論文一覧に戻る 🗺 概念マップ 統計データ分析コンペ 教育用再現集
2025年 統計データ分析コンペティション ｜ 審査員奨励賞 [高校生の部]

都市性と医師密度・年齢調整死亡率の関連性の解析

⏱️ 推定読了時間: 約32分
大分工業高等専門学校
📝 3行で分かる要約

目次

  1. 研究概要と背景
  2. データ：医師数・死亡率・都市分類
  3. Pearson相関分析
  4. Mann-Whitney U検定：都市vs地方
  5. 散布図と線形近似
  6. まとめ：相関と因果の区別
  7. 📥 データの準備
  8. 💼 実社会での応用
  9. ⚠️ よくある誤解
  10. 📖 用語集
  11. 📐 手法ガイド
  12. 🚀 発展の可能性
  13. 🎯 自分でやってみよう
  14. 🤔 Q&A

🎯 この記事を読むと何ができるようになるか

📥 データの準備（再現コードを動かす前に）

このページの分析を自分で再現するには、以下の手順でデータを準備してください。コードの編集は不要です。

1
データをダウンロードする 統計センターの SSDSE 配布ページから、以下のファイルをダウンロードします。
SSDSE-B-2026.csv　← SSDSE-B（都道府県データ）📥 直接DL
SSDSE-E-2026.csv　← SSDSE-E（都道府県の指標2）📥 直接DL
⬇ SSDSEダウンロードページを開く
2
ファイルを所定のフォルダに配置する ダウンロードしたCSVを、プロジェクトの data/raw/ フォルダに入れます。
2026 統計・データ解析コンペ/ ├── code/ │ └── 2025_H5_5_shorei.py ← 実行するスクリプト └── data/ └── raw/ SSDSE-B-2026.csv ← ここに置く SSDSE-E-2026.csv ← ここに置く
3
スクリプトをそのまま実行する ターミナルでプロジェクトルートに移動し、以下を実行します。
python3 code/2025_H5_5_shorei.py
図は html/figures/ に自動保存されます。
概
研究概要と背景

日本の医師分布には顕著な地域偏在が存在し、都市部に医師が集中する一方、地方では慢性的な医師不足が続いている。一般に「医師が多い地域では住民の健康状態が良い」と考えられるが、実際のデータはこの単純な仮説を支持しないことがある。

まず「都市性と医師密度・年齢調整死亡率の関連性の解析」を統計的にとらえることが有効だと考えられる。 その理由は感覚や経験則だけでは、複雑な社会要因の中で「何が本当に効いているか」を見極めにくいからである。 本研究では公開データと統計手法を組み合わせ、この問いに定量的な答えを出すことを目指す。

本研究では、都道府県別データを用いて医師密度（人口10万人あたり医師数）と年齢調整死亡率（男女別）の関係を統計的に検証し、都市部・地方という区分による差異も検討する。

「医師は重病地域に集まる」逆因果問題 医師数と死亡率の相関を解釈する際の最大の落とし穴：医師が多い地域で死亡率が高く見えるのは、病院が整備された「医療集積地域」に重症患者が集まる（逆因果）ためかもしれない。相関は因果を意味しない。
分析の流れ
都市/地方
分類定義
→
Pearson相関
全47都道府県
→
Mann-Whitney
U検定
→
散布図
解釈

Pearson相関 Mann-Whitney U検定 年齢調整死亡率 ノンパラメトリック検定

データ：医師数・死亡率・都市分類

変数の定義

変数定義出典
医師密度人口10万人あたり医師数（2020年）厚生労働省「医師・歯科医師・薬剤師統計」/ SSDSE-B
年齢調整死亡率（男）人口構成の差を除去した男性死亡率厚生労働省「人口動態統計」
年齢調整死亡率（女）人口構成の差を除去した女性死亡率厚生労働省「人口動態統計」
都市/地方分類人口密度上位10県 vs 下位10県SSDSE-B

都市・地方の分類基準

恣意的な分類の問題 「都市部」の定義は研究者によって異なる（人口密度・都市化率・人口規模etc.）。本研究では「人口密度の上位10県」を都市部とした。この定義の変更によって分析結果が変わる可能性があり、定義の恣意性を常に意識する必要がある。
都道府県別医師密度ランキング
図4：都道府県別医師密度ランキング。東京・京都・徳島が上位。地方高専の所在地（大分）も確認。
やってみよう■ データ読み込み
📝 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
import numpy as np
import pandas as pd
import matplotlib
matplotlib.use('Agg')
import matplotlib.pyplot as plt
from scipy import stats
from matplotlib.patches import Patch
import warnings
warnings.filterwarnings('ignore')
import os

plt.rcParams['font.family'] = 'Hiragino Sans'
plt.rcParams['axes.unicode_minus'] = False
plt.rcParams['figure.dpi'] = 150

BASE_DIR = os.path.join(_script_dir, '..')
FIG_DIR  = os.path.join(BASE_DIR, 'html', 'figures')
DATA_DIR = os.path.join(BASE_DIR, 'data', 'raw')

ssdse_b = pd.read_csv(os.path.join(DATA_DIR, 'SSDSE-B-2026.csv'), encoding='cp932', header=1)
df_b = ssdse_b[
    (ssdse_b['年度'] == 2022) &
    ssdse_b['地域コード'].str.match(r'^R\d{5}$', na=False)
].copy().reset_index(drop=True)
▼ 実行結果
このステップは print はしません。データや図が裏で更新されただけ。次のステップへ進みましょう。
💡 解説
  • import pandas as pd など — 必要なライブラリをまとめて呼び出します。as pd は短い別名（alias）。
  • matplotlib.use('Agg') — グラフを画面表示せずファイルに保存するためのおまじない。
  • plt.rcParams['font.family'] — グラフの日本語表示用フォント指定（Macは Hiragino Sans、Windowsなら Yu Gothic 等）。
  • pd.read_csv(...) でCSVを読み込みます。encoding='cp932' は日本語Windows由来の文字コード、header=1 は「2行目を列名として使う」。
  • df['地域コード'].str.match(r'^R\d{5}', ...) — 正規表現で「R＋数字5桁」の行（47都道府県）だけTrueにし、真偽値で行をフィルタ。
💡 Python TIPS f"...{x}..." はf-string。文字列の中に {変数} と書くだけで埋め込めて、{x:.2f} のように書式も指定できます。
やってみよう■ データ読み込み — SSDSE-E: 医師数（2022年）, 総面積
📝 コード
25
26
27
28
29
# SSDSE-E: 医師数（2022年）, 総面積
ssdse_e_raw = pd.read_csv(os.path.join(DATA_DIR, 'SSDSE-E-2026.csv'), encoding='cp932', header=1)
ssdse_e = ssdse_e_raw.iloc[1:].copy()
ssdse_e.columns = ssdse_e_raw.iloc[0].values
ssdse_e = ssdse_e[ssdse_e['都道府県'] != '全国'].reset_index(drop=True)
▼ 実行結果
# 実行時エラーで途中まで
💡 解説
  • pd.read_csv(...) でCSVを読み込みます。encoding='cp932' は日本語Windows由来の文字コード、header=1 は「2行目を列名として使う」。
💡 Python TIPS df['A'] / df['B'] — pandasの列同士の四則演算は要素ごと（element-wise）。forループ不要なのが強み。
やってみよう■ 変数の構築
📝 コード
30
31
32
33
34
35
36
37
38
df = pd.DataFrame()
df['都道府県'] = df_b['都道府県']

pop_total = pd.to_numeric(df_b['総人口'], errors='coerce')
pop_male  = pd.to_numeric(df_b['総人口（男）'], errors='coerce')
pop_female = pd.to_numeric(df_b['総人口（女）'], errors='coerce')
death_total = pd.to_numeric(df_b['死亡数'], errors='coerce')
death_male  = pd.to_numeric(df_b['死亡数（男）'], errors='coerce')
death_female = pd.to_numeric(df_b['死亡数（女）'], errors='coerce')
▼ 実行結果
このステップは print はしません。データや図が裏で更新されただけ。次のステップへ進みましょう。
💡 解説
  • このステップでは前のステップで作ったデータを加工しています。コードを上から順に読んでみてください。
💡 Python TIPS df['A'] / df['B'] — pandasの列同士の四則演算は要素ごと（element-wise）。forループ不要なのが強み。
やってみよう■ 変数の構築 — 粗死亡率（人口10万あたり）
📝 コード
39
40
41
42
43
44
45
46
47
48
49
50
# 粗死亡率（人口10万あたり）
df['死亡率_総'] = death_total / pop_total * 100000
df['死亡率_男'] = death_male  / pop_male  * 100000
df['死亡率_女'] = death_female / pop_female * 100000

# 医師数（10万対）= SSDSE-E 医師数 / SSDSE-B 総人口 × 10万
doc_map = dict(zip(
    ssdse_e['都道府県'],
    pd.to_numeric(ssdse_e['医師数'], errors='coerce')
))
df['医師数_総数'] = df['都道府県'].map(doc_map)
df['医師数_10万対'] = df['医師数_総数'] / pop_total * 100000
▼ 実行結果
このステップは print はしません。データや図が裏で更新されただけ。次のステップへ進みましょう。
💡 解説
  • このステップでは前のステップで作ったデータを加工しています。コードを上から順に読んでみてください。
💡 Python TIPS Seriesの .map() は「1対1の置き換え」、.apply() は「関数を当てる」。辞書なら .map()、ロジックなら .apply()。
やってみよう■ 変数の構築 — 人口密度（人/km²）
📝 コード
51
52
53
54
55
56
57
58
59
60
# 人口密度（人/km²）
area_map = dict(zip(
    ssdse_e['都道府県'],
    pd.to_numeric(ssdse_e['総面積（北方地域及び竹島を除く）'], errors='coerce') / 100
))
df['面積_km2'] = df['都道府県'].map(area_map)
df['人口密度']  = pop_total / df['面積_km2']

df = df.dropna().reset_index(drop=True)
N = len(df)
▼ 実行結果
このステップは print はしません。データや図が裏で更新されただけ。次のステップへ進みましょう。
💡 解説
  • このステップでは前のステップで作ったデータを加工しています。コードを上から順に読んでみてください。
💡 Python TIPS [式 for x in リスト] はリスト内包表記。forループでappendする代わりに1行でリストを作れます。
やってみよう■ 変数の構築 — 都市/地方分類：人口密度上位10 vs 下位10
📝 コード
61
62
63
64
65
66
67
68
69
70
71
72
# 都市/地方分類：人口密度上位10 vs 下位10
density_rank = df['人口密度'].rank(ascending=False)
df['都市分類'] = '中間'
df.loc[density_rank <= 10, '都市分類'] = '都市部（上位10県）'
df.loc[density_rank >= N - 9, '都市分類'] = '地方（下位10県）'

print("=" * 60)
print("■ データ概要（2022年, N =", N, "都道府県）")
print("=" * 60)
print(df[['医師数_10万対', '死亡率_男', '死亡率_女', '人口密度']].describe().round(2))
print(f"\n  都市部（上位10県）: {df[df['都市分類']=='都市部（上位10県）']['都道府県'].tolist()}")
print(f"  地方（下位10県）: {df[df['都市分類']=='地方（下位10県）']['都道府県'].tolist()}")
▼ 実行結果
# 実行時エラーで途中まで
💡 解説
  • .describe() — 件数・平均・標準偏差・四分位・最大/最小を一括計算。データの素性チェックに必須。
💡 Python TIPS r, p = stats.pearsonr(...) — Pythonは複数戻り値を同時に受け取れる（タプルアンパック）。
やってみよう■ Step2. Mann-Whitney U検定（都市部 vs 地方）
📝 コード
73
74
75
76
77
78
79
80
81
82
83
84
85
print("\n" + "=" * 60)
print("■ Step2. Mann-Whitney U検定（都市部 vs 地方）")
print("=" * 60)
urban = df[df['都市分類'] == '都市部（上位10県）']['死亡率_男'].values
rural = df[df['都市分類'] == '地方（下位10県）']['死亡率_男'].values
u_stat, p_mw = stats.mannwhitneyu(urban, rural, alternative='two-sided')
print(f"  男性死亡率: U={u_stat:.1f}, p={p_mw:.4f}")
print(f"  → {'有意差あり (p<0.05)' if p_mw < 0.05 else '統計的有意差なし (p≥0.05)'}")

urban_f = df[df['都市分類'] == '都市部（上位10県）']['死亡率_女'].values
rural_f = df[df['都市分類'] == '地方（下位10県）']['死亡率_女'].values
u_f, p_f2 = stats.mannwhitneyu(urban_f, rural_f, alternative='two-sided')
print(f"  女性死亡率: U={u_f:.1f}, p={p_f2:.4f}")
▼ 実行結果
============================================================
■ Step2. Mann-Whitney U検定（都市部 vs 地方）
============================================================

# 実行時エラーで途中まで
💡 解説
  • このステップでは前のステップで作ったデータを加工しています。コードを上から順に読んでみてください。
💡 Python TIPS [式 for x in リスト] はリスト内包表記。forループでappendする代わりに1行でリストを作れます。
3. Pearson相関
1
Pearson相関分析（全47都道府県）

まず医師密度と死亡率の関係を全国平均でざっくり確認することが有効だと考えられる。 その理由は「医師が多い地域は死亡率が低いはず」という素朴な仮説の妥当性を、まず2変量レベルで検証する必要があるからである。 ここでは線形関係に着目し、Pearson相関係数という手法を用いる。 弱いながらも統計的に有意な負の相関が観察される結果が期待される。

47都道府県全体で医師密度と年齢調整死亡率の相関係数を算出する。

医師密度と死亡率の散布図
図1：医師密度（x軸）と年齢調整死亡率（y軸）の散布図（男女別）。負の相関傾向だが弱い。
📌 この散布図の読み方
このグラフは
横軸（x）と縦軸（y）に2変数を取り、各都道府県（または自治体）を点で描いたグラフ。
読み方
点の並びに右上がりの傾向があれば正の相関、右下がりなら負の相関。点が直線に近いほど相関が強い。
なぜそう解釈できるか
回帰直線（赤線など）の傾きが回帰係数に対応する。直線から大きく外れた点が外れ値で、特異な地域を示す。
対象相関係数 rp値解釈
男性死亡率-0.400.005弱い負の相関（有意）
女性死亡率-0.330.023弱い負の相関（有意）
弱い相関の解釈 r=-0.40は「医師が多い都道府県ほど死亡率がやや低い」ことを示すが、決定係数R²=0.16にすぎず、医師密度で死亡率の分散の16%しか説明できない。残り84%は他の要因（生活習慣、気候、産業構造など）による。

DS LEARNING POINT 1

Pearson相関係数の実装と解釈

scipy.stats.pearsonr は相関係数と p値を同時に返す。p値は「真の相関が0であるとき、偶然この相関係数以上の値が観測される確率」。N=47では|r|≥0.29でp<0.05になる。

from scipy import stats r_male, p_male = stats.pearsonr(doctor_density, mortality_male) r_fem, p_fem = stats.pearsonr(doctor_density, mortality_female) print(f"男性: r={r_male:.3f}, p={p_male:.4f}") print(f"女性: r={r_fem:.3f}, p={p_fem:.4f}") # 効果量の解釈（Cohen 1988） for label, r in [('男性', r_male), ('女性', r_fem)]: size = '大' if abs(r)>=.5 else '中' if abs(r)>=.3 else '小' print(f"{label} 効果量: {size}（|r|={abs(r):.2f}）")
やってみよう図図1: 医師数 vs 粗死亡率の散布図（男女別）
📝 コード
 87
 88
 89
 90
 91
 92
 93
 94
 95
 96
 97
 98
 99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
fig1, axes1 = plt.subplots(1, 2, figsize=(13, 5))
fig1.suptitle('医師数（人口10万対）と粗死亡率の関係\n（2022年 SSDSE-B/E）',
              fontsize=13, fontweight='bold')

for ax, (death_col, gender) in zip(axes1,
        [('死亡率_男', '男性'), ('死亡率_女', '女性')]):
    for cls_name, color_c in color_map.items():
        mask = df['都市分類'] == cls_name
        ax.scatter(df.loc[mask, '医師数_10万対'], df.loc[mask, death_col],
                   color=color_c, s=60, alpha=0.75, edgecolors='white', linewidth=0.5,
                   label=cls_name, zorder=3)
    z = np.polyfit(df['医師数_10万対'], df[death_col], 1)
    xs = np.linspace(df['医師数_10万対'].min() - 10, df['医師数_10万対'].max() + 10, 100)
    ax.plot(xs, np.poly1d(z)(xs), color='#FF8F00', linewidth=2.0, linestyle='--',
            label='線形近似', alpha=0.8, zorder=4)
    r, p = stats.pearsonr(df['医師数_10万対'], df[death_col])
    sig = '**' if p < 0.01 else '*' if p < 0.05 else 'n.s.'
    ax.set_xlabel('医師数（人口10万あたり）', fontsize=11)
    ax.set_ylabel('粗死亡率（人口10万あたり）', fontsize=11)
    ax.set_title(f'{gender}死亡率  r={r:.3f} {sig}', fontsize=11, fontweight='bold')
    ax.legend(fontsize=8)
    ax.grid(True, alpha=0.3)

plt.tight_layout()
fig1.savefig(os.path.join(FIG_DIR, '2025_H5_5_fig1_scatter.png'), bbox_inches='tight', dpi=150)
plt.close(fig1)
print("\n図1保存: 2025_H5_5_fig1_scatter.png")
▼ 実行結果
# 実行時エラーで途中まで
💡 解説
  • fig, ax = plt.subplots(...) — 図全体（fig）と軸（ax）を作る定番。以降は ax.bar(...) 等で操作。
  • stats.pearsonr(x, y) — Pearson相関係数 r と p値を同時に返します。
💡 Python TIPS x if cond else y は三項演算子。リスト内包表記と組み合わせると、forとifを1行で書けます。
2
Mann-Whitney U検定：都市部 vs 地方

前節の全国データで負の相関は出たがR²=0.16にとどまる結果を踏まえると、 都市部と地方では医師の効き方が異なるという層別の構造が背景にあると考えられる。 これを検証する必要があるが、その手法として正規性を仮定しないMann-Whitney U検定に着目した。 人口密度上位10県と下位10県で死亡率分布に差が見える結果が期待される。

人口密度上位10県（都市部）と下位10県（地方）で年齢調整死亡率の分布を比較する。正規性を仮定しない検定（ノンパラメトリック）を用いる。

都市/地方別の死亡率箱ひげ図
図2：都市部（上位10県）と地方（下位10県）の年齢調整死亡率の箱ひげ図。都市部の方が中央値は低いが分散が大きい。
📌 この箱ひげ図の読み方
このグラフは
データの分布（中央値・四分位範囲・外れ値）を箱と線で表したグラフ。
読み方
箱の中の線が中央値。箱の上下端が25%・75%点（四分位範囲）。箱の外の点が外れ値。
なぜそう解釈できるか
箱が高い位置にあるほど値が大きいグループ。箱の大きさがばらつきの大きさ。グループ間で箱が重なっていなければ有意差の証拠になりやすい。
グループサンプル数中央値（男）中央値（女）
都市部（人口密度上位10県）10低い低い
地方（人口密度下位10県）10高い高い
Mann-Whitney U 検定（男）p = 0.08（非有意）
Mann-Whitney U 検定（女）p = 0.12（非有意）
統計的有意差なし — なぜ？ 中央値の差は明確に見えるが、N=10という小サンプルでは検出力が低く、統計的有意差が得られにくい。Mann-Whitney U検定はN≥20程度での利用が望ましい。小サンプル問題は仮説検定の限界を示す重要な例。

DS LEARNING POINT 2

Mann-Whitney U検定：ノンパラメトリック検定

正規分布を仮定しない場合、t検定の代わりにMann-Whitney U検定を用いる。「二群の分布の位置（中央値）に差があるか」を検定する。ただし小サンプルでは検出力が低く注意が必要。

from scipy import stats urban_idx = np.argsort(pop_density)[-10:] # 上位10県 rural_idx = np.argsort(pop_density)[:10] # 下位10県 urban_mort = mortality_male[urban_idx] rural_mort = mortality_male[rural_idx] # Mann-Whitney U検定（両側） stat, p = stats.mannwhitneyu(urban_mort, rural_mort, alternative='two-sided') print(f"U統計量: {stat:.1f}, p値: {p:.4f}") # t検定との比較（参考） t_stat, t_p = stats.ttest_ind(urban_mort, rural_mort) print(f"t検定: t={t_stat:.3f}, p={t_p:.4f}") # → サンプルが小さいと両方とも非有意になりやすい
やってみよう図図2: 都市/地方別の箱ひげ図（Mann-Whitney U検定）
📝 コード
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
fig2, axes2 = plt.subplots(1, 2, figsize=(13, 5))
fig2.suptitle('都市部・地方別の死亡率・医師数分布（Mann-Whitney U検定）',
              fontsize=13, fontweight='bold')

grp_order = ['都市部（上位10県）', '中間', '地方（下位10県）']
box_colors2 = ['#C62828', '#9E9E9E', '#2E7D32']

ax2a = axes2[0]
data_m = [df[df['都市分類'] == g]['死亡率_男'].values for g in grp_order]
bp = ax2a.boxplot(data_m, labels=['都市部\n(上位10)', '中間', '地方\n(下位10)'],
                  patch_artist=True, medianprops=dict(color='white', linewidth=2))
for patch, col in zip(bp['boxes'], box_colors2):
    patch.set_facecolor(col); patch.set_alpha(0.6)
sig_txt = f'Mann-Whitney U={u_stat:.0f}\np={p_mw:.3f} {"n.s." if p_mw >= 0.05 else "*"}'
ax2a.text(0.97, 0.97, sig_txt, transform=ax2a.transAxes, fontsize=9,
          va='top', ha='right', bbox=dict(boxstyle='round', facecolor='#FFF9C4', alpha=0.9))
ax2a.set_ylabel('粗死亡率（男性）', fontsize=11)
ax2a.set_title('男性死亡率の分布', fontsize=11, fontweight='bold')
ax2a.grid(axis='y', alpha=0.3)

ax2b = axes2[1]
data_doc = [df[df['都市分類'] == g]['医師数_10万対'].values for g in grp_order]
bp2 = ax2b.boxplot(data_doc, labels=['都市部\n(上位10)', '中間', '地方\n(下位10)'],
                   patch_artist=True, medianprops=dict(color='white', linewidth=2))
for patch, col in zip(bp2['boxes'], box_colors2):
    patch.set_facecolor(col); patch.set_alpha(0.6)
u_doc, p_doc = stats.mannwhitneyu(
    df[df['都市分類'] == '都市部（上位10県）']['医師数_10万対'].values,
    df[df['都市分類'] == '地方（下位10県）']['医師数_10万対'].values,
    alternative='two-sided'
)
sig_doc = f'Mann-Whitney U={u_doc:.0f}\np={p_doc:.3f} {"*" if p_doc < 0.05 else "n.s."}'
ax2b.text(0.97, 0.97, sig_doc, transform=ax2b.transAxes, fontsize=9,
          va='top', ha='right', bbox=dict(boxstyle='round', facecolor='#FFF9C4', alpha=0.9))
ax2b.set_ylabel('医師数（人口10万あたり）', fontsize=11)
ax2b.set_title('医師数の分布', fontsize=11, fontweight='bold')
ax2b.grid(axis='y', alpha=0.3)

plt.tight_layout()
fig2.savefig(os.path.join(FIG_DIR, '2025_H5_5_fig2_box.png'), bbox_inches='tight', dpi=150)
plt.close(fig2)
print("図2保存: 2025_H5_5_fig2_box.png")
▼ 実行結果
# 実行時エラーで途中まで
💡 解説
  • fig, ax = plt.subplots(...) — 図全体（fig）と軸（ax）を作る定番。以降は ax.bar(...) 等で操作。
💡 Python TIPS df[col]（1列）と df[[col1, col2]]（複数列）でカッコの数が違います。リストを渡していると覚えるとミスを減らせます。
5. 散布図
3
散布図と線形近似

前節のMann-Whitney検定では小サンプル故に有意差が出なかった結果を踏まえると、 都市と地方を二値化するのではなく、人口密度の連続軸上での違いを見るほうが情報を残せると考えられる。 これを検証する必要があるが、その手法として都市/地方/中間で色分けした散布図と回帰直線に着目した。 都市部で回帰の傾きが急峻に出るなど、層ごとに異なる医師の効果が可視化される結果が期待される。

全47都道府県の散布図に線形近似を加え、都市/地方の分類でカラーコーディングして可視化する。

密度プロット
図3：都市部（青）・地方（赤）・中間（灰）に色分けした散布図と線形回帰直線。都市部で回帰の傾きが急峻。
📌 この散布図の読み方
このグラフは
横軸（x）と縦軸（y）に2変数を取り、各都道府県（または自治体）を点で描いたグラフ。
読み方
点の並びに右上がりの傾向があれば正の相関、右下がりなら負の相関。点が直線に近いほど相関が強い。
なぜそう解釈できるか
回帰直線（赤線など）の傾きが回帰係数に対応する。直線から大きく外れた点が外れ値で、特異な地域を示す。
都市部での関係が明確 全体では弱い負の相関だが、都市部のみで見ると「医師数↑→死亡率↓」がより明確に現れる。一方、地方では医師密度の差が小さいため、医師数による説明力が低い。
注意：「医師が多い地域は死亡率が低い」の誤った政策解釈 この相関から「医師を増やせば死亡率が下がる」と結論づけるのは誤り。逆因果・交絡変数（都市部の生活習慣・所得水準・保険加入率etc.）の可能性を排除できないため、医師増員の効果を示す証拠としては不十分。政策立案には操作変数法やDiD等の因果推論手法が必要。
やってみよう■ Step1. Pearson相関分析
📝 コード
158
159
160
161
162
163
164
165
166
167
168
print("\n" + "=" * 60)
print("■ Step1. Pearson相関分析（医師数10万対 vs 粗死亡率）")
print("=" * 60)
r_m, p_m = stats.pearsonr(df['医師数_10万対'], df['死亡率_男'])
r_f, p_f = stats.pearsonr(df['医師数_10万対'], df['死亡率_女'])
r_t, p_t = stats.pearsonr(df['医師数_10万対'], df['死亡率_総'])
print(f"  総死亡率 vs 医師数: r={r_t:.4f}, p={p_t:.4f}")
print(f"  男性死亡率 vs 医師数: r={r_m:.4f}, p={p_m:.4f}")
print(f"  女性死亡率 vs 医師数: r={r_f:.4f}, p={p_f:.4f}")
print(f"  ※論文参考値: r≈−0.40（年齢調整死亡率を使用）")
print(f"  ※本スクリプトは粗死亡率を使用（高齢化の影響あり）")
▼ 実行結果
============================================================
■ Step1. Pearson相関分析（医師数10万対 vs 粗死亡率）
============================================================

# 実行時エラーで途中まで
💡 解説
  • stats.pearsonr(x, y) — Pearson相関係数 r と p値を同時に返します。
💡 Python TIPS Seriesの .map() は「1対1の置き換え」、.apply() は「関数を当てる」。辞書なら .map()、ロジックなら .apply()。
やってみよう■ 図の生成（4枚）
📝 コード
169
color_map = {'都市部（上位10県）': '#C62828', '中間': '#9E9E9E', '地方（下位10県）': '#2E7D32'}
▼ 実行結果
このステップは print はしません。データや図が裏で更新されただけ。次のステップへ進みましょう。
💡 解説
  • このステップでは前のステップで作ったデータを加工しています。コードを上から順に読んでみてください。
💡 Python TIPS r, p = stats.pearsonr(...) — Pythonは複数戻り値を同時に受け取れる（タプルアンパック）。
やってみよう図図3: 人口密度と医師数・死亡率の関係
📝 コード
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
fig3, axes3 = plt.subplots(1, 2, figsize=(13, 5))
fig3.suptitle('人口密度と医師数・粗死亡率の関係（2022年）', fontsize=13, fontweight='bold')

log_density = np.log(df['人口密度'].values)

ax3a = axes3[0]
for cls_name, color_c in color_map.items():
    mask = df['都市分類'] == cls_name
    ax3a.scatter(log_density[mask], df.loc[mask, '医師数_10万対'],
                 color=color_c, s=60, alpha=0.75, edgecolors='white', linewidth=0.5,
                 label=cls_name, zorder=3)
r3a, _ = stats.pearsonr(log_density, df['医師数_10万対'])
z3a = np.polyfit(log_density, df['医師数_10万対'], 1)
xs3a = np.linspace(log_density.min() - 0.2, log_density.max() + 0.2, 100)
ax3a.plot(xs3a, np.poly1d(z3a)(xs3a), 'k--', linewidth=1.5, alpha=0.6)
ax3a.set_xlabel('log(人口密度)', fontsize=11)
ax3a.set_ylabel('医師数（10万対）', fontsize=11)
ax3a.set_title(f'人口密度 vs 医師数  r={r3a:.3f}', fontsize=11, fontweight='bold')
ax3a.legend(fontsize=8)
ax3a.grid(True, alpha=0.3)

ax3b = axes3[1]
for cls_name, color_c in color_map.items():
    mask = df['都市分類'] == cls_name
    ax3b.scatter(log_density[mask], df.loc[mask, '死亡率_男'],
                 color=color_c, s=60, alpha=0.75, edgecolors='white', linewidth=0.5,
                 label=cls_name, zorder=3)
r3b, _ = stats.pearsonr(log_density, df['死亡率_男'])
z3b = np.polyfit(log_density, df['死亡率_男'], 1)
xs3b = np.linspace(log_density.min() - 0.2, log_density.max() + 0.2, 100)
ax3b.plot(xs3b, np.poly1d(z3b)(xs3b), 'k--', linewidth=1.5, alpha=0.6)
ax3b.set_xlabel('log(人口密度)', fontsize=11)
ax3b.set_ylabel('粗死亡率（男性, 10万対）', fontsize=11)
ax3b.set_title(f'人口密度 vs 男性死亡率  r={r3b:.3f}', fontsize=11, fontweight='bold')
ax3b.legend(fontsize=8)
ax3b.grid(True, alpha=0.3)

plt.tight_layout()
fig3.savefig(os.path.join(FIG_DIR, '2025_H5_5_fig3_density.png'), bbox_inches='tight', dpi=150)
plt.close(fig3)
print("図3保存: 2025_H5_5_fig3_density.png")
▼ 実行結果
# 実行時エラーで途中まで
💡 解説
  • fig, ax = plt.subplots(...) — 図全体（fig）と軸（ax）を作る定番。以降は ax.bar(...) 等で操作。
  • stats.pearsonr(x, y) — Pearson相関係数 r と p値を同時に返します。
💡 Python TIPS s[:-n]「末尾n文字を除く」／s[n:]「先頭n文字を除く」。スライス [start:stop:step] はリスト・タプル・文字列共通の基本ワザです。
やってみよう図図4: 都道府県別死亡率のランキング
📝 コード
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
fig4, axes4 = plt.subplots(1, 2, figsize=(14, 8))
fig4.suptitle('都道府県別粗死亡率（2022年）', fontsize=13, fontweight='bold')

for ax, (col, gender) in zip(axes4, [('死亡率_男', '男性'), ('死亡率_女', '女性')]):
    sorted_idx = np.argsort(df[col].values)
    vals_sorted  = df[col].values[sorted_idx]
    prefs_sorted = df['都道府県'].values[sorted_idx]
    cls_sorted   = df['都市分類'].values[sorted_idx]
    bar_cols4 = ['#C62828' if c == '都市部（上位10県）'
                 else '#2E7D32' if c == '地方（下位10県）'
                 else '#9E9E9E' for c in cls_sorted]
    ax.barh(range(N), vals_sorted, color=bar_cols4, alpha=0.75, edgecolor='white', height=0.7)
    ax.set_yticks(range(N))
    ax.set_yticklabels(prefs_sorted, fontsize=6.5)
    ax.set_xlabel('粗死亡率（人口10万あたり）', fontsize=10)
    ax.set_title(f'{gender}粗死亡率の都道府県ランキング', fontsize=11, fontweight='bold')
    ax.axvline(df[col].mean(), color='black', linestyle='--', linewidth=1.0,
               label=f'平均={df[col].mean():.0f}')
    ax.legend(fontsize=8)
    ax.grid(axis='x', alpha=0.3)

legend_els4 = [Patch(color='#C62828', alpha=0.75, label='都市部（上位10県）'),
               Patch(color='#9E9E9E', alpha=0.75, label='中間'),
               Patch(color='#2E7D32', alpha=0.75, label='地方（下位10県）')]
axes4[0].legend(handles=legend_els4, fontsize=7, loc='lower right')

plt.tight_layout()
fig4.savefig(os.path.join(FIG_DIR, '2025_H5_5_fig4_rank.png'), bbox_inches='tight', dpi=150)
plt.close(fig4)
print("図4保存: 2025_H5_5_fig4_rank.png")

print("\n全図の生成完了（4枚）")
print(f"\nデータ出典: SSDSE-B-2026.csv（2022年度）, SSDSE-E-2026.csv（統計センター）")
▼ 実行結果
# 実行時エラーで途中まで
💡 解説
  • fig, ax = plt.subplots(...) — 図全体（fig）と軸（ax）を作る定番。以降は ax.bar(...) 等で操作。
  • ax.axhline / ax.axvline — 水平／垂直の点線。平均線や基準線として定番。
💡 Python TIPS np.cumsum(arr) は累積和、np.linspace(a, b, n) は「aからbを等間隔でn個」。NumPyの定石です。

まとめ：相関と因果の区別

主要な発見

  1. 弱い負の相関：医師密度と年齢調整死亡率の間にr≈-0.40の有意な負の相関が確認された（47都道府県全体）。
  2. 統計的有意差なし（都市vs地方）：Mann-Whitney U検定では都市部・地方間の有意差が示されなかった（N=10の小サンプル問題）。
  3. 相関≠因果：医師が重症患者の集まる病院に集積するという逆因果・生活習慣や所得の交絡が存在する可能性がある。
  4. 定義の恣意性：「都市部」の定義（人口密度上位10県）は恣意的であり、結果が変わる可能性を認識する必要がある。
高校生が学ぶべき統計の本質：相関と因果の違い 「相関係数が有意 → 原因と結果の関係がある」は誤った推論。因果関係を示すには実験・自然実験・操作変数等の特別な設計が必要。「相関があること」と「政策的介入が有効なこと」は別の主張。
医師偏在問題への示唆 都市部に医師が集中する現状は確かに地方の不利に繋がっている可能性があるが、医師増員のみでは健康格差は解消しない。生活習慣・医療へのアクセス・社会経済的要因の複合的な対策が必要。
教育的価値（この分析から学べること）
  • 都市性と医師密度：都市は医師が多いが患者も多い。人口当たり指標が重要。
  • 年齢調整死亡率：年齢構成の違いを揃えた指標。地域比較に不可欠。
  • 医療資源と健康のパラドックス：医師数と健康指標が単純に正相関しない場合がある（逆因果・需要側要因）。

データ・コードのダウンロード

分析スクリプト（2025_H5_5_shorei.py）
データ出典
都道府県別医師数・医師密度厚生労働省「医師・歯科医師・薬剤師統計」/ SSDSE-B
年齢調整死亡率（男女別）厚生労働省「人口動態統計」
人口密度（都市/地方分類用）SSDSE-B（統計数理研究所）

本教育用コードは合成データを使用（np.random.seed(2027)）。実際の分析はSSDSE-B等の実データによる。

教育用再現コード ｜ 2025年 統計データ分析コンペティション 審査員奨励賞 [高校生の部] ｜ 大分工業高等専門学校

⚠️ よくある誤解と注意点

統計分析の解釈で初心者がやりがちな勘違いをまとめます。特に「相関と因果の混同」「p値の過信」は研究現場でもよく起きる落とし穴です。本文を読む前にも、読んだ後にも、目を通してみてください。

❌ 「相関がある＝因果関係がある」ではない
疑似相関（spurious correlation）とは、見かけ上は関係があるように見えるが、実際は無関係、または第三の変数（交絡変数）が両方に影響しているだけの現象です。

古典例： アイスクリームの売上 と 水難事故件数 は強く相関するが、片方が他方を引き起こしているわけではない。両者とも「夏の暑さ」という第三の変数に引きずられているだけ。

論文を読むときの心構え： 「○○と△△に強い相関が見られた」だけで終わっている主張は、本当に因果関係があるのか、それとも第三の変数（人口・所得・地理など）が共通要因として効いているだけではないかを必ず疑ってください。
❌ 「p値が小さい＝重要な発見」ではない
p値が小さい（例えば p < 0.001）ことは「統計的に偶然とは考えにくい」という意味であって、「実用的に大きな効果がある」という意味ではありません。

例： 巨大なサンプルサイズ（n=100,000）では、相関係数 r=0.02 でも p < 0.001 になります。しかし r=0.02 は実用上ほぼ無視できる関係です。

正しい読み方： p値と効果量（係数の大きさ、相関係数の値）の両方をセットで判断してください。p値だけで「重要な発見」と結論づけるのは誤りです。
❌ 「回帰係数が大きい＝重要な変数」ではない
回帰係数の絶対値は、説明変数の単位に強く依存します。「年収（万円）」と「失業率（%）」の係数を直接比較しても意味がありません。

正しい比較方法： (1) 標準化係数（各変数を平均0・分散1に変換した上での係数）を使う、(2) 限界効果（変数を1標準偏差動かしたときのyの変化）で比較する。

また、係数の大きさが「因果関係の強さ」を意味するわけでもありません。あくまで「相関的な関連の強さ」です。
❌ 「外れ値を除外すれば正しい結果」ではない
外れ値（極端な値）を「目障りだから」「結果が綺麗にならないから」という理由で除外するのは分析の改ざんに近い行為です。

外れ値が示すもの： 本当に重要な情報（東京の超高密度、北海道の超低密度など）であることが多い。外れ値を取り除くと「日本全体の傾向」を見誤る原因になります。

正しい対処： (1) 外れ値の出現要因を調査する（なぜ東京だけ突出するのか）、(2) ノンパラメトリック手法（Spearman相関・Kruskal-Wallis）を使う、(3) 外れ値を含む結果と除外した結果の両方を提示し、解釈を読者に委ねる。
❌ 「サンプルサイズが大きい＝信頼できる」ではない
サンプルサイズ（n）が大きいと統計的検定の検出力は上がりますが、それは「偶然による誤差を減らす効果」にすぎません。

nが大きくても解消されない問題：
・選択バイアス（標本が偏っている）
・測定誤差（変数の定義が曖昧）
・欠損値のパターン（欠損がランダムでない）
・交絡変数の見落とし

例： 1万人にWeb調査して「ネット利用と幸福度は強く相関」と言っても、そもそも回答者がネットユーザー寄りに偏っているため、母集団全体の結論にはなりません。
❌ 「複雑なモデル＝より良い分析」ではない
ランダムフォレスト・ニューラルネット・複雑な階層モデルなど、高度な手法を使えば「良い分析」と感じがちですが、必ずしもそうではありません。

過学習（overfitting）の罠： モデルが複雑すぎると、訓練データの偶然のパターンまで学習してしまい、新しいデータでは予測精度が落ちます。

シンプルさの価値： 重回帰分析や相関分析は「結果が解釈しやすい」「再現性が高い」という大きな利点があります。複雑な手法はシンプルな手法で答えが出ない時の最後の手段です。
❌ 「多重共線性は気にしなくていい」ではない
多重共線性とは、説明変数同士の相関が極めて強い状態のこと。これを放置すると、回帰係数の符号や大きさが入れ替わる異常事態が起こります。

典型例： 「総人口」と「労働力人口」を同時に投入すると、両者の相関が r=0.99 になり、係数推定が極端に不安定になります。「総人口は正だが、労働力人口は負」のような解釈不能な結果になりがちです。

診断と対処：
・VIF（分散拡大係数）を計算し、VIF > 10 の変数を確認
・相関行列で |r| > 0.8 のペアをチェック
・対処法：一方を除外、合成変数（PCA）に変換、Ridge回帰で安定化
❌ 「R²が高い＝良いモデル」ではない
決定係数 R² はモデルの「当てはまりの良さ」を示しますが、R² が高くてもモデルが正しいとは限りません。

R² が高くなる罠：
・説明変数を増やせば R² は自動的に上がる（無関係な変数を追加してもR²は下がらない）
・時系列データでは、共通のトレンド（時間とともに増加）があるだけで R² が 0.9 を超える
・サンプルサイズが小さいとR²が過大評価される

代替指標： 調整済み R²（変数の数でペナルティ）、AIC・BIC（モデル選択基準）を併用してください。予測力の真の評価には交差検証（cross-validation）でテストデータの R² を見ること。
❌ 「ステップワイズで選んだ変数は重要」ではない
ステップワイズ法（バックワード・フォワード選択）は便利ですが、p値ベースの変数選択は再現性に問題があると批判されています。

問題点：
・同じデータでも実行順序によって最終モデルが変わる
・p値を繰り返し見ることで「偶然に有意な変数」を拾ってしまう（p-hacking）
・係数の標準誤差が過小評価され、信頼区間が嘘っぽくなる

より良い方法：
・事前に変数を理論で絞る（先行研究から候補を選ぶ）
・LASSO回帰（自動かつ統計的に正当化された変数選択）を使う
・交差検証で AIC/BIC 最小モデルを選ぶ
❌ 「線形回帰なら線形関係を前提にすべき」
重回帰分析は線形関係を前提とします。実際の関係が非線形なのに線形モデルで分析すると、本当の関係を見逃します。

非線形の例：
・U字型関係： 失業率と物価上昇率（フィリップス曲線）
・逓減効果： 所得と幸福度（年収 800万円までは強い正の効果、それ以上は飽和）
・閾値効果： 高齢化率と医療費（ある水準を超えると急激に上がる）

診断と対処：
・残差プロットで残差が0周辺に均等に分布しているか確認
・変数の対数変換・二乗項追加で非線形性を取り込む
・どうしても線形では捉えられないなら、機械学習（RF・GBM）を併用する
❌ 「データに当てはまった＝予測に使える」ではない
「過去のデータでフィットしたから将来も予測できる」と思うのは危険です。

過学習（overfitting）の例： 47都道府県のデータに10個の説明変数を投入すれば、ほぼ完璧にフィットします（自由度がほぼゼロ）。でもそのモデルを新しい年度に適用すると、予測精度はほぼランダム並みに落ちることがあります。

正しい予測力の評価：
・データを訓練用 70%とテスト用 30%に分割し、テスト用での予測精度を見る
・k分割交差検証（k-fold CV）で予測の安定性を確認
・「説明変数の数 ≪ サンプルサイズ」のバランスを意識（目安：n > 10 × 変数数）

📖 用語集（この記事に出てくる統計用語）

統計の基本用語を初心者向けに解説します。本文中で見慣れない言葉が出てきたら、ここに戻って確認してください。

p値
「効果がない」と仮定したときに、観察されたデータ（またはより極端なデータ）が得られる確率。0〜1の値で、慣例的に 0.05（5%）未満を「有意」と判断する。
有意水準
「偶然」と「意味のある違い」を分ける基準。通常 α=0.05（5%）を使う。p値 < α なら「有意」と判定。
信頼区間
「真の値はこの範囲にあるだろう」という幅。95%信頼区間 = 同じ実験を100回繰り返したら95回はこの範囲に真の値が入る。
サンプルサイズ
分析に使ったデータ点の数（n）。一般にnが大きいほど推定が安定し、わずかな差も検出できるようになる。
標準誤差
推定値（係数など）のばらつきの目安。標準誤差が小さいほど推定値が安定している。
正規分布
釣鐘型の左右対称な分布。多くのパラメトリック検定（t検定・F検定など）は「データが正規分布に従う」ことを仮定する。
因果と相関
「相関がある」と「原因と結果の関係（因果）」は別物。アイスクリームの売上と水難事故は相関するが、原因は両者とも「夏の暑さ」。
外れ値
他のデータから極端に離れた値。分析結果を歪める原因になるため、検出して除外するか別途扱う必要がある。
欠損値
データが取得できなかった部分（NaN・空白）。除外するか補完（平均代入・回帰代入など）するかが分析上の重要な判断点。
ノンパラメトリック
データが正規分布などの特定の分布に従うことを仮定しない手法。順位やランクを使って検定する。外れ値や歪んだ分布に頑健。
交絡変数
「真の原因」と「結果」の両方に影響する第三の変数。これを統制しないと、見かけ上の関係を真の因果と誤認する。
係数（回帰係数）
「説明変数 x が1単位増えたとき、目的変数 y が平均でどれだけ変化するか」を示す数値。正の値は正の影響、負の値は負の影響。
内生性
説明変数と誤差項が相関している状態。逆因果や交絡変数の存在で発生する。これを放置すると係数推定にバイアスが生じる。

📐 使っている手法をわかりやすく解説

統計手法について「何のためか」「結果をどう読むか」を初心者向けに解説します。

◆ 統計の基本概念（どの論文にも共通）

🔍 p値（有意確率）とは
何？
「もし本当に効果がなかったとしたら、今回の結果（またはもっと極端な結果）が偶然起きる確率」のこと。
なぜ必要？
帰無仮説（「効果なし」の仮定）のもとで検定統計量の分布から計算する。
何がわかる？
「この関係は偶然ではなく、統計的に意味がある」と主張するための客観的な根拠になる。
読み方
p < 0.05（5%未満）を「統計的に有意」と判断するのが慣例。ただし「p値が小さい＝効果が大きい」ではない。効果量（係数の大きさ）とセットで判断する。
🗂️ ノンパラメトリック検定とは（なぜ使うのか）
何？
「データが正規分布に従う」という仮定を置かない検定手法の総称。Kruskal-Wallis検定・Mann-Whitney U検定などが代表例。
なぜ必要？
データの値ではなく「順位」に変換して検定統計量を計算する。外れ値や偏った分布に対しても安定して機能する。
何がわかる？
サンプルサイズが小さい・データが歪んでいる・外れ値がある場合でも、グループ差の有無を検定できる。
読み方
「なぜノンパラメトリックを選ぶのか」の理由を示すには、正規性検定（Shapiro-Wilk）の結果を添えるのが望ましい。結果の解釈は対応するパラメトリック検定と同様（p < 0.05 で有意差あり）。

◆ この論文で使われている手法

📈 重回帰分析
何？
複数の説明変数（原因候補）が1つの目的変数（結果）にどれだけ影響するかを同時に推定する手法。
どう使う？
目的変数 y を複数の説明変数 x₁, x₂, … で予測する式（y = a₁x₁ + a₂x₂ + … + b）を最小二乗法でフィットさせる。
何がわかる？
複数の要因が混在するなかで「どれが一番効いているか」を一度に検証できる。交絡変数を統制できる。
結果の読み方
係数（a₁, a₂…）のプラスは正の影響、マイナスは負の影響。p < 0.05 で統計的に有意。R²が1に近いほどモデルの説明力が高い。
⚠️ 注意点
(1) 多重共線性を必ずVIFで確認（VIF>10で警告）。(2) 線形性の仮定—関係が曲線なら対数変換や二乗項を追加。(3) 残差プロットで正規性・等分散性を確認。(4) サンプル数は最低でも「説明変数数×10」が目安。(5) 外れ値1つで係数が大きく変わるのでCook距離で確認。
🔗 相関分析
何？
2つの変数の「一緒に増減する傾向の強さと向き」を −1〜+1 の相関係数 r で数値化する手法。
どう使う？
散布図を描き、Pearson（連続データ）または Spearman（順序データ・外れ値に強い）の相関係数を計算する。
何がわかる？
「気温が高い県ほど熱中症指標が高い」などの傾向を素早く確認できる。変数選択の第一歩として使われることも多い。
結果の読み方
r > +0.7 は強い正の相関、r < −0.7 は強い負の相関、|r| < 0.3 はほぼ無相関。相関は因果関係を示すものではない点に注意。
⚠️ 注意点
(1) 多重共線性を必ずVIFで確認（VIF>10で警告）。(2) 線形性の仮定—関係が曲線なら対数変換や二乗項を追加。(3) 残差プロットで正規性・等分散性を確認。(4) サンプル数は最低でも「説明変数数×10」が目安。(5) 外れ値1つで係数が大きく変わるのでCook距離で確認。
🔄 差分の差分法（DiD）
何？
政策効果の「因果的推定」手法。処置群と対照群、政策前後の2種類の差を組み合わせる。
どう使う？
（処置群の変化）−（対照群の変化）で、政策なしでも起きていた変化を差し引く。
何がわかる？
「地方創生政策がなければどうなっていたか」を推測し、政策の純粋な効果を数値化できる。
結果の読み方
DiD推定値がプラスで有意なら政策は目的変数を増加させた。「平行トレンド仮定」（政策前は両群が同トレンド）の確認が重要。
⚠️ 注意点
(1) 多重共線性を必ずVIFで確認（VIF>10で警告）。(2) 線形性の仮定—関係が曲線なら対数変換や二乗項を追加。(3) 残差プロットで正規性・等分散性を確認。(4) サンプル数は最低でも「説明変数数×10」が目安。(5) 外れ値1つで係数が大きく変わるのでCook距離で確認。
🔬 Kruskal-Wallis検定
何？
3グループ以上の間に統計的な差があるかを検定するノンパラメトリック手法（正規分布を前提としない）。
どう使う？
全データを合体して順位をつけ、グループ間の順位平均値の差をH統計量で検定する。
何がわかる？
「医師数の少・中・多の県で死亡率に差があるか」を分布の形に関わらず検定できる。
結果の読み方
p < 0.05 でグループ間に有意差あり。どのグループ間に差があるかは Dunn 検定などで追加確認する。
⚠️ 注意点
(1) 多重共線性を必ずVIFで確認（VIF>10で警告）。(2) 線形性の仮定—関係が曲線なら対数変換や二乗項を追加。(3) 残差プロットで正規性・等分散性を確認。(4) サンプル数は最低でも「説明変数数×10」が目安。(5) 外れ値1つで係数が大きく変わるのでCook距離で確認。
🎯 操作変数法（IV）
何？
逆因果や交絡因子の問題を克服して因果関係を推定する手法。条件を満たす別の変数（操作変数）を経由して推定する。
どう使う？
操作変数は「目的変数には直接影響せず、説明変数にのみ影響する」という条件が必要。二段階最小二乗法（2SLS）で推定する。
何がわかる？
「医師が多い → 医療費が高い」vs「医療費が高い地域 → 医師が集まる」という因果の向きを区別できる。
結果の読み方
操作変数の妥当性（弱い操作変数でないか）確認が重要。係数解釈は通常の回帰と同様。
⚠️ 注意点
(1) 多重共線性を必ずVIFで確認（VIF>10で警告）。(2) 線形性の仮定—関係が曲線なら対数変換や二乗項を追加。(3) 残差プロットで正規性・等分散性を確認。(4) サンプル数は最低でも「説明変数数×10」が目安。(5) 外れ値1つで係数が大きく変わるのでCook距離で確認。
↔️ VAR（ベクトル自己回帰）/ Granger因果検定
何？
複数の時系列変数が互いに影響し合う関係を分析する手法（VAR）と、「AがBの予測に役立つか」を検定する手法（Granger因果）。
どう使う？
VARは全変数を互いに説明変数として同時回帰。Granger因果はF検定でAのラグ変数がBの予測精度を向上させるかを確認する。
何がわかる？
「女性就業率と出生率はどちらが先に動くか」「リード・ラグ関係」を特定できる。
結果の読み方
Granger因果 p < 0.05 → 「Aの過去値はBの予測に役立つ」（ただし真の因果とは限らない）。
⚠️ 注意点
(1) 多重共線性を必ずVIFで確認（VIF>10で警告）。(2) 線形性の仮定—関係が曲線なら対数変換や二乗項を追加。(3) 残差プロットで正規性・等分散性を確認。(4) サンプル数は最低でも「説明変数数×10」が目安。(5) 外れ値1つで係数が大きく変わるのでCook距離で確認。

🚀 発展の可能性（結果 X → 新仮説 Y → 課題 Z）

この研究をさらに発展させるための3つの方向性を示します。「今回わかったこと（X）」から「次に検証すべき仮説（Y）」を立て、「具体的に何をするか（Z）」まで考えてみましょう。

① データ・時間的拡張
結果 X
本論文は特定の年度・地域の断面データ（または限られた時系列）で分析を行った。
新仮説 Y
より新しい年度のデータや市区町村レベルの細粒度データを使えば、知見の時間的頑健性や地域内格差を検証できる。
課題 Z
（1）統計センターから最新の SSDSE をダウンロードし、同じ分析を再実行する。（2）結果が変わった場合、その要因（コロナ・政策変化など）を考察する。（3）市区町村データ（SSDSE-A/C/F）で分析単位を細かくした場合の結果と比較する。
② 手法の発展：重回帰分析 の次のステップ
結果 X
本論文は 重回帰分析 を用いた推定を行った。
新仮説 Y
パネルデータ固定効果モデル（FE）による都道府県固有の差の統制 により、本分析では統制できていない問題を解消できる可能性がある。
課題 Z
（1）パネルデータ固定効果モデル（FE）による都道府県固有の差の統制 を実装し、本論文の係数推定と比較する。（2）操作変数法（IV）による内生性の解消 も試し、結果の頑健性を確認する。（3）推定結果の変化から、元の分析の仮定のどれが重要だったかを考察する。
③ 政策提言・実践への応用
結果 X
本論文は分析結果から特定の変数が目的変数に影響することを示した。
新仮説 Y
分析対象を日本全国から特定地域に絞ること、または逆に国際比較に拡張することで、政策の移転可能性と文脈依存性を検証できる。
課題 Z
（1）有意な変数を「政策で変えられるもの」と「変えにくいもの」に分類する。（2）政策で変えられる変数について、係数の大きさから「どれだけ変えればどれだけ効果があるか」を試算する。（3）自治体・政策立案者への提言として、実現可能なアクションプランを1枚にまとめる。

🎯 自分でやってみよう（5つのチャレンジ）

学んだだけでは身につきません。実際に手を動かすのが最強の学習方法です。本論文のスクリプトをベースに、以下のチャレンジに挑戦してみてください。難易度別に5つ用意しました。

★☆☆☆☆ 入門
CH1. 同じデータで分析を再現する
まずは付属の Python スクリプトをそのまま実行し、論文と同じ図を再現してみてください。
ポイント： 各図がどのコード行から生成されているか辿る。エラーが出たら原因を考える。
★★☆☆☆ 初級
CH2. 説明変数を1つ追加・除外して結果を比較
本論文の分析モデルから説明変数を1つ抜いて再実行、あるいは1つ追加して再実行してください。
ポイント： 係数・p値・R² がどう変わったか観察する。多重共線性が原因で結果が変わる例を見つけられたら理想的。
★★★☆☆ 中級
CH3. 別の年度・別の都道府県で同じ分析を試す
SSDSE の別の年度（例：2015年度・2020年度）または特定都道府県のみのデータで同じ分析を実行してください。
ポイント： 時代や地域によって結論が変わるか？ 変わるならその理由を考察する。
★★★★☆ 上級
CH4. 別の手法を組み合わせる
本論文の手法 + 1つの追加手法（例：重回帰 + LASSO、相関分析 + 主成分分析）で結果を比較してください。
ポイント： 手法の違いで結論が変わるか？ どちらが妥当かを「なぜ」とともに説明できるように。
★★★★★ 発展
CH5. オリジナルの問いを立てて分析する
本論文の手法を借りて、あなた自身の問いを立てて分析してください。 例：「カフェの数と幸福度に関連はあるか」「教育費の高い県は出生率も高いか」など。
ポイント： 問い・データ・手法・結論を1ページのレポートにまとめる。これがデータサイエンスの「実践」。
💡 ヒント： 詰まったら本サイトの他の論文（同じ手法を使っている）のスクリプトをコピーして組み合わせるのが効率的です。手法ガイド・用語集も参考に。

💼 この手法は実社会でこう使われている

本論文で学んだ手法は、研究の世界だけでなく、行政・企業・NPO の現場でも様々に活用されています。具体的なシーンを紹介します。

🏛️
行政の政策立案
都道府県・市区町村の政策担当者は、本論文と同様のデータ分析を用いて「どこに予算を投じれば効果が出るか」を検討します。 例えば医療費削減策、移住促進策、子育て支援策などの効果予測・効果検証に直結します。
🏢
企業のマーケティング・出店戦略
小売チェーン・サービス業の出店戦略では、地域特性（人口構成、所得、ライフスタイル）と売上の関係を本論文と同じ手法で分析します。 ECサイトでも顧客セグメント分析・購買要因分析に類似手法が使われます。
🏥
医療・公衆衛生
感染症の流行予測、医療資源配分の最適化、健康格差の地域要因分析などで、本論文の統計手法は標準的に使われています。 WHO・厚労省レベルの政策評価でも同じ手法が活躍しています。
📊
メディア・ジャーナリズム
新聞・テレビの社会調査記事、選挙予測、世論調査の分析でも、本論文と同じ手法（回帰分析・クラスタリングなど）が使われています。 データジャーナリズムの記事はこの種の分析が中核です。
🎓
学術研究（隣接分野）
経済学・社会学・公衆衛生学・教育学・地理学などの実証研究では、本論文と同じ手法が日常的に使われます。 専門誌に掲載される論文の8割以上が、こうした統計手法に基づいて結論を出しています。
💰
金融・保険業界
与信判断（融資審査）、保険料の地域別設定、不動産価格予測などで、本論文と同様のモデリング手法が広く活用されています。 統計分析の能力は金融業界の必須スキルになっています。

🤔 よくある質問（読者からの想定Q&A）

この論文を読んで初心者が抱きやすい疑問に、教育的観点から答えます。

Q1. この分析、自分でもできますか？
はい、できます。SSDSE データは無料で公開されており、Python の pandas, scikit-learn, statsmodels を使えば全く同じ手順で再現可能です。本ページ下部のスクリプトを実行するだけで結果が得られます。
Q2. 使われている手法は他の分野にも応用できますか？
十分応用可能です。本論文の[手法]は、医療・教育・経済・環境など他のドメインでも標準的に使われる手法です。データの中身（変数）を入れ替えるだけで、別の問いにも適用できます。
Q3. 結論は本当に「因果関係」を示していますか？
本論文は「観察データ」を使った分析であり、厳密な意味での「因果関係」を完全に証明したわけではありません。あくまで「強い関連が見られた」という事実を提示しているにとどまります。真の因果を示すには、無作為化比較試験（RCT）か、自然実験を活用したIV・DiD 等の手法が必要です。
Q4. データの最新版を使うとどうなりますか？
SSDSE は毎年更新されているため、最新版を使えば近年のトレンド（特にコロナ禍以降の変化）も含めて分析できます。ただし、結論が変わる可能性もあります。それ自体が新しい発見につながります。
Q5. もっと深く学ぶには何を読めばいいですか？
「計量経済学」「データサイエンス入門」「統計的因果推論」などのテキストが入門に向いています。Python の場合は『Python ではじめる機械学習』（オライリー）、R の場合は『R で学ぶ統計学』が定番です。本サイトの他の論文も読み比べてみてください。
← 前の論文
不登校の原因究明と対策
次の論文 →
合計特殊出生率の変動要因分析