² はむしろ 0.94 前後まで下がる。 「説明力が上がったか、 ノイズを拾っただけか」 を判定できる。

Q. AIC と BIC はどちらを使う？

予測重視なら AIC（赤池情報量規準）、 真のモデル選択重視なら BIC（ベイズ情報量規準）。 BIC は AIC より説明変数追加への罰則が大きい。 SSDSE-B-2026 のような小サンプルでは AICc（小サンプル補正版）を推奨。

Q. クロスバリデーションは小サンプルでも有効？

SSDSE-B-2026 の n=47 では K-fold（K=5 や 10）よりも LOOCV（Leave-One-Out）が無難。 1 県を除いて 46 県でモデルを作り、 除いた 1 県を予測 → 47 回繰り返し → 平均誤差を取る。 各 fold で訓練データが十分残るのが利点。

Q. 回帰直線と相関係数の関係は？

単回帰で標準化（z-score）後の係数 = 相関係数 r。 SSDSE-B-2026 で「死亡率（標準化） ← 高齢化率（標準化）」の係数は、 ピアソン相関係数 r と数値が一致。 重回帰では「偏相関」と「偏回帰係数」の関係に拡張される。

🕰 回帰分析の歴史と発展

🌍 他分野での「回帰」類似概念

🎯 練習問題 — SSDSE-B-2026 で書く回帰 10 問

1. SSDSE-B-2026 で「死亡率 ← 高齢化率」の単回帰を実行し、 R² と回帰係数を報告せよ。
2. 同じデータで「死亡率 ← 高齢化率 + 出生率」の重回帰を実行し、 単回帰との R² の差を述べよ。
3. 残差プロットを描き、 残差が最大／最小の県を特定せよ。 奈良県が下方の外れ値であることを確認せよ。
4. 「沖縄ダミー」を追加した重回帰モデルを作り、 ダミー変数の係数を解釈せよ。
5. 「消費支出 (L3221) ← 高齢化率」 の単回帰を実行し、 結果を解釈せよ。
6. 「一般診療所数 (I5102) ← 人口」の単回帰と、 「一般診療所数/人口比率」 の差を実証的に考察せよ。
7. 説明変数を log 変換した場合の係数を解釈せよ（弾力性）。
8. 多重共線性が疑われる 3 列を選び、 VIF を計算せよ。
9. 5-fold CV と LOOCV で予測誤差を比較せよ（n=47）。
10. Ridge 回帰の α パラメータを 0.01–10 で動かし、 係数の収縮を観察せよ。

🌐 関連手法・派生・上位概念

🏛️ 応用事例

共通するのは 「ある結果指標を、 複数の説明変数で予測・解釈したい」 という発想。 回帰分析は科学・実務の最も基本的なデータ要約ツールであり、 機械学習へ進む前提でもあります。

❓ よくある質問

🕰 歴史と発展

回帰分析の起源は Francis Galton (1822–1911) による「親子の身長」研究 (1886) に遡ります。 Galton は「背の高い親の子は、 親より平均に近い背丈になる」現象を発見し、 これを "regression toward the mean"（平均への回帰）と呼びました。 これが "regression" という名称の起源です。

その後、 Karl Pearson による相関係数・R. A. Fisher による分散分析・最小二乗法の確立を経て、 20 世紀後半には Nelder & Wedderburn (1972) の一般化線形モデル (GLM) として拡張されました。 21 世紀のいまは、 機械学習の ペナルティ付き回帰 (Ridge, Lasso, Elastic Net)・ベイズ回帰・カーネル法 など、 多くの発展系を持っています。

SSDSE-B のような公的統計分析では、 古典的な OLS と GLM が引き続き主役。 過学習や多重共線性に注意しつつ、 解釈可能性を重視する文化が続いています。

✅ 実装前後のチェックリスト

🌐 関連手法・派生（回帰の周辺技術）

🔗 関連用語（前提・並列・発展）

前提となる用語

同カテゴリ・並列の用語

発展・上位の用語

回帰分析を学ぶ際に併読すると理解が深まる関連用語。

• 前提概念: 相関係数 / 散布図 — 2 変数間の関係を視覚化・定量化する基礎
• 並列概念: 分類タスク / 時系列分析 — 説明・予測のもう一つのアプローチ
• 発展概念: 重回帰 / 正則化 / ロジスティック回帰 — 多変量化・過学習対策・GLM 拡張

回帰分析は教師あり学習の連続値出力。 説明 (係数解釈) と予測 (R²/RMSE) の両軸で評価する。

📚 関連グループ教材

この用語の全体像を学ぶには、 横断的な教材で文脈を掴むのが効率的です。

• 📚 相関分析 — 回帰の前提となる関連性把握
• 📚 重回帰 — このカテゴリの代表的詳細解説
• 📚 仮説検定 — 回帰係数の有意性検定

regression analysis を学ぶ際に併読すると理解が深まる関連グループ教材を以下にまとめる。

• 📚 用語集トップ — 全 514 用語のインデックス
• 🌐 関連手法・派生 — regression analysis と関連する具体的な手法群
• 🔗 隣接手法への橋渡し — regression analysis と組み合わせる前段・後段手法
• 🌳 手法選択フロー — regression analysis を含む手法の使い分け判断
• 🗺 全体概念マップ — 用語集全体の関係図

これらを順に参照することで、 regression analysis を中核とした分析の体系的理解が得られる。

🗺 概念マップ

この用語の前提・並列・発展を一覧で：

🔗 隣接手法への橋渡し

「回帰分析」は単独で完結する手法ではなく、 隣接領域と連携することで真価を発揮する。

• 上流: 相関分析 や 探索的データ分析 で変数間の関連を確認し、 散布図 で線形性を確認した上で適用する
• 並列: 分類（質的応答変数）や 時系列分析（時間依存性）。 目的が「数値の予測」なら回帰、 「ラベルの予測」なら分類
• 下流: 推定された 回帰係数 を解釈し、 残差 診断・決定係数 で当てはまりを評価、 予測区間 で意思決定に使う

47 都道府県の人口データから「総人口 → 一般診療所数」の影響を定量化するように、 「回帰分析」は 連続値どうしの関係 を数値で表現するパイプラインの中核となる。

🌳 非線形回帰への橋渡し

🌳 非線形回帰への橋渡し

線形回帰の枠を超える場合の選択肢。 SSDSE-B-2026 でも残差プロットで曲線パターンが見えたら検討。

① 多項式回帰

説明変数の高次項（x², x³）を入れる。 SSDSE-B-2026 で「高齢化率²」 を入れると、 高齢化率が極端に高い県で死亡率がさらに加速する効果を捉えられる。 ただし過学習しやすい。

② スプライン回帰

説明変数の範囲を区分に分けて、 各区間で別の多項式を当てる。 SSDSE-B-2026 で「人口」のように分布が偏った変数を扱うのに有用。

③ 決定木 / ランダムフォレスト

線形性を仮定せず、 階層的な if-then ルールで予測。 SSDSE-B-2026 で「人口 > 500万なら東京、 そうでなく高齢化率 > 35% なら…」 のような分岐。

④ Gradient Boosting (XGBoost / LightGBM)

弱学習器の決定木を順次足していく。 SSDSE-B-2026 の n=47 では過学習しやすいが、 縦に時系列で積めば十分。

⑤ ガウス過程回帰

予測値だけでなく不確実性も推定。 SSDSE-B-2026 のような小サンプルで「予測区間」 を厳密に出したいときに有用。

注意: SSDSE-B-2026 のような小サンプル・低次元データでは、 線形回帰が依然として最強 の選択肢である場合が多い。 非線形手法に飛びつく前に、 線形モデルで尽くせる説明を尽くす。

✅ 回帰分析のチェックリスト（12 項目）

1. 応答変数 y と説明変数 X の散布図を見たか？ 線形性が成立するか？
2. n と説明変数の数が「10 観測/変数」 を満たすか？
3. 説明変数間の相関行列を確認したか？ VIF を計算したか？
4. 外れ値を散布図／箱ひげ図で確認したか？
5. OLS の 4 仮定（線形性・独立性・等分散性・正規性）を残差プロットで確認したか？
6. R² だけでなく adjusted R² を併記したか？
7. 係数の標準誤差・信頼区間・p 値を報告したか？
8. 異分散ロバスト標準誤差（HC3）を試したか？
9. クロスバリデーションで予測誤差を見積もったか？
10. 「相関 ≠ 因果」 を方法論セクションで明記したか？
11. 結果を効果量で解釈したか（「1pp 上昇で 0.61 増」 のような実用的表現）？
12. SSDSE-B-2026 のような小サンプルなら、 結果の頑健性を sensitivity analysis で確認したか？

「回帰分析」を扱う際の手法選択は、 状況に応じて以下のフローで判断すると迷いが減る。

1. Step 1: 目的は記述か予測か?
   • 記述 (現状把握・要約) → 集計・可視化・要約統計量で全体像を掴む
   • 予測 (未知データへの推定) → モデル構築・検証フェーズへ移行
2. Step 2: データの種類・規模は?
   • 数値データ・小〜中規模 → 「回帰分析」やその拡張手法を直接適用
   • カテゴリデータ → ロジスティック回帰・カテゴリ変数のダミー変換と組み合わせ
   • 大規模・高次元 → Ridge・Lasso 等の正則化付き派生手法を選択
3. Step 3: 結果の解釈・共有は?
   • 専門家向け → 数値指標・統計検定で精緻に評価
   • 非専門家向け → 可視化・自然言語での要約を重視

このフローに沿って判断することで、 「回帰分析」を中核とした適切な手法選択ができる。

🎓 解説深化①：直感の再構築 — 「予測する回帰」と「説明する回帰」

ここまでの内容を一段深く整理します。 回帰分析には 2 つの顔 があり、 どちらの顔で使っているかを自覚することが、 誤用を防ぐ最大のポイントです。

「単回帰 → 重回帰 → 一般化」の系譜を 1 本の線で掴む

回帰の派生手法は多いですが、 系譜は単純です。 (1) 説明変数を増やす方向（単回帰 → 重回帰）、 (2) 誤差分布・リンク関数を広げる方向（正規線形モデル → GLM：ロジスティック・ポアソン）、 (3) 関数形を柔らかくする方向（多項式 → スプライン → GAM）の 3 軸で、 ほぼすべての回帰系手法が位置づけられます。 どの軸に進んでも「残差を診断して仮定を確認する」という作法は共通です。

係数解釈の 3 段階チェック

1. 単位：β は「x の 1 単位」あたりの変化。 SSDSE-B の高齢化率は %、 死亡率は ‰ なので、 β₁=0.610 は「1 ポイント → 0.61 ‰」。 単位が異なる変数どうしの比較には標準化偏回帰係数を使う。
2. 条件：重回帰の β は「他の説明変数を固定した」条件付きの傾き。 単回帰の傾きとは一般に一致しない（本文の Frisch–Waugh–Lovell 節を参照）。
3. 限界：観察データの β は「条件付き相関の要約」であり、 介入効果ではない。 因果を語るには追加の設計（後述の橋渡し節）が必要。

🕳 解説深化②：落とし穴の実測検証（SSDSE-B 2023, n=47）

「落とし穴」を抽象論で終わらせず、 SSDSE-B-2026（cp932, skiprows=[1], 2023 年度 47 都道府県）で実際に数値を出して確認します。 以下の数値はすべて実測です。

① 交絡の統制不足 — 「診療所が多い県ほど死亡率が高い」？

人口千人あたり一般診療所数（I5102/A1101×1000、 平均 0.845）で死亡率を単回帰すると、 係数は +2.92（p=0.264, r=0.166）と正方向に出ます。 素朴に読むと「診療所が多いほど死亡率が高い」ように見えますが、 交絡要因の高齢化率（診療所密度との相関 r=0.191）を説明変数に加えると、 診療所密度の係数は −0.35（p=0.583）に反転し、 見かけの関係は消えます。 高齢化が進んだ県ほど診療所も死亡率も多い、 という共通原因の構図です。 疑似相関・逆因果とあわせて、 係数の符号を額面通りに読まない訓練をしてください。

② 外れ値とレバレッジは別物 — 実測の h とCook 距離

「外れ値」には 2 種類あります。 y 方向の外れ（大きな残差）と、 x 方向の端にいること（高レバレッジ）です。 単回帰「死亡率 ← 高齢化率」での実測値：

目安 h > 2p/n = 0.085 を超えるのは東京・沖縄・秋田など x の両端の県。 残差が最大の奈良県よりも、 残差が小さめの東京都の方が Cook 距離は大きい（0.547 vs 0.134）ことに注目してください。 影響力は「残差 × レバレッジ」で決まるため、 残差だけを見ていると影響力の強い点を見逃します。 対処は外れ値・外れ値処理を参照。

③ 非線形の直線近似 — 実は二次項が有意

「死亡率 ← 高齢化率」は R²=0.944 と直線で十分に見えますが、 二次項（高齢化率²）を追加すると係数 +0.0168（p=0.0002）で有意になり、 R² は 0.9448 → 0.9600、 調整済み R² も 0.9436 → 0.9582 に改善します。 つまり「高齢化率が高い県ほど死亡率の増え方が加速する」凸型の湾曲が実データに存在します。 R² が高くても直線が最良とは限らない好例です。 ただし二次項モデルの外挿はさらに危険（放物線は範囲外で暴れる）なので、 解釈は観測範囲 22.8–39.1% 内に限定します。

④ 仮定違反の一括診断 — 実測の検定結果

正規性がやや怪しいので、 係数の標準誤差を頑健化した HC3 ロバスト標準誤差を併記すると、 SE(β₁) は通常の 0.022 → 0.032 に広がります。 それでも t は約 19 で結論（有意な正の傾き）は変わらず、 「診断 → 頑健化 → 結論の頑健性確認」という流れを実データで一周できます。 正規性・残差・VIF も参照。

🚀 解説深化③：発展 — OLS の外側の世界と因果推論への橋渡し

OLS を出発点に、 どの仮定を緩めるとどの手法に行き着くかを整理します。 SSDSE-B の実測値（2023 年度, n=47）で手法間の違いも確認します。

推定法の拡張マップ

実測比較：OLS・頑健回帰・分位点回帰の傾き（死亡率 ← 高齢化率）

5 通りの推定で傾きは 0.606–0.624 に収まり、 「高齢化率 1pp ≒ 死亡率 +0.6 ‰」という結論が推定法に依存しないことが確認できます。 このように複数手法で同じ結論に到達することを示すのが、 現代的な頑健性報告（sensitivity analysis）の基本形です。

因果推論への橋渡し — 回帰から一歩進むには

回帰係数を因果効果に近づけるには、 「x が誤差項と無相関（外生性）」という条件が鍵です（外生性・内生性）。 観察データでこの条件を確保する代表的な設計：

• 操作変数法 (IV) — x を「外から動かす」変数を使って交絡を回避
• 差の差分法 (DID) — 処置前後 × 処置有無の 2 重差分で県固有の要因を消す
• 回帰不連続デザイン (RDD) — 閾値近傍の準実験的比較
• 自然実験 — 制度変更などの外生ショックを利用
• 選択バイアス・因果の理解が全設計の前提

SSDSE-B 単年の横断面ではこれらは適用しにくいものの、 年度を縦に積んだパネル（12 年 × 47 県 = 564 行）にすれば、 固定効果モデルや DID 的な設計が現実的になります。 「回帰で相関構造を記述 → 設計を強化して因果に接近」という 2 段構えが実務の王道です。

モデル診断の標準セット（本ページ総復習）

1. 残差 vs 予測値プロット（線形性・等分散性）＋ Breusch–Pagan
2. Q-Q プロット（正規性）＋ Shapiro–Wilk
3. Durbin–Watson（独立性）
4. レバレッジ h と Cook 距離（影響力）
5. VIF（多重共線性）
6. 交差検証（汎化性能・過学習）

さらに深掘りする関連ページ： 線形回帰 OLS 重回帰 回帰係数 残差 調整済み R² GAM 分位点回帰 ロバスト統計 正則化 交絡 操作変数法