🔖 キーワード索引（補強・追加分）

標準化偏回帰係数 関連の補強キーワード。 クリックで該当箇所へ：

🎨 直感で掴む — 標準化β（標準偏回帰係数）

標準化βは「x も y も標準化（平均 0・分散 1）した上での回帰係数」。 単位の異なる変数の影響力を比較できる。 SSDSE-B-2026 で L3221 を A1101・A1303 で予測すると、 標準化βは A1101=0.82、 A1303=-0.49 のように比較可能になる。

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

🎨 概念図で押さえる（標準化偏回帰係数の可視化）

標準化偏回帰係数（β）は「異なる単位の説明変数の影響を直接比較する」ための標準化処理。 単回帰直線・標準化図・多重共線性の 3 枚で、 β の解釈と注意点を整理する。

→ 単回帰（単位依存）、 標準化（比較可能化）、 多重共線性（β の限界）。 この 3 段階で β の使いどころと注意点が明確になる。

✅ 理解度チェック

1. 標準化偏回帰係数 β と非標準化の偏回帰係数 b の数式上の関係は？
2. β を使うとなぜ「変数間の影響の大きさ」を比較できるのか？
3. カテゴリ変数（ダミー変数）に β を適用してよいか？ 理由は？
4. 多重共線性が強いとき、 β はどのように振る舞うか？
5. sklearn の StandardScaler を使った β 計算の Python 実装手順を 3 ステップで答えよ。

→ すべて即答できれば、 重回帰モデルの結果を β で適切に解釈できる基礎力は十分。

📋 標準化偏回帰係数 β を使うときの前提条件と限界 (誤解回避)

標準化偏回帰係数 β は「説明変数間の影響度を相対比較できる」唯一の指標として広く使われるが、 使い方を誤ると 誤った政策提言や因果推定につながる。 SSDSE-B-2026 を使う場面で典型的に外しやすい仮定をまとめる。

前提 1: 線形性 (linearity)

β は線形重回帰モデルでのみ意味を持つ。 説明変数と目的変数の関係が U 字や対数関数なら、 β は実質的に「平均的な傾き」しか示さず、 非線形な感度を捉えられない。 SSDSE-B で「A1101（総人口）→ L3221（消費支出）」のように非線形を疑う場合、 log 変換や多項式回帰、 GAM を検討する。

前提 2: 連続変数 (or 同型のスケール)

β は「標準偏差 1 単位の変化」が前提なので、 0/1 ダミー変数 (例: 都市 vs 地方) に対しては解釈が「0.5 sd 変化したときの効果」のような 不自然な単位になる。 ダミー変数は非標準化 b と「カテゴリ間平均差」で報告するほうが安全。

前提 3: 多重共線性が許容範囲

VIF > 10 のような強い共線性下では、 β の符号が不安定 (今回 +0.7、 次は −0.3 など) になる。 影響度を比較するには、 まず VIF を確認し、 共線関係を除去 (主成分回帰、 Ridge 回帰、 変数選択) するのが先。 SSDSE-B では「人口・世帯数・税収」が強く共線するため要注意。

限界 1: 因果関係を語れない

β が大きい = 「重要な原因」とは限らない。 観察データの相関に過ぎず、 交絡変数を統制しなければ因果として解釈不能。 政策提言は別途 DID/IV/RCT で検証する。

限界 2: サンプルサイズ依存の安定性

n=47 (都道府県) では β の標準誤差が大きく、 95%CI が広い。 「β=0.42 [95%CI: 0.05, 0.79]」のように 信頼区間を必ず併記する。 報告値だけで「強い影響」と書くのは過剰主張。

🔁 標準化偏回帰係数 β の典型ワークフロー (SSDSE-B-2026 で実施する 7 ステップ)

1. 仮説設定: 「A1101（総人口）・A1303（65 歳以上人口）・A1301（年少人口）が L3221（消費支出）に与える相対影響」を比較したい、 のように 事前に説明変数と目的変数を決める。
2. 変数選択と前処理: sklearn.preprocessing.StandardScaler で全変数を平均 0・分散 1 に標準化。 連続変数のみ対象、 ダミー変数は別途扱う。
3. 多重共線性チェック: VIF を計算 (statsmodels.outliers_influence.variance_inflation_factor) し、 VIF > 10 の列は除去または合成。
4. OLS 推定: statsmodels.api.OLS(y_std, X_std).fit() で標準化したデータに重回帰を当てはめ、 β の推定値・p 値・95%CI を取得。
5. β の比較: |β| の大きい順に説明変数をランキング。 ただし「β1=0.42、 β2=0.40」のような僅差は 信頼区間の重なりを確認してから判定。
6. 感度分析: 共線性の高い変数を 1 つ抜いたとき β がどれだけ変化するか確認 (Leave-one-variable-out)。 符号が反転するなら結論は脆弱。
7. 結果の書き方: 「β_A1101(総人口)=0.61 [0.42, 0.80]、 β_A1303(65歳以上人口)=0.18 [-0.05, 0.41]」のように 係数 / 95%CI / p 値を一覧で報告。 「A1101（総人口）が L3221（消費支出）の主要因 (β=0.61) で、 A1303 は有意ではなかった」のように因果ではなく相関的表現を用いる。

📐 定義・数式 — 標準化β（標準偏回帰係数）

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

🔬 数式を言葉で読み解く — 数式を「言葉」に翻訳

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

左辺（結果側）

標準化β（標準偏回帰係数） で定義したい量。 解釈の対象。 単位・スケールを必ず確認する。

右辺（構成要素）

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

添字 i, j, t

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

和記号 Σ

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

期待値 E[·]、 分散 Var[·]

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

🧮 SSDSE-B 実値計算例（47都道府県データ）

出生数 (A4101) を目的変数として、 総人口 (A1101)・高齢化率 (A1303/A1101)・転入者数 (A5101)・年平均気温 (B4101)・標準地価 (C5401) の 5 説明変数を標準化してから OLS 推定し、 標準化偏回帰係数を比較する完全再現例（SSDSE-B-2026, 2023 年, 47 都道府県）。

① 計算コード

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

import pandas as pd
import numpy as np
import statsmodels.api as sm
from sklearn.preprocessing import StandardScaler

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
d = df[df['SSDSE-B-2026'] == 2023].copy()
d['高齢化率'] = d['A1303'] / d['A1101']
X_raw = d[['A1101', '高齢化率', 'A5101', 'B4101', 'C5401']].dropna()
y_raw = d.loc[X_raw.index, 'A4101']       # X と同じ行だけ残して添字を揃える

# 全変数を z 標準化
scaler = StandardScaler()
X_std = pd.DataFrame(scaler.fit_transform(X_raw),
                     columns=X_raw.columns, index=X_raw.index)
y_std = (y_raw - y_raw.mean()) / y_raw.std(ddof=0)  # StandardScaler と同じ n 分母

# 切片を入れない（標準化後は 0）
model = sm.OLS(y_std, sm.add_constant(X_std)).fit()
print(model.summary())

# 標準化β を比較しやすい形に
print('\n標準化偏回帰係数：')
for var, beta in zip(X_raw.columns, model.params[1:]):
    print(f'  {var:18} β = {beta:+.3f}')

② 期待出力

👉 値は SSDSE-B-2026 (2023) の実測値（n=47, R²=0.995）。 総人口 (A1101) がほぼ単独で出生数を説明する。 転入者数 (A5101) は総人口と強く共線 (VIF≈35) するため β' が小さく符号も不安定。 同じ手順で他都道府県・他変数にも適用可能。

🧮 実値で計算してみる — SSDSE-B-2026

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

SSDSE-B-2026 (2023) で L3221=β0 + β1×A1101 + β2×A1303 を当てる。 sx(A1101)=2,797,551、 sx(A1303)=693,839、 sy(L3221)=24,144 程度。 標準化β1 ≈ 0.82、 β2 ≈ -0.49 が得られる（実行値）。 これにより 2 変数の相対重要度を比較できる。

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

🧮 数式に値を入れて手で計算する: 標準化偏回帰係数

合成データで β* = β·(σ_x/σ_y) を計算する。

Step 1: 統計量

Step 2: β*

🐍 Python で再現

1
2
3
4
5

b = 1.892
sx = 1.924
sy = 3.674
b_std = b * sx / sy
print(f"β*: {b_std:.3f}")

📤 実行結果

💬 手計算 (Step 2) 0.991 と Python 出力が完全一致。

🎮 触って理解する — 「同じ b でも SD 次第で β は変わる」重要度比較ラボ

SSDSE-B-2026（2023 年・47 都道府県、encoding='cp932', skiprows=[1]）で、 消費支出 L3221（円/月）を 総人口 A1101（人）・年平均気温 B4101（℃）・住宅地平均価格 C5401（円/m²）の 3 変数で重回帰した実測値が初期状態です。 左の非標準化係数 b は単位が「円/人」「円/℃」「円/(円/m²)」とバラバラで、 棒の長さを比べても何の意味もないのに対し、 右の標準化 β は「説明変数が 1SD 動いたとき y が何 SD 動くか」という共通の物差しで比較できます。 各行の SD ゲージをドラッグすると、 b を固定したまま β = b × (S_x / S_y) の関係で β だけが伸び縮みする様子を体感できます。

⚠️ SD ゲージは「思考実験」：初期値（×1.00）は 2023 年 47 都道府県の実測 SD と、 Python（statsmodels/numpy）で推定した実測 b・β です。 ゲージを動かして SD を仮想的に変える部分は 「もし x の散らばりがもっと大きい／小さい母集団だったら」という思考実験です。 現実のデータで SD が変われば b の推定値自体も変わるため、 「b 固定で S_x だけ動く」状況は変換式 β = b·(S_x/S_y) の構造を見せるための教材上の単純化です。

💡 このラボから読み取る直感 — 「1SD 増えたら何 SD 増えるか」

初期状態の b を見ると、 年平均気温の b = −3,697 円/℃ が圧倒的に「大きく」見え、 総人口の b = +0.00106 円/人 はほぼゼロに見えます。 しかし β で比べると 気温 −0.314、 住宅地価格 +0.277、 総人口 +0.123 となり、 3 変数とも同じ土俵の中程度の影響だと分かります。 b の見かけの大小は「1 人」と「1℃」という刻みの粗さの違いを反映しているだけで、 変数の重要度ではありません。 β は「その変数として標準的な変化（1SD）が起きたとき、 y はどれだけ（y の SD 単位で）動くか」を測るので、 単位の刻みに騙されずに済みます。 姉妹ページ「回帰係数」では逆方向から、 単位を切り替えると b はスケールするが β は不動であることを SSDSE 実測値で確認できます。

⚠️ ラボで体感できる落とし穴

• |β| > 1 はあり得る：気温の SD ゲージを右端（×4.00）まで動かすと β は −1.25 まで達し、 破線で示した |β|=1 の線を越えます。 β は相関係数と違って −1〜+1 に収まる保証はありません。 実データでも多重共線性が強いとき（抑制効果 suppression）に |β|>1 が現れることがあり、 それ自体が「係数が信用できないサイン」ではなく共線構造を点検すべきサインです。
• 多重共線性下の β は不安定：このラボの 3 変数は VIF が小さい組合せを選んでいますが、 総人口と転入者数（VIF≈35）のような組では、 変数を 1 つ抜くだけで β の符号が反転します。 β のランキングを結論にする前に VIF と多重共線性の点検が先です。
• カテゴリ（ダミー）変数の β は解釈が崩れる：0/1 変数の「1SD 増」は現実に対応する操作がありません（例: SD=0.4 のダミーで「0.4 単位の東西移動」）。 ダミーは標準化せず b と平均差で報告する partial standardization が安全です。
• 異なるデータセット間で β は比較できない：β は S_x・S_y というそのデータ固有の散らばりに依存します。 まさにこのラボで SD ゲージを動かすと β が変わるように、 都道府県データ（2023 年）の β=0.28 と市区町村データの β=0.28 は「同じ強さ」を意味しません。 比較は同一データセット内の変数間に限るのが原則です。

🚀 発展 — β の先にある重要度指標

偏相関係数は「他の説明変数の影響を取り除いた後の x と y の相関」で、 β と並ぶ古典的な相対重要度指標です（β が「傾き」ベースなのに対し偏相関は「相関」ベース。 単回帰では両者は一致します）。 さらに優勢分析（dominance analysis）は、 説明変数のすべての部分集合にわたる R² の増分を平均して各変数の寄与を配分する手法で、 多重共線性があっても安定した重要度分解を与えます（Shapley 値による R² 分解と同系統で、 機械学習の SHAP の線形回帰版に相当）。 β のランキングが共線性で揺れるときは、 優勢分析・ΔR²・標準化済み Ridge 係数を突き合わせて頑健性を確認するのが実務的です。 モデル全体の枠組みは「重回帰」を参照してください。

🐍 Python 実装バリエーション（scikit-learn / scipy / Optuna）

A. scikit-learn による実装

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

from sklearn.linear_model import LinearRegression, Ridge, Lasso
from sklearn.preprocessing import StandardScaler
from sklearn.pipeline import Pipeline

# パイプラインで一気通貫
pipe = Pipeline([('scaler', StandardScaler()), ('lr', LinearRegression())])
pipe.fit(X_raw, y_raw)
print('標準化β（LinearRegression）:', pipe.named_steps['lr'].coef_)

# Ridge で多重共線性下の安定 β
ridge_pipe = Pipeline([('scaler', StandardScaler()), ('rdg', Ridge(alpha=1.0))])
ridge_pipe.fit(X_raw, y_raw)
print('Ridge β:', ridge_pipe.named_steps['rdg'].coef_)

# Lasso で sparse な β
lasso_pipe = Pipeline([('scaler', StandardScaler()), ('lso', Lasso(alpha=0.1, max_iter=10000))])
lasso_pipe.fit(X_raw, y_raw)
print('Lasso β:', lasso_pipe.named_steps['lso'].coef_)

B. scipy / statsmodels による実装

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

from scipy import stats
import numpy as np

# β の解析的標準誤差（教育用）
X_std = (X_raw - X_raw.mean()) / X_raw.std(ddof=1)
y_std = (y_raw - y_raw.mean()) / y_raw.std(ddof=1)
X_mat = np.column_stack([np.ones(len(X_std)), X_std])

# OLS 推定
betas = np.linalg.lstsq(X_mat, y_std, rcond=None)[0]
resid = y_std - X_mat @ betas
sigma2 = (resid @ resid) / (len(y_std) - X_mat.shape[1])
cov = sigma2 * np.linalg.inv(X_mat.T @ X_mat)
se = np.sqrt(np.diag(cov))
t = betas / se
p = 2 * (1 - stats.t.cdf(np.abs(t), df=len(y_std) - X_mat.shape[1]))

for name, b, s, tt, pv in zip(['Intercept'] + list(X_raw.columns), betas, se, t, p):
    print(f'{name:20} β={b:+.3f}, SE={s:.3f}, t={tt:+.2f}, p={pv:.4f}')

C. Optuna でハイパラ・選択最適化

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

# Ridge α を最適化して β の安定性を見る
import optuna
from sklearn.linear_model import Ridge
from sklearn.model_selection import cross_val_score

def objective(trial):
    alpha = trial.suggest_float('alpha', 1e-4, 1e3, log=True)
    pipe = Pipeline([('s', StandardScaler()), ('m', Ridge(alpha=alpha))])
    return -cross_val_score(pipe, X_raw, y_raw, cv=5,
                              scoring='neg_root_mean_squared_error').mean()

study = optuna.create_study(sampler=optuna.samplers.TPESampler(seed=0), direction='minimize')
study.optimize(objective, n_trials=40)
best_alpha = study.best_params['alpha']
print(f'Best α = {best_alpha:.3f}')

# 最適 α での β
pipe = Pipeline([('s', StandardScaler()), ('m', Ridge(alpha=best_alpha))])
pipe.fit(X_raw, y_raw)
for name, b in zip(X_raw.columns, pipe.named_steps['m'].coef_):
    print(f'  {name:18} β={b:+.3f}')

D. ライブラリ早見表

🐍 Python 実装 — 標準化β（標準偏回帰係数）

公的統計（SSDSE-B-2026）を題材に、 最小限の Python コードで 標準化β（標準偏回帰係数） を動作させます。 まずはこのまま実行してみてください。

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

# 標準化β（標準偏回帰係数） を SSDSE-B-2026 で実行する最小コード
import pandas as pd
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df[df['SSDSE-B-2026'] == 2023]  # 2023 年のみ抽出
print(df.shape)  # (47, 112)
print(df[['Prefecture','A1101','A1303','L3221']].head())

from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LinearRegression
import numpy as np
X = df[['A1101','A1303']].astype(float).values
y = df['L3221'].astype(float).values
Xs = StandardScaler().fit_transform(X)
ys = (y - y.mean()) / y.std(ddof=0)
lr = LinearRegression().fit(Xs, ys)
for c, b in zip(['A1101','A1303'], lr.coef_):
    print(f'標準化β({c})={b:.3f}')

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

⚠️ 落とし穴（拡張版・各 100 文字以上）

⚠️ よくある落とし穴 — 標準化β（標準偏回帰係数）

標準化β（標準偏回帰係数） を使うとき、 SSDSE-B-2026 の A1101（総人口）・L3221（消費支出）・A1303（65 歳以上人口）の重回帰で「βは因果効果」と誤読したり、 ダミー変数まで標準化して解釈不能になる失敗が頻発します。 標本依存性 (xの標準偏差が母集団で変わるとβも動く) も含め、 「比較指標であって母数推定ではない」を出発点に据えると罠は減ります。

🌐 関連手法・派生 — 標準化β（標準偏回帰係数） の周辺

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

このうち 回帰係数・重回帰・線形回帰・単回帰・回帰分析 は本サイトに個別ページがあります。 表の右列は「この用語との違い」を書いたものなので、まず違いが腑に落ちない行のリンクから開くと、 差分だけを追えて速く読めます。

🔗 関連用語（前提・並列・発展）

標準化β（標準偏回帰係数） を理解する順序。 「前提」=分散・標準偏差・回帰係数で量の感覚をつかむ／「並列」=AIC や調整済み R² で説明変数の重要度を別軸でも測る／「発展」=VIF / 多重共線性 / ロジスティック回帰へ進み、 βの限界と分類問題への一般化を理解する、 と進めるのが定石です。

• 🔗 VIF
• 🔗 AIC
• 🔗 調整済み R²
• 🔗 ロジスティック回帰
• 🔗 プロビット
• 🔗 多重共線性
• 🔗 回帰直線
• 🔗 標準偏差
• 🔗 分散

📚 統計学習の総合ガイド

📚 統計学習の総合ガイド

🎯 学習目標

このページの概念をマスターすることで、 以下のスキルが身につきます：

• 定義と公式を正確に理解
• 適切な使用場面を判断
• Python で実装し、 結果を可視化
• 仮定の確認と診断
• 結果の解釈と報告
• 限界と注意点の理解
• 関連手法との使い分け

📊 SSDSE-B-2026 データの構造

このコンペの主要データセット（SSDSE-B-2026）の構造：

• 47都道府県 × 過去複数年（パネル形式）
• 112列の社会経済指標
• 人口、 出生、 死亡、 婚姻、 経済、 教育、 環境、 家計など多次元
• 政府統計を統合した信頼性の高いデータ

🔍 主要な変数群

💡 ジャストインタイム型学習

このガイドは「必要なときに必要な知識」を提供する設計：

• 論文中の用語をクリック → 該当の用語解説へジャンプ（ポップアップ）
• 概念マップで関連用語を辿る
• 包含マップで体系を把握
• ツリーマップで全体を俯瞰
• Python コードをコピーして実行
• SSDSE データで実際に試す

🛠️ Python データサイエンス環境

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

# 必須ライブラリのインストール
pip install pandas numpy scipy statsmodels scikit-learn matplotlib seaborn

# 標準的なインポート
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from scipy import stats
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split
from sklearn.metrics import r2_score, mean_squared_error

# 日本語表示の設定（matplotlib）
plt.rcParams['font.family'] = 'Hiragino Sans'
plt.rcParams['axes.unicode_minus'] = False

# データ読み込み（SSDSE は cp932 エンコーディング）
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932')
print(df.shape)
print(df.head())
print(df.describe())

🌟 効果的なEDAテンプレート

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

def quick_eda(df, target=None):
    """探索的データ分析の基本テンプレート"""
    print(f"Shape: {df.shape}")
    print(f"\nColumn types:\n{df.dtypes}")
    print(f"\nMissing values:\n{df.isnull().sum()}")
    print(f"\nBasic stats:\n{df.describe()}")

    # 数値列の可視化
    numeric_cols = df.select_dtypes(include=[np.number]).columns
    df[numeric_cols].hist(bins=20, figsize=(15, 10))
    plt.tight_layout()
    plt.show()

    # 相関ヒートマップ
    if len(numeric_cols) > 1:
        plt.figure(figsize=(12, 10))
        sns.heatmap(df[numeric_cols].corr(), annot=True, fmt='.2f',
                    cmap='RdBu_r', center=0)
        plt.show()

    # ターゲットがあれば散布図行列
    if target and target in df.columns:
        sns.pairplot(df[numeric_cols[:5]], hue=target if df[target].dtype == 'O' else None)
        plt.show()

📈 報告書テンプレート

分析結果を報告する際の標準的な構成：

1. 背景・目的：なぜこの分析が必要か
2. データ：出所、 サンプルサイズ、 期間
3. 方法：使用した統計手法、 仮定
4. 結果：図表、 統計量、 検定結果
5. 解釈：結果が何を意味するか
6. 限界：分析の制約
7. 結論：要点まとめ、 今後の課題

標準化β（標準偏回帰係数） の全体像を学ぶには、 横断的な教材から入るのが効率的：

• 📚 論文一覧 — 回帰 の再現論文を一覧できる
• 📚 用語集トップ — 標準化β（標準偏回帰係数） の周辺概念を一気に俯瞰
• 📚 概念マップ — 標準化β（標準偏回帰係数） がどの位置にあるか確認

🎯 直感を深める — 「単位を消す」とはどういう操作か

標準化偏回帰係数（標準化β）を一言でいうと 「全変数を平均 0・分散 1 に揃えてから回した回帰の傾き」です。 標準化（z スコア化）は各変数を「その変数の標準偏差 1 個ぶん」を新しい物差しの 1 目盛りに取り替える操作なので、 標準化βは 「説明変数を 1 標準偏差だけ動かしたとき、 目的変数が何標準偏差動くか」という応答量になります。 円・℃・人・円/m² といった元の単位が消えるため、 意味の違う変数どうしでも「効きの大きさ」を同じ土俵で並べられます。

この変換式は「なぜ b の見かけの大小が重要度と無関係か」を説明します。 b は「x が1 単位（=1 円、 1℃）動いたときの y の変化」なので、 単位の刻みが細かい変数ほど b は小さく、 粗い変数ほど大きく見えるだけです。 β はその刻みを「その変数にとって標準的な変化量（1SD）」に統一するので、 刻みの粗さに惑わされません。

📊 実データで「単位の刻み」を消す — SSDSE-B-2026（2023, n=47）

消費支出 L3221（二人以上世帯・円/月）を、 スケールの異なる 3 つの強度変数 — 年平均気温 B4101（℃）・住宅地標準価格 C5401（円/m²）・高齢化率（A1303/A1101）— で重回帰した実測値です（全変数を標準化して OLS、 VIF はいずれも 2.4 未満で共線性は軽微）。 総人口のような規模変数を外したので、 標準化βが 1 変数に支配されず横並びで比較できます。

R²=0.269。 元の b は「円/℃」「円/m²」「円/(比率)」と単位がバラバラで棒の長さを比べても無意味ですが、 β に直すと「気温と高齢化率が同程度に効き、 地価はほぼ効かない」と一目で読めます。 温暖・高齢な県ほど二人以上世帯の消費支出がやや低い傾向、 という相関的な読み（因果ではない）です。

⚠️ 落とし穴を深掘り — 「標準化βの大小＝重要度」ではない

標準化βは便利ですが、 「|β| が大きい変数ほど重要」という素朴な読みは何通りもの理由で崩れます。 既存の「⚠️ 落とし穴」セクションと重複しないより踏み込んだ論点を、 SSDSE-B-2026 の実測を交えて整理します。

🚀 発展 — 偏相関・相対重要度・正則化・効果量とのつながり

標準化βは「相対重要度を測る古典的指標」の一つに過ぎません。 隣接する概念と突き合わせると、 β の位置づけと限界がはっきりします。

① 単回帰では 標準化β = 相関係数

説明変数が 1 つだけの単回帰では、 標準化βは相関係数 $r$ と数値まで完全一致します（$\beta^{*}=b\cdot S_x/S_y = r$）。 上の SSDSE 実測でも、 単回帰の標準化βは 気温 −0.230、 地価 +0.310、 高齢化率 −0.306 で、 それぞれ y との相関係数と小数第 3 位まで一致しました。 つまり単回帰の標準化βは相関、 重回帰の標準化βは「相関を他変数で補正したもの」と捉えると理解が繋がります。

② 偏相関係数との関係

重回帰の標準化βと偏相関係数（他の説明変数の影響を除いた x と y の相関）は、 符号が必ず一致し、 大きさも近い値になります（ただし一致はしません。 β は「傾き」ベース、 偏相関は「相関」ベースで、 分母が異なる）。 実測では 気温の β=−0.446 に対し偏相関 −0.422、 地価の β=+0.127 に対し偏相関 +0.105 と、 符号一致・近接を確認できます。 どちらも「他変数を統制した効き」を測る指標で、 β が傾きの単位なし版、 偏相関がその相関版という関係です（※用語ページ partial-correlation は準備中のためテキストで補足）。

③ 相対重要度指標（LMG / Shapley / 優勢分析）

|β| のランキングは共線性で揺れるため、 より頑健な相対重要度として LMG（Lindeman-Merenda-Gold）や 優勢分析（dominance analysis）があります。 これらは説明変数のあらゆる部分集合にわたる R² の増分（ΔR²）を平均し、 各変数へ寄与を配分する手法で、 SHAP と同じShapley 値の枠組みに立ちます（LMG は線形回帰版の Shapley 分解）。 R の relaimpo、 Python の dominance-analysis で計算でき、 全寄与の和が R² に一致するため「モデルの説明力を変数間で山分けした」と解釈できます。 β のランキングが不安定なときは、 LMG・ΔR²・標準化済み Ridge 係数を突き合わせて頑健性を確認します。

④ 正則化（Ridge / Lasso）との関係

正則化回帰（Lasso・Ridge）は係数の大きさにペナルティを課すため、 変数のスケールに敏感です。 したがって Ridge/Lasso を使う前に標準化は事実上必須で、 得られる係数はそのまま標準化β系の量になります。 Ridge は共線変数の β を 0 方向へ縮めて安定化し（|β|>1 の暴走を抑える）、 Lasso は不要変数の β を厳密に 0 にして変数選択も同時に行います。 α（罰則強度）を上げるほど β は縮みますが、 相対的な重要度の順位は保たれることが多く、 共線性の強い変数群ほど縮小の恩恵が大きくなります。

⑤ 効果量としての標準化β

標準化βは、 単回帰では相関係数 $r$ に一致することから分かるとおり、 効果量（単位に依存しない効きの大きさ）の一種です。 慣習的な目安として |β| ≈ 0.1 で小、 0.3 で中、 0.5 以上で大とされることがありますが、 これは分野・データ依存の粗い目安に過ぎません。 小標本（SSDSE の n=47 など）では β の標準誤差が大きく信頼区間が広いため、 点推定だけで「効果が大／小」と断じず、 95%CI とサンプルサイズを必ず併記するのが効果量報告の作法です。

🗺 概念マップ — 標準化β の知識ネットワーク

標準化β（標準化偏回帰係数）は「単位を揃えた重回帰の傾き」。 周辺地図は 標準化（z 変換） → OLS / 重回帰 → β'＝β·(SD_x/SD_y) という変換式 → 多重共線性・VIF・寄与度比較 という流れで広がる。 機械学習で言う permutation importance / SHAP は β を補完する非線形版の重要度として隣接している。

📍 体系階層のパス

🌐 統計・データサイエンス › 関連・回帰 › 回帰 › 標準化偏回帰係数（単位に依存しない回帰係数）

① 🔗 関係マップ — 「他の手法とどう繋がっているか」

中心に 標準化偏回帰係数 を置き、 そこから 回帰係数・標準化・重回帰・OLS・正規化・PCA など 計 8 個の用語へ、 前提・兄弟・発展形といった関係を矢印で結んでいます。 線がどちら向きかを見れば、 先に読むべき用語とあとから読む用語が分かります。 ノードはドラッグで動かせ、 ホイールでズーム、 クリックでその用語のページへ遷移します。

② ⭕ 包含マップ — 「どのカテゴリに含まれているか」

大きな円が小さな円を包含する Circle Packing 図。 「標準化偏回帰係数」は緑色でハイライト。

• カテゴリ円をクリック：その内部にズームイン
• 白背景クリック：1階層戻る
• 用語円をクリック：詳細ページへ遷移
• マウスホバー：階層パス表示

③ 🌳 ツリーマップ — 「面積で見るボリューム比較」

長方形を入れ子に分割した Treemap 図。 各分野の規模感を面積で比較。 「標準化偏回帰係数」は緑色でハイライト。

• カテゴリ矩形をクリック：その内部にドリルダウン
• パンくず（上のリンク）クリック：その階層に戻る
• 用語矩形をクリック：詳細ページへ遷移
• マウスホバー：階層パスと値を表示

🎯 3つのマップの使い分け

💡 3 つの図は同じ位置関係を別の角度から描いています。 関係マップは 標準化偏回帰係数 の隣に何が並ぶかを、 包含マップとツリーマップは 統計・データサイエンス → 回帰 → 標準化偏回帰係数 という入れ子の位置を示します。 「回帰には他に何があったか」を思い出したいときは包含マップを、 「次に何を読むか」を決めたいときは関係マップを開いてください。

🔗 隣接手法への橋渡し

標準化偏回帰係数 β* = β · (SD_x / SD_y) は重回帰の係数を「単位フリー」にして変数間の相対的影響度を比較できるようにする変換。 SSDSE-B-2026 で L3221 (消費支出) を「A1101 (総人口) + A1303 (65 歳以上人口) + A1301 (年少人口)」で説明する重回帰で、 各説明変数の影響の大小を絶対比較できる。 |β*| が大きい変数ほど目的変数への寄与が大きい。

• 上流: 標準化 (Z 変換)、 重回帰分析、 多重共線性 (VIF 高いと β* の信頼性低下)。
• 並列: 偏相関係数、 SHAP 値 (機械学習版の特徴量寄与度)、 Permutation Importance。
• 下流: パス解析、 構造方程式モデル (SEM) での標準解、 寄与度ランキングによる政策提言。

非標準化 β は「単位変化あたりの y 変化」(解釈しやすい)、 標準化 β* は「1 SD 変化あたりの y SD 変化」(変数間比較できる)。 SSDSE 分析では両方を報告するのが標準。

🌳 手法選択フロー

標準化偏回帰係数 (β) は「説明変数の重要度比較」に使われるが、 変数のスケール・多重共線性・カテゴリ変数の有無で使い分けが必要。 以下に典型シナリオと推奨重要度指標を示す。

典型シナリオ別の手法選択

選んだ後の検証ステップ

1. 標準化の確認: X と y を (x − mean)/sd で標準化してから OLS、 切片 ≈ 0 になることを確認
2. VIF チェック: VIF > 10 の変数は β の絶対値が膨らむ。 該当変数は除外 or 統合 or Ridge へ
3. 符号反転に注意: 多重共線性下では β の符号が単回帰と逆転することがある。 SSDSE-B-2026 で人口と所得を同時投入すると典型
4. カテゴリ変数: ダミー変数は標準化しても解釈意味が薄い。 連続変数とは別扱いに
5. SHAP との対照: 線形なら β と SHAP 平均絶対値は近い。 大きく乖離するなら非線形性を疑う