🧬 目的変数の類型学（典型 8 パターン）

目的変数 $Y$ の「型」を把握することは、 損失関数・評価指標・モデル選択の起点になる。 「数値か、 カテゴリか」「単一か、 複数か」「順序があるか、 ないか」「時間軸を含むか」の 4 軸で 8 つの典型に整理できる。

💡 目的変数の型を間違えるリスク：例えば「3 段階の地域区分」を連続回帰で扱うと、 順序関係の歪み（1→2 と 2→3 の意味が等距離でない）を無視してしまう。 まず型を確定させてから損失関数を選ぶこと。

📊 SSDSE-B-2026 で見る目的変数の分布診断

目的変数を選んだら、 まずその「分布」を診断する。 ここでは「総人口」「出生数」「死亡数」の 3 つを目的変数候補として、 歪度・尖度・対数変換の効果を SSDSE-B-2026 で確認する。

このコードでやること：SSDSE-B-2026 の 3 列を Y 候補とし、 平均/中央値/標準偏差/歪度/尖度を計算、 対数変換による正規性改善を確認する。

📥 入力データ（SSDSE-B-2026 抜粋）:

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

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

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df[df['SSDSE-B-2026'] == 2023]
candidates = ['A1101', 'A4101', 'A4200']
for col in candidates:
    y = df[col].dropna().astype(float)
    print(f'{col}: mean={y.mean():.1f}, median={y.median():.1f}, '
          f'skew={stats.skew(y):.3f}, kurt={stats.kurtosis(y):.3f}')
    log_y = np.log1p(y)
    print(f'  log変換後: skew={stats.skew(log_y):.3f}, kurt={stats.kurtosis(log_y):.3f}')

📤 実行すると次の出力が得られる:

💬 結果の読み方：3 候補とも歪度 1.8〜2.3 の強い右裾（東京・大阪の影響）。 log1p 変換で歪度が 0.7〜0.8 前後まで大きく下がり、 線形回帰や正規性を仮定する手法に乗せやすくなる。

🕳 ターゲットリーケージの 6 つの典型

目的変数を設定する際、 $Y$ の情報が $X$ にこっそり混入している（target leakage）と、 「学習時はほぼ完璧、 本番は使い物にならない」モデルが出来上がる。 SSDSE-B-2026 を例に、 6 パターンを潰す。

⚠️ 診断ヒント：CV スコアが「R² > 0.99」など現実離れしている時、 ほぼ確実に何らかの leakage が混入している。 「データができるタイミング」「Y を計算する時に使った変数」を必ず洗い出すこと。

🔁 目的変数の変換とその逆変換の落とし穴

右裾の長い $Y$ を扱うとき、 「$\log Y$ を予測 → 逆変換」というパイプラインは定番だが、 逆変換の Jensen 不等式で平均推定にバイアスが乗ることに注意したい。

数式で読み解くと、 $\mathbb{E}[\exp(\log Y)] \neq \exp(\mathbb{E}[\log Y])$ である。 正規分布 $\log Y \sim N(\mu, \sigma^2)$ の下では真の平均は $\exp(\mu + \sigma^2/2)$（log-normal の平均）で、 $\sigma^2/2$ の補正が必要。

このコードでやること：SSDSE-B-2026 の出生数を対数変換し、 単純逆変換と Smearing 補正の差を比較する。

📥 入力データ: SSDSE-B-2026 47 県の「出生数」列。

 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
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]
y = df['A4101'].dropna().astype(float).values
log_y = np.log(y)
mu = log_y.mean()
sigma2 = log_y.var(ddof=1)

# (a) 単純逆変換 exp(mu)
naive = np.exp(mu)
# (b) log-normal 平均 exp(mu + sigma^2/2)
lognorm = np.exp(mu + sigma2/2)
# (c) Duan smearing 補正 exp(mu) * mean(exp(residual))
resid = log_y - mu
smear = np.exp(mu) * np.mean(np.exp(resid))

true_mean = y.mean()
print(f'真の平均       : {true_mean:.1f}')
print(f'単純 exp(mu)   : {naive:.1f}  誤差 {(naive-true_mean)/true_mean*100:.1f}%')
print(f'log-normal 補正: {lognorm:.1f}  誤差 {(lognorm-true_mean)/true_mean*100:.1f}%')
print(f'Duan smearing  : {smear:.1f}  誤差 {(smear-true_mean)/true_mean*100:.1f}%')

📤 実行すると次の出力が得られる:

💬 結果の読み方：単純 exp(mu) は真の平均から約 33% 過小評価する。 log-normal 補正で −5.0% に、 Duan smearing で誤差ほぼ 0% に収まる。 $Y$ を変換した瞬間「逆変換のバイアス補正方法」を一緒に決めること。

🎯 多目的（multi-target）回帰の実装

「総人口・出生数・死亡数」を同時に予測する場合、 (1) 独立に学習する MultiOutputRegressor、 (2) 出力を共有する RegressorChain、 (3) 直接対応する Ridge 等が選べる。 目的変数間の相関構造を活かすかどうかが鍵。

このコードでやること：SSDSE-B-2026 で 3 列を同時予測し、 multi-output Ridge と chain の RMSE を比較する。

📥 入力データ: SSDSE-B-2026 47 県、 説明変数 5 列・目的変数 3 列。

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

import pandas as pd
import numpy as np
from sklearn.linear_model import Ridge
from sklearn.multioutput import MultiOutputRegressor, RegressorChain
from sklearn.model_selection import cross_val_score
from sklearn.preprocessing import StandardScaler

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df[df['SSDSE-B-2026'] == 2023]
X_cols = ['A1303', 'E2501', 'I5102', 'C3301', 'G7101']
Y_cols = ['A1101', 'A4101', 'A4200']
X = StandardScaler().fit_transform(df[X_cols].values)
Y = np.log1p(df[Y_cols].values)

# (a) 各 Y を独立に Ridge
m_indep = MultiOutputRegressor(Ridge(alpha=1.0))
# (b) 連鎖 (chain): 1 つ前の予測値を次の特徴量に
m_chain = RegressorChain(Ridge(alpha=1.0), order=[0,1,2])

for name, m in [('独立 Ridge', m_indep), ('Chain Ridge', m_chain)]:
    scores = cross_val_score(m, X, Y, scoring='neg_root_mean_squared_error', cv=5)
    print(f'{name}: RMSE = {-scores.mean():.4f} (±{scores.std():.4f})')

📤 実行すると次の出力が得られる:

💬 結果の読み方：3 つの $Y$（総人口・出生数・死亡数）はいずれも人口規模と強く相関する。 この例では説明変数が規模情報を十分に含むため、 独立 Ridge と chain の差はほとんど出ず（ともに RMSE ≒ 0.309）、 chain の効果は限定的だった。 目的変数間に強い残差相関が残る場合に chain が効く。

⚖️ 分類における目的変数の不均衡対策

$Y \in \{0,1\}$ で正例率が 5% 以下になると、 「全て 0 予測」モデルが accuracy 95% を出してしまう罠に陥る。 SSDSE-B-2026 で「人口減少率 ≧ 5% の県」を $Y=1$ とした場合の対策を見ていく。

数式を言葉で読み解くと、 ベイズの定理から事後確率 $P(Y=1\mid X) = \frac{P(X\mid Y=1) P(Y=1)}{P(X)}$ で、 事前 $P(Y=1)$ が極端に小さいと、 ロジスティック回帰の切片が大きく負方向に振れる。 そのため class_weight='balanced' や focal loss、 under/over-sampling で実効的な事前確率を持ち上げる。

🏛 「目的変数」概念の歴史的展開

「目的変数」は分野ごとに違う名前を背負って発展してきた。 用語の出自を知ると、 論文を読むときの混乱が減る。

論文では「response, outcome, dependent variable, endogenous, target, label, $y$」が全て同じものを指すことがある。 ただし 因果推論では「outcome」、 機械学習では「target/label」と使い分けるのが慣例。

❓ よくある質問（FAQ）

Q1. 目的変数を 2 つ持つときは別々に学習すべきか？

相関が弱ければ独立学習で十分。 相関が強い場合は multi-output や chain で、 一方の予測誤差を他方が補完できる。 ただし下の SSDSE の例（総人口・出生数・死亡数）では独立 Ridge と chain の RMSE がどちらも 0.3088 で差が出なかった。 説明変数で説明しきれない残差どうしに相関が残るときに差が出る。

Q2. $Y$ を対数変換した時の評価指標は？

log 空間で RMSE を計算（= RMSLE）か、 逆変換してから RMSE。 後者は外れ値に弱いので、 業務目的（小さい県も大きい県も同じ重要度か）で決める。

Q3. 目的変数にノイズが混入していたら？

ラベルノイズと呼ぶ。 ロバスト損失（Huber、 quantile）、 学習データのクリーニング、 confidence learning が選択肢。

Q4. 因果推論の「outcome」は普通の目的変数と何が違う？

因果効果の推定では「介入 $T$ がなかった場合の $Y$（反実仮想）」をモデル化するため、 単なる予測より厳しい仮定が要る。 ただしモデル化の対象としては同じ $Y$。

Q5. 目的変数の単位を変えた（円→千円）と結果は変わる？

線形モデルの係数は単位スケールに従って変わるが、 R² や予測の相対誤差は不変。 ただし MSE は単位の 2 乗で変わるので、 報告時に単位を明記すること。

✅ 目的変数選定チェックリスト（実務適用 12 項目）

1. 定義の明確さ：「何を予測するか」を 1 文で言えるか。
2. 測定可能性：$Y$ は観測でき、 一意に決まるか。
3. 型の確定：連続/二値/多クラス/順序/時系列のどれか。
4. 分布の確認：歪度・尖度・外れ値を可視化したか。
5. 変換の必要性：log/Box-Cox/Yeo-Johnson の検討。
6. 欠損率：欠損率 30% 以下か、 欠損メカニズムは MAR か。
7. 不均衡：分類なら正例率と class_weight 戦略。
8. リーケージ：時間軸と特徴量起源を全部洗ったか。
9. 評価指標：業務指標とのアラインメントを確認したか。
10. ベースライン：平均/最頻値以上を出せる構成か。
11. 変動分：cross-validation で安定するか（std/mean）。
12. 下流影響：予測結果は誰がどう使うか、 説明責任は？

📒 目的変数まわりのミニ用語集

🔬 目的変数を深く理解する — SSDSE-B-2026 都道府県データでの徹底検証

「目的変数（target variable, Y, 従属変数）」は予測の対象であり、 モデル設計の出発点である。 ここでは SSDSE-B-2026（47 都道府県・約 112 列・2012-2023 年の公的統計）を用い、 目的変数の選び方が結果をどう左右するかを 6 つの観点から検証する。 散布図・ヒストグラム・箱ひげ図の 3 種類の可視化で、 目的変数の「分布形状」「外れ値」「スケール」を視覚的に把握することが、 すべての分析の出発点である。

① 目的変数の分布形状を見る (散布図)

まず、 目的変数 Y と説明変数 X の関係を散布図で確認する。 SSDSE-B-2026 の 2023 年度から「出生数（人）」を Y、 「総人口（人）」を X として 47 都道府県をプロットしたものが下図である。 r = 0.995 の強い右上がりの直線関係が確認でき、 線形回帰の候補になり得ることが視覚的にわかる。

💡 読み方：散布図で「直線的か曲線的か」「ばらつきが一定か末広がりか」「外れ値があるか」を必ず確認する。 これらは目的変数の前処理（対数変換・スケーリング・外れ値除外）の判断材料になる。 散布図なしで回帰モデルを組むのは、 地図を見ずに登山するに等しい。

② 目的変数の分布のヒストグラム

目的変数 Y そのものの分布形状は、 ヒストグラムで一目で判断できる。 出生数（人）の 47 都道府県分布（2023 年度）は右に強く歪んでおり、 平均 15,474 人が中央値 9,524 人を大きく上回る典型的な「歪んだ分布」（歪度 2.29）を示す。 こうした分布のままで線形モデルに投入すると、 大都市圏の影響が過大となるため、 対数変換 \( \log Y \) を施すのが標準対応である。

💡 判断基準：ヒストグラムが (a) 左右対称で釣鐘型 → そのまま線形モデル可、 (b) 右に歪み → \(\log Y\) または \(\sqrt{Y}\) 変換、 (c) 二峰性 → 群を分けて別モデル、 (d) 0 が多くて右に裾 → ゼロ過剰モデルやポアソンを検討。 目的変数の分布形状こそモデル選択の最重要シグナル。

③ 目的変数のグループ間比較 (箱ひげ図)

目的変数を地域別・カテゴリ別に層別すると、 単純なヒストグラムでは見えない「群間差」が浮かび上がる。 ここでは 47 都道府県を「三大都市圏の中心 (東京都・愛知県・大阪府)」「政令市保有県 (それ以外で政令指定都市のある 13 道府県)」「その他県 (31 県)」の 3 群に分け、 2023 年度の出生数を箱ひげ図で比較した。 中央値・四分位範囲・外れ値の三点が、 群ごとに大きく異なることが視認できる。

💡 箱ひげ図でわかること：(i) 群ごとの中央値の位置（縦の位置）、 (ii) 四分位範囲の広さ（箱の高さ）、 (iii) 外れ値の数と位置（ひげの外の点）。 群間で中央値が箱の幅以上に離れていれば、 群間差は実質的に大きい可能性が高い。 詳細は 分散分析（ANOVA） や t 検定 で統計的に検定する。

④ 目的変数の作り方 8 パターン — SSDSE-B から実例

目的変数は元データの列をそのまま使うこともあるが、 多くの分析では「派生変数」を Y として設計する。 SSDSE-B-2026 で実際にあり得る 8 パターンを表にまとめる。

同じ生データ「出生数」からでも、 目的変数の作り方を変えるだけで、 (a) タスク種別が回帰 → 分類 → 順序回帰と変わり、 (b) 使うべきモデルが線形回帰 → ロジスティック → ARIMA と変わり、 (c) 解釈の言葉も「いくら？」 → 「どちら？」 → 「どの段階？」と変わる。 目的変数の選択は、 分析全体の方向性を決める最初の意思決定である。

⑤ 目的変数の品質チェック 7 項目

モデルを組む前に、 目的変数自体の品質を確認する 7 項目チェックリストを示す。 これを怠ると、 後から「予測精度が上がらない」「変な係数が出る」と悩むことになる。

⑥ 目的変数まわりの計算手順を Python で再現

このコードでやること：SSDSE-B-2026 を読み込み、 目的変数の (a) 要約統計、 (b) 歪度・尖度、 (c) 対数変換前後の比較、 (d) グループ別中央値、 をまとめて出力する。

📥 入力データ (SSDSE-B-2026 抜粋):

 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
import numpy as np
from scipy import stats

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df_2023 = df[df['SSDSE-B-2026'] == 2023]
y = df_2023['A4101']

# (a) 要約統計
print('要約統計:\n', y.describe())

# (b) 歪度・尖度
print('skewness:', stats.skew(y))
print('kurtosis:', stats.kurtosis(y))

# (c) 対数変換前後の比較
y_log = np.log10(y)
print('log skewness:', stats.skew(y_log))

# (d) 三大都市圏フラグでグループ別中央値
big3 = ['東京都', '大阪府', '愛知県']
df_2023 = df_2023.assign(group=df_2023['Prefecture'].isin(big3).map({True: '三大都市圏', False: 'その他'}))
print(df_2023.groupby('group')['A4101'].median())

📤 実行すると次の出力が得られる:

💬 読み方：2023 年度の出生数は平均 15,474 人に対して中央値 9,524 人で、歪度 2.29・尖度 5.27 と右に長い裾を持ち、そのままでは線形回帰の残差が東京都などに引っ張られる。log10 変換で歪度は 0.80 まで下がる。三大都市圏（東京・大阪・愛知）の中央値 55,292 人はその他 44 道府県の 9,134 人の約 6.1 倍で、この差をモデルがどう扱うかで「全国平均的な県」の予測精度が大きく変わる。

⑦ 目的変数選びの 3 つの失敗パターン

⑧ 関連手法と次のステップ

目的変数を決めたら、 次に必要なのは「説明変数の選択」「モデルの選択」「評価指標の決定」の 3 つ。 それぞれ用語ページを参照のこと。

⑨ 目的変数の単位とスケール変換 — 解釈を左右する 5 つの局面

目的変数の単位とスケールは、 モデルの係数解釈と予測値の意味を決める最重要要素である。 SSDSE-B-2026 の「出生数（人）」を例に、 5 つの代表的な変換と、 それぞれの場面でどう解釈が変わるかを整理する。 単位は「数値」だけでなく「文の意味」を変える。

このコードでやること：出生数（人）に 5 種類のスケール変換を適用し、 変換前後の歪度と最小・最大を表で比較する。

 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 import stats

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
y = df[df['SSDSE-B-2026'] == 2023]['A4101'].dropna()

variants = {
  '原単位'      : y,
  '対数 (log10)' : np.log10(y),
  '標準化'      : (y - y.mean()) / y.std(),
  '正規化 [0,1]' : (y - y.min()) / (y.max() - y.min()),
  'Box-Cox'    : pd.Series(stats.boxcox(y)[0], index=y.index),
}

result = pd.DataFrame({
  k: [v.min(), v.max(), v.mean(), v.std(), stats.skew(v)]
  for k, v in variants.items()
}, index=['min', 'max', 'mean', 'std', 'skew'])
print(result.round(3))

📤 実行すると次の出力が得られる:

💬 読み方：標準化・正規化はスケールを揃えるが歪度は変えない（線形変換なので）。 一方、 対数と Box-Cox は形状を変える。 Box-Cox の歪度 0.12 はほぼ正規分布に近い。 ただし Box-Cox 後の値（2.05 ～ 2.08）は人間には解釈不能なので、 「予測精度を上げたいなら Box-Cox、 解釈したいなら対数、 報告には原単位」と使い分ける。

⑪ 目的変数の作り方を間違えた実例 5 件

実際の研究報告で繰り返し見られる「目的変数の設計ミス」を 5 件挙げる。 これらは「分析の前提」が崩れる致命的ミスなので、 自分の分析設計をレビューする際の指針にしてほしい。

⑬ 目的変数とモデル評価指標の対応表

目的変数の種類によって、 適切な評価指標は変わる。 回帰なら RMSE と MAE、 分類なら accuracy と F1、 順序回帰なら QWK というように、 「Y の性質に合った指標」を選ばないと、 モデルの良し悪しを正しく判定できない。 ここでは Y のタイプ別に推奨指標を整理する。

⑭ 目的変数の数式表現と典型モデル

目的変数の確率分布の仮定は、 モデルそのものを決める。 線形回帰は正規分布、 ロジスティック回帰は二項分布、 ポアソン回帰はポアソン分布、 と Y の分布によってモデル族が変わる。 これを統一的に扱う枠組みが「一般化線形モデル（GLM）」である。

線形回帰モデル:

\[ Y_i = \beta_0 + \beta_1 X_{i1} + \cdots + \beta_p X_{ip} + \varepsilon_i, \quad \varepsilon_i \sim N(0, \sigma^2) \]

ロジスティック回帰モデル:

\[ \Pr(Y_i = 1 \mid X_i) = \frac{1}{1 + \exp(-(\beta_0 + \beta_1 X_{i1} + \cdots + \beta_p X_{ip}))} \]

ポアソン回帰モデル:

\[ Y_i \sim \mathrm{Poisson}(\lambda_i), \quad \log \lambda_i = \beta_0 + \beta_1 X_{i1} + \cdots + \beta_p X_{ip} \]

上の 3 式の左辺はすべて Y だが、 右辺の組み立て方が異なる。 線形回帰は「Y そのもの」を線形和で予測、 ロジスティック回帰は「Y=1 の確率」をシグモイドで予測、 ポアソン回帰は「Y の期待値の対数」を線形和で予測する。 この違いは Y の性質に由来する：連続値・確率・カウント。 目的変数の性質を見極めることが、 モデル選択の鍵である。

⑮ 目的変数を時系列で扱うときの注意

SSDSE-B-2026 は 2012-2023 年の年次データを持つ。 目的変数を時系列で扱うときは、 (a) 同一県の年次間相関、 (b) 単年データへの集約方法、 (c) パネル構造の利用、 の 3 点が論点になる。

このコードでやること：出生数について、 上記 6 つの扱いを Python で並列に計算し、 同じ生データから異なる Y がどのように生まれるかを示す。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34

import pandas as pd
import numpy as np

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
yvar = 'A4101'

# 1. 最新年
y_latest = df[df['SSDSE-B-2026'] == 2023].set_index('Prefecture')[yvar]

# 2. 期間平均
y_mean = df.groupby('Prefecture')[yvar].mean()

# 3. 差分
v10 = df[df['SSDSE-B-2026'] == 2012].set_index('Prefecture')[yvar]
v22 = df[df['SSDSE-B-2026'] == 2023].set_index('Prefecture')[yvar]
y_diff = v22 - v10

# 4. 伸び率
y_rate = (v22 - v10) / v10

# 5. 線形トレンド係数 (県別)
def slope(group):
    g = group.dropna()
    return np.polyfit(g['SSDSE-B-2026'], g[yvar], 1)[0]
y_trend = df.groupby('Prefecture').apply(slope)

# 6. パネル (そのまま)
y_panel = df.set_index(['Prefecture', 'SSDSE-B-2026'])[yvar]

print('最新年 (東京都):', y_latest.loc['東京都'])
print('期間平均 (東京都):', y_mean.loc['東京都'])
print('差分 (東京都):', y_diff.loc['東京都'])
print('伸び率 (東京都):', y_rate.loc['東京都'])
print('トレンド係数 (東京都):', y_trend.loc['東京都'])

📤 実行すると次の出力が得られる:

💬 読み方：東京都の出生数は 2012 年比で約 19.6% 減（伸び率）、 年あたり約 2,126 人減（トレンド係数）、 11 年間で 21,053 人減（差分）。 これらはすべて「東京都の少子化」を表すが、 解釈は微妙に異なる。 同じ生データから派生する 6 種類の Y が、 それぞれ独立の研究テーマになり得る。

⑯ 目的変数とプロジェクト全体の関係表

目的変数は分析プロジェクトの「中心」に位置する。 周辺に説明変数、 モデル、 評価指標、 解釈、 意思決定が並ぶ。 目的変数が変わると、 これらすべてが連鎖的に変わる。 この関係を表で整理しておこう。

つまり目的変数 Y は、 「データから世界を理解するためのレンズ」である。 同じ世界（データ）を、 異なる Y というレンズで見ると、 異なる景色が見える。 「経済規模」というレンズで見れば東京都が圧倒的だが、 「人口千人あたり出生数」というレンズで見れば沖縄県が 8.55 で 1 位になる。 だからこそ、 Y の選択は分析者が世界をどう見たいか、 何を意思決定したいかという「価値観」と直結している。 機械的な選択ではなく、 「なぜこの Y なのか」を毎回問い直すことが、 質の高い分析者の条件である。

⑰ よくある質問

⑱ 目的変数を選ぶ際のドメイン別ガイドライン

目的変数の選び方は、 ドメインによって慣行や暗黙のルールが異なる。 ここでは代表的な 6 つのドメインで、 (a) 何を Y にすることが多いか、 (b) どんな前処理が定着しているか、 (c) どんな落とし穴があるかを整理する。 ドメイン慣行に従うことで、 査読者・読者・実務家との共通言語が確保できる。

重要なのは、 「ドメイン慣行」と「統計学的最適」は必ずしも一致しないという点。 例えば医療では、 統計的には対数変換が望ましい変数も、 「臨床的に意味のあるカットオフ（HbA1c 7% 等）」で 2 値化されることが多い。 これは医師がその指標で判断する慣行があるため。 ドメインに従うか統計に従うかは、 「結果を誰に伝えるか」で決まる。

⑲ 目的変数の品質を上げる 5 つの設計テクニック

モデル精度を上げるには X 側の工夫が注目されがちだが、 実は Y 側の設計改善で大幅に精度が上がるケースが多い。 ここでは実践的に効く 5 つの Y 設計テクニックを紹介する。

このコードでやること：上記 5 テクニックを実データに適用し、 元の Y と比較してどう改善するか確認する。

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 numpy as np

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
y = df[df['SSDSE-B-2026'] == 2023].copy()

# T1: 対数変換
y['log_births'] = np.log10(y['A4101'])

# T2: 規模補正 (人口あたり)
y['births_pc'] = y['A4101'] / y['A1101'] * 1000

# T3: 移動平均 (3 年)
ma = df.groupby('Prefecture')['A4101'].rolling(3).mean().reset_index()

# T4: 外れ値除去 (99 パーセンタイル)
threshold = y['A4101'].quantile(0.99)
y['births_clipped'] = y['A4101'].clip(upper=threshold)

# T5: 複合指標 (出生数 A4101 + 婚姻件数 A9101 + 15歳未満人口 A1301 の単純平均、 標準化後)
def std(col): return (col - col.mean()) / col.std()
y['composite'] = (
    std(y['A4101']) +
    std(y['A9101']) +
    std(y['A1301'])
) / 3

print(y[['Prefecture', 'log_births', 'births_pc', 'composite']].head())

📤 実行すると次の出力が得られる:

💬 読み方：log_births は東京と地方の差を緩和、 births_pc（人口千人あたり出生数）は規模効果を除外、 composite は出生数・婚姻件数・年少人口の総合点（標準化後）で少子化の度合いを測る。 同じ「県の子育て環境」を測るにも、 どの Y を選ぶかで上位の県が変わる。 例えば births_pc（粗出生率）なら沖縄県 8.55 が 1 位で東京都は 12 位に下がる一方、 composite では東京都 4.25・神奈川県 2.24・大阪府 2.23 と人口規模の大きい県が上位に来る。行番号が 0, 12, 24… と飛ぶのは、564 行から 2023 年度の行だけを抜き出して元の番号を残しているため。

⑳ 目的変数の選択に関する倫理的考慮

目的変数の選択は、 単に技術的な問題ではなく、 倫理的・社会的な含意を持つ。 「何を Y にするか」は「何を価値とみなすか」と同義であり、 不適切な Y はバイアスや差別を組み込んだモデルを生む危険がある。 以下、 5 つの倫理的考慮を挙げる。

特に「代理変数」の問題は深刻。 例えば犯罪予測モデルで「過去の逮捕歴」を Y にすると、 警察活動の地域差（特定地域でより多く取り締まりが行われる）がそのままモデルに組み込まれ、 結果として「予測される犯罪リスクが高い地域に警察を多く配置 → さらに逮捕が増える → モデルがますますその地域を高リスクと予測」というフィードバックループが生まれる。 目的変数の選択時には、 「Y は真に測りたい現象を反映しているか」「Y にバイアスが組み込まれていないか」を必ず確認する必要がある。

㉑ 目的変数と評価指標の組み合わせ実例

実際の分析プロジェクトで、 目的変数と評価指標の組み合わせをどう選ぶか、 SSDSE-B-2026 を題材に 5 つの具体的シナリオで考えてみる。 単に「RMSE が低ければ良い」では済まないことが分かるはずだ。

㉒ 目的変数を変えると見える「県の姿」が変わる

最後に、 同じ SSDSE-B-2026 のデータを使って、 目的変数を変えると「県の姿」がどう変わるかを見てみよう。 これは目的変数選択の重要性を実感する最良の方法である。

💬 同じ 47 都道府県が、 Y によってまったく違う「姿」を見せる。 東京都は「出生数（絶対値）」では 1 位だが「合計特殊出生率」では最下位（0.99）。 沖縄県は「出生数（絶対値）」では下位だが「合計特殊出生率」では 1 位（1.60）。 これは「どの Y で評価するか」が「県の評価」を決めることを意味する。 政策議論で「○○県は遅れている」と言われたら、 「どの Y で測ったか」を必ず確認すべきだ。

㉓ 目的変数を見直す 3 つのタイミング

分析の途中で「目的変数を見直すべきタイミング」は 3 つある。 これらのタイミングを逃すと、 後で大幅な手戻りが発生する。

目的変数は、 一度決めたら終わりではない。 分析を進める中で何度も見直し、 改善していくものだ。 「初期の Y」で出した結果に固執せず、 「より良い Y はないか」を常に問い続けることが、 質の高い分析者の習慣である。 EDA → 仮モデル → 残差診断 → Y 改定 → 再モデル化、 というサイクルを 2-3 回回すのが標準的なワークフロー。 最初のサイクルで完璧な Y を選ぶ必要は無いが、 各サイクルで Y を少しずつ改善することが、 最終的な分析の質を決める。

㉔ 目的変数を巡る 10 個のよくある疑問への回答

最後に、 学習者がよく抱く 10 個の疑問とその回答を整理しておく。 これらは現場で実際によく聞かれる質問でもある。

㊱ 目的変数の分布タイプ別の対処マニュアル

Y の分布タイプによって、 取るべきモデルや前処理が大きく変わる。 ヒストグラム (figures/target-variable_hist.png) を最初に必ず描き、 どのタイプに該当するかを判定しよう。 ここでは代表的な 8 タイプについて、 (a) 見分け方、 (b) 適切なモデル、 (c) よくある間違いを整理する。 SSDSE-B-2026 を例にすると、 ほとんどの Y は「タイプ B: 右裾の長い分布」または「タイプ G: 二峰性」に該当する。

例えば SSDSE-B-2026 の「出生数」は典型的なタイプ B (右裾長)。 東京都が突出していて、 他の県との差が極端に大きい。 これをそのまま線形回帰の Y にすると、 残差プロットで「予測値が大きい県ほど残差も大きい」というヘテロスケダスティシティが現れる。 対処は対数変換が定番。 「自家用車保有台数」は人口の絶対値で見ればタイプ B、 人口あたりで見るとタイプ A に近くなる。 つまり前処理によって分布タイプが変わる。 まず生データで分布を確認し、 必要に応じて変換し、 変換後の分布を再確認するという 2 段階のチェックが基本。

このコードでやること：SSDSE-B-2026 の主要 6 列について、 ヒストグラムを描いて分布タイプを判定し、 適切な変換を当てて再判定する診断パイプラインを作る。

📥 入力データ (SSDSE-B-2026 抜粋):

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

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

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
y22 = df[df['SSDSE-B-2026'] == 2023].copy()

cols = ['A1101', 'A4101', 'A4200',
        'A4103', 'B4101', 'L3221']

def classify(s):
    s = s.dropna()
    skew = stats.skew(s)
    if abs(skew) < 0.5: return 'A 正規型'
    if skew > 1.0: return 'B 右裾長'
    if skew < -1.0: return 'C 左裾長'
    return '中間'

for c in cols:
    raw_t = classify(y22[c])
    log_t = classify(np.log10(y22[c].replace(0, np.nan)))
    print(f'{c:<20s}  raw={raw_t}  log={log_t}')

📤 実行すると次の出力が得られる:

💬 読み方：人口・出生数・死亡数などの実数カウントは生のままだとタイプ B (右裾長)。 対数変換で歪度が 2.2→0.8 前後まで下がり大きく改善するが、 47 件では完全な正規型 (A) には届かず中間にとどまる。 一方、 合計特殊出生率は元から正規型 (0.99〜1.60 の範囲の比率)、 変換不要。 年平均気温もほぼ正規型。 消費支出は世帯あたりの値で左右対称に近く中間。 この診断パイプラインを EDA の最初に走らせると、 「どの Y にどんな前処理を当てるか」が機械的に決まる。

㊲ 目的変数のスケール選択がモデル精度に与える影響

Y のスケール (単位、 変換) を変えるだけで、 同じ X・同じモデルでも予測精度や解釈が大きく変わる。 ここでは SSDSE-B-2026 の「出生数」を Y として、 4 通りのスケール (原値、 対数、 人口あたり、 標準化) で線形回帰を当てたときの違いを比較する。 散布図 (figures/target-variable_scatter.png) を見ながら、 どのスケールが「直線フィット」に最も適しているかを直感的に確認しよう。 結論は「対数 + 人口あたり」が最も解釈しやすく、 残差プロットも綺麗になることが多い。

興味深いのは「人口あたり」にすると R² が大きく下がる点。 これは「東京都の出生数が多いのは人口も多いから」という当然の関係が消え、 「同じ人口規模あたりで見たとき、 何が県の出生水準を決めるか」という別の問いに変わるためである。 R² が下がったから「悪いモデル」ではない。 「より深い問い」になっているのだ。 一方、 標準化 (z-score) は単位を変えただけで関係そのものは変わらないので、 R² は原値と同じ。 でも「標準化された Y」は普通の人には解釈不能 (Y が 1 増えると…? は標準偏差 1 つ分という意味だが、 直感的でない)。 つまり、 スケールの選択は「精度の最適化」ではなく「問いの明確化」のためにある。 同じ Y で 4 つのスケールを試し、 そのうち「最も意味のある問いを表す」スケールを選ぶのが筋道。

このコードでやること：上記 4 スケールで線形回帰を当て、 R²・残差正規性・係数解釈を比較する。

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

import pandas as pd
import numpy as np
from sklearn.linear_model import LinearRegression
from scipy import stats

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
y22 = df[df['SSDSE-B-2026'] == 2023].copy()
X = y22[['A1101']].values

scales = {
    '原値': y22['A4101'],
    '対数': np.log10(y22['A4101']),
    '人口あたり': y22['A4101'] / y22['A1101'] * 1e6,
    '標準化': (y22['A4101'] - y22['A4101'].mean()) / y22['A4101'].std(),
}

for name, y in scales.items():
    m = LinearRegression().fit(X, y)
    r2 = m.score(X, y)
    resid = y - m.predict(X)
    shap_p = stats.shapiro(resid)[1]
    print(f'{name:<10s}  R2={r2:.3f}  残差正規性 p={shap_p:.3f}')

📤 実行すると次の出力が得られる:

💬 読み方：原値と標準化は数値的に等価 (R² も同じ)。 残差正規性は対数変換で改善 (p=0.003 → 0.043)。 人口あたりは R² が 0.03 まで激減し「出生の水準は人口規模ではほとんど説明できない」という別の問いに変わっている。 統計コンペでは「対数変換で残差正規性をクリア」かつ「人口あたりで規模効果を除去」した 2 つの Y で別々のモデルを作り、 結果を併記すると説得力が高まる。

㊳ 目的変数の選択を誤りやすい 7 つの場面と回避策

実務で目的変数の選択を誤る場面は意外に多い。 ここではよくある 7 パターンを「症状 → 原因 → 回避策」の形で整理する。 学生の卒研、 統計コンペ、 業務分析、 どの場面でも適用できる普遍的な誤りパターンである。 箱ひげ図 (figures/target-variable_box.png) を念頭に、 「サブグループ別に Y を見ているか」「全体平均だけで議論していないか」をチェックしよう。

これら 7 つの誤りはどれも「事前のチェックリスト」で防げる類のものである。 例えば SSDSE-B-2026 で「出生数」を Y にするなら、 (1) 47 都道府県すべてに値があるか確認 (欠損 0)、 (2) 単位が「人」で固定されているか確認 (定義変更履歴)、 (3) 東京都を含めた分布のヒストグラム描画、 (4) 対数変換版も用意、 (5) 「出生数」の定義文を統計局サイトで再確認、 (6) 12 年度分（2012〜2023）の時系列推移グラフ、 (7) 関東・近畿・東北など地方ブロック別の箱ひげ図、 という 7 ステップを EDA フェーズで終わらせる。 これだけで上記 7 誤りはほぼ防げる。

🧮 数式に値を入れて手で計算する: 目的変数の分布

合成回帰の目的変数 y の要約統計を計算する。

Step 1: y データ

Step 2: 範囲とレンジ

🐍 Python で再現

1
2
3
4
5

import numpy as np
y = np.array([3, 7, 12, 9, 4])
print(f"平均: {y.mean()}")
print(f"SD: {y.std(ddof=1):.3f}")
print(f"CV: {y.std(ddof=1)/y.mean():.3f}")

📤 実行結果

💬 手計算 (Step 2) と Python 出力が完全一致。

🌳 手法選択フロー

SSDSE-B-2026 を題材に目的変数 y を決め、 モデリング手法を選ぶフロー。

1. ① y の型は? 連続値 (出生数 A4101) → 回帰 (線形回帰 / Lasso / LightGBM)。 二値 (大都市圏=1) → 分類 (ロジスティック / SVM / RF)。 多クラス (地方ブロック) → ソフトマックス回帰 / RF。 順序 (大-中-小) → 順序ロジット。 件数 (病院数) → ポアソン回帰。
2. ② y の分布は? 右に裾を引く (人口 A1101) → 対数変換 log(y) してから回帰。 過分散カウント → 負の二項回帰。 ゼロ過剰 → ゼロ過剰モデル。
3. ③ 評価指標は? 回帰: RMSE / MAE / R²。 分類: Accuracy / F1 / ROC-AUC / log-loss。 不均衡データなら PR-AUC を優先。 SSDSE 47 件では Leave-One-Out CV が現実的。

目的変数の選択が分析全体を決定する。 SSDSE-B-2026 で「A4101 を予測」と「A4101 と関連する変数を発見」は同じデータでも問題設定が異なり、 前者は予測精度重視、 後者は解釈性重視で手法選択が変わる。

🔗 隣接手法への橋渡し

目的変数 y は教師あり学習の出発点。 SSDSE-B-2026 で「出生数 (A4101) を予測したい」と決めた瞬間、 残り 108 列（年度・地域コード・都道府県名を除く）が説明変数候補になり、 モデル選択・評価指標・前処理の方向が一意に決まる。 y の定義が曖昧だと分析全体が迷走する。

• 上流: データ理解、 ビジネス目的定義、 説明変数 / 目的変数の区別、 データリーク回避。
• 並列: 説明変数 (X)、 カテゴリ変数、 操作変数。 y を変えると問題自体が変わる。
• 下流: 損失関数 (MSE / Cross-Entropy)、 評価指標、 交差検証、 ハイパラ調整。

SSDSE-B-2026 で y を「人口 A1101」にすると東京都（2023 年度 14,086 千人）の外れ値で RMSE が支配され、 「人口対数 log(A1101)」にすると相対誤差ベースの公平な評価になる。 目的変数の前処理 (対数・標準化) の有無で結論が大きく変わる。

🎮 触って理解する