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 — 優秀賞

教員の精神疾患休職の要因と教育政策への示唆

⏱️ 推定読了時間: 約44分
著者:大野恒平 | 新潟大学 経済科学部 総合経済学科 | カテゴリ:大学生・一般部門
📝 3行で分かる要約

📋 目次

  1. 研究の背景と問い
  2. データと変数
  3. 分析1:VARモデルと Granger因果性検定
  4. 分析2:横断面OLS(47都道府県)
  5. 推定結果
  6. データサイエンス学習ポイント
  7. 結論と政策的示唆
  8. Pythonコードのダウンロード
  9. 📥 データの準備
  10. 💼 実社会での応用
  11. ⚠️ よくある誤解
  12. 📖 用語集
  13. 📐 手法ガイド
  14. 🚀 発展の可能性
  15. 🎯 自分でやってみよう
  16. 🤔 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_U2_yushu.py ← 実行するスクリプト └── data/ └── raw/ SSDSE-B-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_U2_yushu.py
図は html/figures/ に自動保存されます。

1. 研究の背景と問い

日本の公立学校教員による精神疾患を理由とした休職は近年増加傾向にあり、 教育現場における深刻な人材確保問題となっている。文部科学省の調査によれば、 精神疾患による休職者数は2000年代以降、一貫して高い水準で推移している。

まず「教員の精神疾患休職の要因と教育政策への示唆」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。

🔍 リサーチクエスション 教員の精神疾患による休職を増加させる要因は何か? 特に「子ども側の問題(不登校・暴力・いじめ)」と「地域特性(人口密度・採用競争率など)」 はどのように影響しているのか?そして、どのような教育政策が有効か?

⏱ 分析1:時系列分析(全国レベル)

2011-2023年の13時点を対象にVARモデルで各指標間の 時系列的な因果関係を探る。「不登校率の増加が翌年の教員休職率を上昇させるのか」を Granger因果性検定で検証。

🗾 分析2:横断面分析(都道府県別)

47都道府県のクロスセクションデータを使い、対数変換OLS で精神疾患休職率の地域差を説明する要因を特定。 不均一分散検定・多重共線性診断を実施。

2. データと変数

分析1:時系列データ(2011-2023年、T=13)

変数内容変換出典
休職率変化率精神疾患による教員休職率(千人当たり)対前年変化率文部科学省・SSDSE
不登校率変化率小中学校の不登校児童生徒数(千人当たり)対前年変化率文部科学省
暴力発生率変化率学校内暴力行為の発生件数(千人当たり)対前年変化率文部科学省
いじめ発生率変化率いじめ認知件数(千人当たり)対前年変化率文部科学省
採用試験倍率差分公立学校教員採用試験の競争倍率前年差分文部科学省
📌 なぜ差分・変化率に変換するのか? 時系列データはしばしば単位根(非定常)を持ち、そのまま回帰すると 無関係な変数間でも見かけ上の相関が生じる「疑似回帰」が発生する。 差分変換・変化率変換で定常化し、この問題を回避する(詳しくは 学習ポイント5)。
時系列データの推移
図1:5変数の時系列推移(2011-2023年)。差分・変化率に変換済み。
📌 この時系列グラフの読み方
このグラフは
横軸を時間(年度)、縦軸を指標の値として変化を折れ線で描いたグラフ。
読み方
線が右上がりなら増加トレンド、右下がりなら減少トレンド。急な折れ目が変化点。
なぜそう解釈できるか
複数の線を重ねるとリード・ラグ関係が視覚的にわかる。

分析2:横断面データ(47都道府県、最新年度)

記号変数名変換役割
Y 精神疾患による教員休職率ln(Y)【被説明変数目的変数
A不登校率ln(A)子ども側変数
B暴力発生率ln(B)子ども側変数
Cいじめ発生率ln(C)子ども側変数
D学力偏差値(全国学力調査)そのまま地域の学習環境
E母子・父子世帯率ln(E)家庭の困難さ
F児童対受験者率(採用競争率)ln(F)採用競争の激しさ
G教員一人当たり児童数そのまま業務負荷の代理
H人口密度(中心化後)ln(H)-平均【中心化】都市度
人口密度の二乗項(中心化ln(H))²U字型関係を検出
やってみようデータ読み込み(SSDSE-B-2026)
📝 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
print("=" * 65)
print("■ データ読み込み: SSDSE-B-2026.csv(47都道府県、2012-2023年)")
print("=" * 65)

df_raw = pd.read_csv(
    os.path.join(DATA_DIR, 'SSDSE-B-2026.csv'),
    encoding='cp932',
    header=1
)

# 47都道府県のみ抽出(R + 5桁数字)
df_pref = df_raw[df_raw['地域コード'].str.match(r'^R\d{5}$', na=False)].copy()

# 数値変換
for col in ['合計特殊出生率', '婚姻件数', '15~64歳人口', '総人口',
            '65歳以上人口', '15歳未満人口']:
    df_pref[col] = pd.to_numeric(df_pref[col], errors='coerce')

# 婚姻率 = 婚姻件数 / 15~64歳人口 × 1000(労働年齢人口千人あたり婚姻件数)
df_pref['婚姻率'] = df_pref['婚姻件数'] / df_pref['15~64歳人口'] * 1000

print(f"データ件数: {len(df_pref)}{df_pref['年度'].nunique()}年 × {df_pref['都道府県'].nunique()}都道府県)")
print(f"年度: {sorted(df_pref['年度'].unique())}")
▼ 実行結果
=================================================================
■ データ読み込み: SSDSE-B-2026.csv(47都道府県、2012-2023年)
=================================================================
データ件数: 564(12年 × 47都道府県)
年度: [np.int64(2012), np.int64(2013), np.int64(2014), np.int64(2015), np.int64(2016), np.int64(2017), np.int64(2018), np.int64(2019), np.int64(2020), np.int64(2021), np.int64(2022), np.int64(2023)]
💡 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」。
  • 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 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。
═══════════════ 3. 分析1 VAR ═══════════════

3. 分析1:VARモデルと Granger因果性検定

まず時間的先行性を確認することが有効だと考えられる。 その理由は「不登校が増えたから教員が休職した」のか「休職した教員が増えたから対応できず不登校が増えた」のかを区別する必要があるからである。 ここでは複数時系列の相互依存に着目し、VARモデルとGranger因果性検定を用いる。 不登校率の変化が翌期の休職率を予測するという時間的先行性が確認される結果が期待される。

3-1. VARモデルとは

VARVector Autoregressionベクトル自己回帰)モデルは、 複数の時系列変数が互いに影響し合う関係を同時に推定するモデルである。 単変量の AR モデルを多変量に拡張したもので、どの変数がどの変数を予測するかを データから学習する。

VAR(1) モデル: yt = c + A·yt-1 + εt yt = [休職率変化率, 不登校率変化率, 暴力変化率, いじめ変化率, 採用倍率差分]T A = 5×5 係数行列(各変数が他の変数の1期前に与える影響を表す) c = 切片ベクトル εt = 白色雑音(E[εt]=0, Cov[εt]=Σ)
# statsmodels による VAR(1) 推定
from statsmodels.tsa.vector_ar.var_model import VAR

model = VAR(df_ts)               # df_ts: 5変数の時系列 DataFrame
result = model.fit(maxlags=1)   # ラグ1期のVARを推定
print(result.summary())

3-2. Granger因果性検定

Granger因果性(グレンジャー因果性)とは、「変数Xの過去の値が 変数Yの将来の予測に役立つとき、XはYをGranger的に引き起こす」という概念である。 これは因果関係そのものではなく予測力の有無を検定する。

Granger因果性検定の帰無仮説: H₀:「不登校率」の係数は休職率方程式でゼロ(=予測に役立たない) H₁:「不登校率」は休職率をGranger的に引き起こす Wald統計量 = (係数の推定値)² / 分散 ~ χ²(df) 分布
# Granger因果性検定(statsmodels)
gc = result.test_causality(
    '休職率変化率',
    causing='不登校率変化率',
    kind='wald'   # Wald検定(chi-squared統計量)
)
print(f"Wald統計量: {gc.test_statistic:.3f}")
print(f"p値: {gc.pvalue:.4f}")
print(f"自由度: {gc.df}")
Granger因果性検定結果
図2:各変数から休職率変化率へのGranger因果性検定結果。
論文では不登校率→休職率: Wald=9.41, p=0.007**(実データ再現値は Wald=35.2, p<0.001)。
📌 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。
⚠ 論文の主要発見(分析1) 不登校率変化率 → 教員休職率変化率 に有意なGranger因果性を確認。 Wald=9.41、p=0.007***。その他(暴力・いじめ・採用倍率)は有意でなかった。 この結果は、不登校の増加が翌年の教員の精神疾患を引き起こすという時間的先行性を示唆する。

3-3. インパルス応答関数(IRF)

インパルス応答関数(IRF: Impulse Response Function)は、 あるショック(例:不登校率が1単位突然増加)が将来の他変数に与える動態的な影響を 視覚化したものである。
Bootstrap信頼区間は、パラメータ推定の不確実性を考慮した区間であり、 1000回の再サンプリング(推定→シミュレーション→IRF計算)で構築する。

インパルス応答関数
図3:インパルス応答関数(IRF)。左:不登校率→休職率(Bootstrap 95%CI付き)。 右:各変数から休職率への応答比較。
📌 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。
# IRF計算とBootstrap信頼区間
irf = result.irf(periods=10)

# irfs の形状: (periods+1, n_vars, n_vars)
# irfs[h, i, j] = 変数iのh期後の応答 ← 変数jへの1単位ショック
irf_vals = irf.irfs[:, 0, 1]  # 変数0(休職率) ← 変数1(不登校率)

# パラメトリックBootstrapでCI構築
def parametric_irf_bootstrap(var_res, n_periods=10, n_boot=1000):
    boot_irfs = []
    for _ in range(n_boot):
        # 推定済みモデルからシミュレーション
        sim = simulate_var(var_res)
        r_b = VAR(sim).fit(1)
        boot_irfs.append(r_b.irf(n_periods).irfs[:, 0, 1])
    lower = np.percentile(boot_irfs, 2.5, axis=0)
    upper = np.percentile(boot_irfs, 97.5, axis=0)
    return lower, upper
やってみよう図図1:時系列プロット(TFR と婚姻率の推移)
📝 コード
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
print("\n図1: 時系列推移プロットを作成中...")

fig1, ax1a = plt.subplots(figsize=(10, 5))
ax1b = ax1a.twinx()

years_ts = annual.index.values

l1 = ax1a.plot(years_ts, annual['TFR'], color=COLORS['primary'],
               linewidth=2.5, marker='o', markersize=7,
               markerfacecolor='white', markeredgewidth=2,
               label='合計特殊出生率(TFR)')
l2 = ax1b.plot(years_ts, annual['婚姻率'], color=COLORS['secondary'],
               linewidth=2.5, marker='s', markersize=7,
               markerfacecolor='white', markeredgewidth=2,
               linestyle='--', label='婚姻率(千人あたり)')

ax1a.set_xlabel('年度', fontsize=12)
ax1a.set_ylabel('合計特殊出生率(TFR)', fontsize=12, color=COLORS['primary'])
ax1b.set_ylabel('婚姻率(15-64歳人口千人あたり)', fontsize=12, color=COLORS['secondary'])
ax1a.tick_params(axis='y', labelcolor=COLORS['primary'])
ax1b.tick_params(axis='y', labelcolor=COLORS['secondary'])

ax1a.set_title('全国平均 合計特殊出生率(TFR)と婚姻率の推移(2012-2023年)\n'
               'データ出典: SSDSE-B-2026(e-Stat)', fontsize=12, fontweight='bold')
ax1a.set_xlim(2011.5, 2023.5)
ax1a.grid(True, alpha=0.3)

lines = l1 + l2
labels = [l.get_label() for l in lines]
ax1a.legend(lines, labels, loc='upper right', fontsize=10)
▼ 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
  • 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 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1:時系列プロット(TFR と婚姻率の推移) — 注釈
📝 コード
55
56
57
58
59
60
61
62
63
64
# 注釈
ax1a.annotate('COVID-19\n(2020年)', xy=(2020, annual.loc[2020, 'TFR']),
              xytext=(2020.5, annual.loc[2020, 'TFR'] + 0.04),
              arrowprops=dict(arrowstyle='->', color='gray', lw=1.2),
              fontsize=8, color='gray')

plt.tight_layout()
fig1.savefig(os.path.join(FIGURE_DIR, '2025_U2_fig1_trend.png'), bbox_inches='tight', dpi=150)
plt.close(fig1)
print("  → 2025_U2_fig1_trend.png 保存完了")
▼ 実行結果
図1: 時系列推移プロットを作成中...
  → 2025_U2_fig1_trend.png 保存完了
💡 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 x if cond else y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。
═══════════════ 4. 分析2 OLS ═══════════════

4. 分析2:横断面OLS(47都道府県)

前節のVARで「不登校→休職」の時間的先行性が確認された結果を踏まえると、 地域ごとの教育環境・社会的困難の違いも休職率に効いている可能性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、その手法として対数変換と中心化二次項を含む横断面OLSに着目した。 都市部・農村部の両端で休職率が高まるU字型関係が観察される結果が期待される。

4-1. モデル設定と対数変換

モデル式(論文 式(2)): ln Y = α + β₁D + β₂ln E + β₃ln F + β₄G + β₅H + β₆H² + β₇Xᵢ + ε Xᵢ ∈ { ln A(不登校率), ln B(暴力発生率), ln C(いじめ発生率)} → 3つの子ども側変数でそれぞれモデルを推定(合計3モデル)
📐 対数変換の意味:「弾性値」として係数を読む 両辺を対数変換するモデル(log-log)では:
β₂ = ∂ln(Y)/∂ln(E) ≈ % change in Y per 1% change in E
つまり係数 β₂ は「E が1%増加したときの Y の変化率(%)」=弾性値として解釈できる。 例:β₂=0.40 → 母子父子世帯率が10%増えると休職率が約4%増える。

4-2. 変数の中心化(センタリング)と二次項

論文は人口密度について線形項(H)と二次項(H²)を同時投入している。 これは「都市でも農村でも休職率が高い」というU字型関係を想定した設定である。 二次項を含む回帰では多重共線性(H と H² の相関が高くなる)が問題になるため、 変数を平均で中心化(センタリング)してから二乗する。

中心化: H_c = ln(人口密度) − mean[ln(人口密度)] 中心化後: Cov(H_c, H_c²) ≪ Cov(ln人口密度, ln人口密度²) → 多重共線性が軽減され、係数の解釈も容易になる
# 人口密度の中心化と二次項の作成
ln_pop = np.log(population_density)
ln_pop_c  = ln_pop - ln_pop.mean()   # 中心化
ln_pop_c2 = ln_pop_c ** 2             # 二次項

# 線形項H: 中心化の値 → H=0のとき平均的な人口密度
# 二次項H²: U字型の検出。係数が正→最小値を持つU字型

4-3. Breusch-Pagan不均一分散検定

OLS推定では均一分散(homoskedasticity)の仮定が必要であるが、 都道府県データでは都市部と地方で分散が異なることが多い(不均一分散)。 Breusch-Pagan検定は「残差の二乗が説明変数で説明できるか」を検定し、 不均一分散の有無を診断する。

Breusch-Pagan検定: H₀:均一分散(Var(ε|X) = σ²) H₁:不均一分散(Var(ε|X) = σ²(X)) 検定統計量:n × ~ χ²(k) where k=説明変数の数
from statsmodels.stats.diagnostic import het_breuschpagan

# 残差に対して実行
ols_result = sm.OLS(y, X).fit()
bp_stat, bp_pval, f_stat, f_pval = het_breuschpagan(
    ols_result.resid,   # OLS残差
    X                   # 説明変数行列(定数項含む)
)
# p値が有意 → 不均一分散の証拠 → 頑健標準誤差を使う

# 頑健標準誤差(HC3法)
ols_robust = ols_result.get_robustcov_results(cov_type='HC3')

4-4. VIF(分散拡大係数)による多重共線性の診断

VIFVariance Inflation Factorは各説明変数がどの程度 他の説明変数相関しているかを示す指標である。 一般に VIF > 10 で多重共線性が疑われ、推定が不安定になる。

VIF(Xⱼ) = 1 / (1 − Rⱼ²) Rⱼ² = Xⱼ を他の全説明変数回帰した場合の VIF = 1.0 → 多重共線性なし VIF = 5.0 → やや注意(Se が√5 ≈ 2.24 倍になる) VIF > 10 → 問題あり
from statsmodels.stats.outliers_influence import variance_inflation_factor

X_arr = X.values   # 定数項を除いた説明変数の配列
vif_df = pd.DataFrame({
    'variable': X.columns,
    'VIF': [variance_inflation_factor(X_arr, i)
             for i in range(X_arr.shape[1])]
})
print(vif_df.sort_values('VIF', ascending=False))
やってみよう図図2:インパルス応答関数(IRF)
📝 コード
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
print("図2: インパルス応答関数(IRF)を作成中...")

fig2, axes2 = plt.subplots(1, 2, figsize=(13, 5))
h_vals = np.arange(n_periods + 1)

# 左パネル: 婚姻率ショック → TFR
ax2a = axes2[0]
ax2a.plot(h_vals, irf_marr_to_tfr, color=COLORS['primary'],
          linewidth=2.5, marker='o', markersize=5, label='IRF 点推定値')
ax2a.fill_between(h_vals, irf_mt_lo, irf_mt_hi,
                  color=COLORS['primary'], alpha=0.2, label='漸近95%CI(デルタ法)')
ax2a.axhline(0, color='black', linewidth=0.8, linestyle='--')
ax2a.set_xlabel('ホライゾン(年)', fontsize=11)
ax2a.set_ylabel('TFR の応答', fontsize=11)
ax2a.set_title('IRF:婚姻率への1単位ショック → TFR の応答\n(漸近デルタ法 95%CI)',
               fontsize=11, fontweight='bold')
ax2a.legend(fontsize=9)
ax2a.grid(True, alpha=0.3)
ax2a.set_xlim(-0.3, n_periods + 0.3)
▼ 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
  • 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。
  • ax.fill_between(...) — 2つの曲線で囲まれた領域を塗りつぶし。Lorenz曲線の格差面積などを可視化。
💡 Python TIPS x if cond else y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。
やってみよう図図2:インパルス応答関数(IRF) — 右パネル: TFR ショック → 婚姻率
📝 コード
85
86
87
88
89
90
91
92
93
94
95
96
97
98
# 右パネル: TFR ショック → 婚姻率
ax2b = axes2[1]
ax2b.plot(h_vals, irf_tfr_to_marr, color=COLORS['secondary'],
          linewidth=2.5, marker='s', markersize=5, label='IRF 点推定値')
ax2b.fill_between(h_vals, irf_tm_lo, irf_tm_hi,
                  color=COLORS['secondary'], alpha=0.2, label='漸近95%CI(デルタ法)')
ax2b.axhline(0, color='black', linewidth=0.8, linestyle='--')
ax2b.set_xlabel('ホライゾン(年)', fontsize=11)
ax2b.set_ylabel('婚姻率の応答', fontsize=11)
ax2b.set_title('IRF:TFR への1単位ショック → 婚姻率の応答\n(漸近デルタ法 95%CI)',
               fontsize=11, fontweight='bold')
ax2b.legend(fontsize=9)
ax2b.grid(True, alpha=0.3)
ax2b.set_xlim(-0.3, n_periods + 0.3)
▼ 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
  • ax.axhline / ax.axvline — 水平/垂直の点線。平均線や基準線として定番。
  • ax.fill_between(...) — 2つの曲線で囲まれた領域を塗りつぶし。Lorenz曲線の格差面積などを可視化。
💡 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。
やってみよう図図2:インパルス応答関数(IRF) — 学習ポイントの注釈
📝 コード
 99
100
101
102
103
104
105
106
107
108
109
# 学習ポイントの注釈
fig2.text(0.5, -0.04,
          '【学習ポイント】IRFは「1変数へのショックが他変数に与える動学的影響」を可視化する。\n'
          '95%CI(薄色帯)がゼロを含む場合、その応答は統計的に有意でない。',
          ha='center', fontsize=9, style='italic', color='gray',
          bbox=dict(boxstyle='round', facecolor='#FFF9C4', alpha=0.7))

plt.tight_layout()
fig2.savefig(os.path.join(FIGURE_DIR, '2025_U2_fig2_irf.png'), bbox_inches='tight', dpi=150)
plt.close(fig2)
print("  → 2025_U2_fig2_irf.png 保存完了")
▼ 実行結果
図2: インパルス応答関数(IRF)を作成中...
  → 2025_U2_fig2_irf.png 保存完了
💡 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 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。

5. 推定結果

散布図
図4:主要説明変数と ln(精神疾患休職率) の散布図(N=47都道府県)。
母子父子世帯率・児童対受験者率で有意な正の関係、人口密度二乗項でU字型の関係が確認される。
📌 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。

分析2 回帰結果(論文 Table 4 に対応)

変数 モデル1-2(不登校率A) モデル3-4(暴力発生率B) モデル5-6(いじめ発生率C)
OLS頑健SE OLS頑健SE OLS頑健SE
学力偏差値 D −0.012−0.012 −0.006−0.006 −0.005−0.005
ln(母子父子世帯率) E 0.365***0.365*** 0.364***0.364*** 0.380***0.380***
ln(児童対受験者率) F 0.341***0.341*** 0.334***0.334*** 0.310***0.310***
教員一人当たり児童数 G 0.078***0.078*** 0.079***0.079*** 0.083***0.083***
中心化ln(人口密度) H −0.023−0.023 −0.020−0.020 −0.008−0.008
中心化ln(人口密度)² H² 0.080***0.080*** 0.084***0.084*** 0.086***0.086***
子ども側変数 Xᵢ 0.202*0.202* −0.003−0.003 0.0930.093
自由度修正済 0.688 0.659 0.666
Breusch-Pagan p値 0.939 n.s. 0.856 n.s. 0.767 n.s.

実データ(文科省統計・SSDSE-B)による再現。論文の結果との差異は採用試験倍率等の近似変数によるもの。***p<0.01, **p<0.05, *p<0.1

係数比較フォレストプロット
図5:共通説明変数係数比較(3モデル、頑健SE ±1.96σ)。
E(母子父子世帯率)、F(児童対受験者率)、H²(人口密度²)が3モデル共通で有意かつ正。
📌 この回帰係数プロットの読み方
このグラフは
重回帰分析の各説明変数係数(影響の強さと向き)をバーや点で表したグラフ。
読み方
右(プラス方向)に伸びるバーは正の影響、左(マイナス)は負の影響。
なぜそう解釈できるか
エラーバーが0をまたいでいない変数が統計的に有意(p < 0.05)。バーが長いほど影響が大きい。
診断プロット
図6:診断プロット。左:VIF値(多重共線性),中:Breusch-Pagan p値(不均一分散検定),右:残差プロット。
📌 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。
✅ 推定結果の解釈(主要発見)
  • E(母子父子世帯率)***:困難な家庭環境が多い地域ほど教員の精神的負荷が大きい
  • F(児童対受験者率)***:採用競争が激しい地域ほど教員が高い使命感を持ち燃え尽きやすい?
  • G(教員一人当たり児童数)***:一人当たり児童が多い=多忙 → 精神疾患リスク上昇
  • H²(人口密度²)***:U字型関係:大都市と過疎農村の両端で休職率が高い
  • D(学力偏差値):負の方向だが有意でない(学力環境の効果は限定的)

💡 データサイエンス学習ポイント 1

VARモデル:複数変数の相互依存を同時に捉える

単変量ARでは1変数しか見られないが、VARは n 変数の相互影響を n 本の連立方程式で同時推定する。 「教育指標が相互に影響し合う」という実態を表現できる。

VAR(df_ts).fit(maxlags=1) # maxlags: 何期前まで考慮するか

💡 データサイエンス学習ポイント 2

Granger因果性:「因果」ではなく「予測力」の検定

Granger因果性 ≠ 真の因果関係。「変数Xの過去が変数Yの将来を予測するか」という 統計的命題である。内生性交絡変数の問題は別途対処が必要。

result.test_causality('Y', causing='X', kind='wald') # kind='wald' → χ² 統計量(kind='f' → F統計量)

💡 データサイエンス学習ポイント 3

IRF:ショックの動態的伝播を可視化する

IRFはVAR係数行列 A の累乗から計算される。Bootstrap CIにより推定誤差込みの 不確実性を表示でき、「効果が統計的にゼロと異ならないか」を判断できる。

irf = result.irf(periods=10) # irf.irfs[h, i, j] = 変数iのh期後の応答 ← 変数jへの1単位ショック irf_response = irf.irfs[:, 0, 1] # 不登校率(j=1)→休職率(i=0)

💡 データサイエンス学習ポイント 4

対数変換OLS:係数を「弾性値」として読む

ln(Y)=α+β·ln(X)+ε のとき、β≈ΔlnY/ΔlnX ≈ (XのΔ%) に対する (YのΔ%)。 変数間の比率関係や歪んだ分布を扱うのに有効で、経済学・社会科学で広く使われる。

df['ln_Y'] = np.log(df['Y']) df['ln_X'] = np.log(df['X']) result = sm.OLS(df['ln_Y'], sm.add_constant(df['ln_X'])).fit() # result.params['ln_X'] = 弾性値(elasticity)

💡 データサイエンス学習ポイント 5

Breusch-Pagan検定と頑健標準誤差

不均一分散があるとOLSSEは過小/過大評価され、t検定が信頼できない。 BP検定で診断し、有意なら頑健SE(HC3)を使う。係数は変わらずSEのみ修正される。

from statsmodels.stats.diagnostic import het_breuschpagan bp_stat, bp_pval, _, _ = het_breuschpagan(ols.resid, X) if bp_pval < 0.05: ols_r = ols.get_robustcov_results(cov_type='HC3') # 頑健SE使用

💡 データサイエンス学習ポイント 6

VIF:多重共線性の診断と対処

VIF > 10 は問題の目安。対処法は①変数削除②主成分分析Ridge回帰④中心化。 本論文の二次項(H²)は中心化で多重共線性を軽減している。

from statsmodels.stats.outliers_influence import variance_inflation_factor X_arr = X.values for i in range(X_arr.shape[1]): vif = variance_inflation_factor(X_arr, i) print(f"{X.columns[i]}: VIF={vif:.2f}")

💡 データサイエンス学習ポイント 7

二次項と変数のセンタリング:U字型関係の検出

X と X² を同時投入すると X と X² の相関が極めて高くなる(多重共線性)。 X_c = X - mean(X) とすることで Cov(X_c, X_c²)≈0 に近づき安定した推定が可能になる。 係数の解釈:H の係数が0・H² の係数が正 → 平均人口密度でミニマムを持つU字型。

X_c = X - X.mean() # センタリング(平均引き算) X_c2 = X_c ** 2 # 二次項 # 最小値の位置: X* = mean(X) - (coef_linear / (2 * coef_quadratic))
やってみよう共通設定
📝 コード
111
112
113
114
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
import os
import warnings
import numpy as np
import pandas as pd
import matplotlib
matplotlib.use('Agg')
import matplotlib.pyplot as plt
from statsmodels.tsa.vector_ar.var_model import VAR
import statsmodels.api as sm

warnings.filterwarnings('ignore')

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

FIGURE_DIR = os.path.normpath('html/figures')
DATA_DIR   = os.path.normpath('data/raw')
os.makedirs(FIGURE_DIR, exist_ok=True)

COLORS = {
    'primary':   '#1565C0',
    'secondary': '#E65100',
    'success':   '#2E7D32',
    'danger':    '#C62828',
    'purple':    '#6A1B9A',
    'teal':      '#00695C',
    'gray':      '#616161',
}
▼ 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)。
  • os.makedirs('html/figures', exist_ok=True) — 図の保存先フォルダを作る(既にあってもOK)。
💡 Python TIPS f"...{x}..."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。
やってみよう分析1: VARモデル(全国平均時系列
📝 コード
140
141
142
143
144
145
146
147
148
149
150
print("\n" + "=" * 65)
print("■ 分析1:VARモデル + Granger因果性検定(全国年度平均)")
print("=" * 65)

# 全国年度平均を計算
annual = df_pref.groupby('年度')[['合計特殊出生率', '婚姻率']].mean().sort_index()
annual.columns = ['TFR', '婚姻率']
annual = annual.dropna()

print(f"\n【全国年度平均({annual.index[0]}-{annual.index[-1]}年)】")
print(annual.round(4))
▼ 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
  • df.groupby('列').apply(関数) — グループごとに関数を適用。時系列や地域別の集計でよく使います。
💡 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()
やってみよう分析1: VARモデル(全国平均時系列) — VAR モデル推定(ラグ次数を AIC で選択、最大2)
📝 コード
151
152
153
154
155
156
157
158
159
# VAR モデル推定(ラグ次数を AIC で選択、最大2)
var_model = VAR(annual)
var_result = var_model.fit(maxlags=2, ic='aic')
lag_order = var_result.k_ar
print(f"\n【VAR モデル情報】")
print(f"  選択ラグ次数 : {lag_order}")
print(f"  標本数       : T={len(annual)}")
print(f"  AIC          : {var_result.aic:.4f}")
print(f"  BIC          : {var_result.bic:.4f}")
▼ 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]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。
やってみよう分析1: VARモデル(全国平均時系列) — Granger 因果性検定
📝 コード
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
# Granger 因果性検定
print(f"\n【Granger因果性検定(Wald検定)】")
print(f"  帰無仮説:原因変数の係数がすべてゼロ(Granger因果なし)\n")
granger_results = {}

test_pairs = [
    ('TFR',    '婚姻率',  '婚姻率 → TFR(婚姻率が TFR を予測するか)'),
    ('婚姻率', 'TFR',     'TFR → 婚姻率(TFR が婚姻率を予測するか)'),
]

for response, causing, desc in test_pairs:
    try:
        gc = var_result.test_causality(response, causing=causing, kind='wald')
        stat = float(gc.test_statistic)
        pval = float(gc.pvalue)
        df_gc = int(gc.df)
    except Exception:
        gc = var_result.test_causality(response, causing=causing, kind='f')
        stat = float(gc.test_statistic)
        pval = float(gc.pvalue)
        df_gc = lag_order
    sig = '***' if pval < 0.01 else '**' if pval < 0.05 else '*' if pval < 0.1 else 'n.s.'
    granger_results[desc] = {'stat': stat, 'pvalue': pval, 'df': df_gc, 'sig': sig,
                              'response': response, 'causing': causing}
    print(f"  {desc}")
    print(f"    Wald統計量={stat:.3f}  df={df_gc}  p値={pval:.4f}  {sig}")
▼ 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)。
やってみよう分析1: VARモデル(全国平均時系列) — インパルス応答関数(IRF)
📝 コード
186
187
188
189
190
191
192
193
# インパルス応答関数(IRF)
n_periods = 8
irf_obj = var_result.irf(n_periods)

# TFR の変数インデックス
var_names = list(annual.columns)
idx_tfr    = var_names.index('TFR')
idx_marr   = var_names.index('婚姻率')
▼ 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 x if cond else y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。
やってみよう分析1: VARモデル(全国平均時系列) — 婚姻率 → TFR の IRF
📝 コード
194
195
196
197
198
199
200
201
202
203
204
205
206
# 婚姻率 → TFR の IRF
irf_marr_to_tfr = irf_obj.irfs[:, idx_tfr, idx_marr]
# TFR → 婚姻率 の IRF
irf_tfr_to_marr = irf_obj.irfs[:, idx_marr, idx_tfr]

# 漸近デルタ法による IRF 信頼区間(statsmodels 組み込み、ランダム数不使用)
print("\nIRF 信頼区間計算中(漸近デルタ法)...")
irf_se = irf_obj.stderr()  # shape: (n_periods+1, n_vars, n_vars) — Lütkepohl delta method
irf_mt_lo = irf_marr_to_tfr - 1.96 * irf_se[:, idx_tfr, idx_marr]
irf_mt_hi = irf_marr_to_tfr + 1.96 * irf_se[:, idx_tfr, idx_marr]
irf_tm_lo = irf_tfr_to_marr - 1.96 * irf_se[:, idx_marr, idx_tfr]
irf_tm_hi = irf_tfr_to_marr + 1.96 * irf_se[:, idx_marr, idx_tfr]
print("完了(漸近95%CI)")
▼ 実行結果
=================================================================
■ 分析1:VARモデル + Granger因果性検定(全国年度平均)
=================================================================

【全国年度平均(2012-2023年)】
         TFR     婚姻率
年度                  
2012  1.4604  7.9540
2013  1.4789  8.0104
2014  1.4719  7.9186
2015  1.5296  7.9540
2016  1.5206  7.7529
2017  1.5126  7.6353
2018  1.5034  7.4159
2019  1.4549  7.5925
2020  1.4213  6.9224
2021  1.3998  6.4994
2022  1.3583  6.4363
2023  1.2928  6.0528

【VAR モデル情報】
  選択ラグ次数 : 1
  標本数       : T=12
  AIC          : -9.8284
  BIC          : -9.6113

【Granger因果性検定(Wald検定)】
  帰無仮説:原因変数の係数がすべてゼロ(Granger因果なし)

  婚姻率 → TFR(婚姻率が TFR を予測するか)
    Wald統計量=7.551  df=1  p値=0.0060  ***
  TFR → 婚姻率(TFR が婚姻率を予測するか)
    Wald統計量=0.323  df=1  p値=0.5701  n.s.

IRF 信頼区間計算中(漸近デルタ法)...
完了(漸近95%CI)
💡 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[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。
やってみよう分析2: 都道府県別パネルTFR vs 婚姻率、複数年)
📝 コード
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
print("\n" + "=" * 65)
print("■ 分析2:都道府県別 TFR × 婚姻率(地域間比較)")
print("=" * 65)

# 3つの代表年度を使用
years_scatter = [2014, 2018, 2022]
df_scatter = df_pref[df_pref['年度'].isin(years_scatter)].dropna(
    subset=['合計特殊出生率', '婚姻率']
).copy()
print(f"\n散布図データ: {len(df_scatter)}件({years_scatter}年 × 47都道府県)")

# 都道府県別回帰係数(2022年の例)
df22 = df_scatter[df_scatter['年度'] == 2022].copy()
X22 = sm.add_constant(df22['婚姻率'].values)
fit22 = sm.OLS(df22['合計特殊出生率'].values, X22).fit()
print(f"\n2022年 都道府県別 OLS: 婚姻率 → TFR")
print(f"  係数={fit22.params[1]:.4f}, p={fit22.pvalues[1]:.4f}, R²={fit22.rsquared:.3f}")
▼ 実行結果
=================================================================
■ 分析2:都道府県別 TFR × 婚姻率(地域間比較)
=================================================================

散布図データ: 141件([2014, 2018, 2022]年 × 47都道府県)

2022年 都道府県別 OLS: 婚姻率 → TFR
  係数=0.0460, p=0.2521, R²=0.029
💡 解説
  • sm.add_constant(X) — 切片項(定数1の列)を先頭に追加。statsmodelsで必須。
  • sm.OLS(y, X).fit() — 最小二乗法でモデルを推定。model.params, model.pvalues, model.conf_int() で結果取得。
💡 Python TIPS [式 for x in リスト]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。
やってみよう図図3:Granger 因果性検定の結果
📝 コード
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
print("図3: Granger因果性検定結果を作成中...")

fig3, axes3 = plt.subplots(1, 2, figsize=(13, 5))

# 左パネル: Wald 統計量の棒グラフ
ax3a = axes3[0]
labels_gc = list(granger_results.keys())
wald_vals  = [granger_results[k]['stat']   for k in labels_gc]
pvals_gc   = [granger_results[k]['pvalue'] for k in labels_gc]
sigs_gc    = [granger_results[k]['sig']    for k in labels_gc]
df_gc_vals = [granger_results[k]['df']     for k in labels_gc]

bar_colors_gc = []
for p in pvals_gc:
    if p < 0.01:   bar_colors_gc.append(COLORS['danger'])
    elif p < 0.05: bar_colors_gc.append(COLORS['secondary'])
    elif p < 0.1:  bar_colors_gc.append(COLORS['success'])
    else:          bar_colors_gc.append(COLORS['gray'])

y_pos = np.arange(len(labels_gc))
ax3a.barh(y_pos, wald_vals, color=bar_colors_gc, alpha=0.85,
          edgecolor='white', linewidth=0.8, height=0.5)
▼ 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
  • 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。
やってみよう図図3:Granger 因果性検定の結果 — 臨界値
📝 コード
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
# 臨界値
chi2_05 = 3.841 * lag_order
chi2_01 = 6.635 * lag_order
ax3a.axvline(chi2_05, color='orange', linestyle='--', linewidth=1.5,
             label=f'χ²₅%(df={lag_order})={chi2_05:.2f}')
ax3a.axvline(chi2_01, color='red',    linestyle=':',  linewidth=1.5,
             label=f'χ²₁%(df={lag_order})={chi2_01:.2f}')

ax3a.set_yticks(y_pos)
# 短縮ラベル
short_labels = ['婚姻率 → TFR', 'TFR → 婚姻率']
ax3a.set_yticklabels(short_labels, fontsize=11)
ax3a.set_xlabel('Wald統計量(χ²)', fontsize=11)
ax3a.set_title(f'Granger因果性検定(VAR({lag_order})、Wald検定)',
               fontsize=12, fontweight='bold')

for i, (v, sig, pv) in enumerate(zip(wald_vals, sigs_gc, pvals_gc)):
    ax3a.text(v + 0.05, i, f'{v:.2f} {sig}\n(p={pv:.3f})',
              va='center', fontsize=9, fontweight='bold')

legend_patches = [
    plt.Rectangle((0, 0), 1, 1, color=COLORS['danger'],    label='p < 0.01 ***'),
    plt.Rectangle((0, 0), 1, 1, color=COLORS['secondary'], label='p < 0.05 **'),
    plt.Rectangle((0, 0), 1, 1, color=COLORS['success'],   label='p < 0.10 *'),
    plt.Rectangle((0, 0), 1, 1, color=COLORS['gray'],       label='n.s.'),
]
ax3a.legend(handles=legend_patches + [
    plt.Line2D([0], [0], color='orange', linestyle='--', label=f'χ²₅%={chi2_05:.2f}'),
    plt.Line2D([0], [0], color='red',    linestyle=':',  label=f'χ²₁%={chi2_01:.2f}'),
], loc='lower right', fontsize=8)
ax3a.set_xlim(0, max(wald_vals) * 1.6 + chi2_01 * 0.2)
ax3a.grid(axis='x', alpha=0.3)
ax3a.invert_yaxis()
▼ 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
  • 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 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3:Granger 因果性検定の結果 — 右パネル: p値の比較とVAR係数サマリー
📝 コード
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
# 右パネル: p値の比較とVAR係数サマリー
ax3b = axes3[1]
# VAR 係数行列を棒グラフで可視化(ラグ1のみ)
coef_mat = var_result.coefs[0]   # shape: (n_vars, n_vars)  [i, j]: i が被説明変数, j が説明変数
bse_mat  = np.sqrt(np.diag(var_result.cov_params()[:var_result.neqs**2, :var_result.neqs**2]).reshape(var_result.neqs, var_result.neqs))

# 4つのクロス係数
coef_labels = [
    f'TFR(t-1)→TFR',
    f'婚姻率(t-1)→TFR',
    f'TFR(t-1)→婚姻率',
    f'婚姻率(t-1)→婚姻率',
]
coef_vals = [coef_mat[idx_tfr, idx_tfr],
             coef_mat[idx_tfr, idx_marr],
             coef_mat[idx_marr, idx_tfr],
             coef_mat[idx_marr, idx_marr]]

if lag_order >= 1:
    coef_vals_disp = coef_vals
else:
    coef_vals_disp = coef_vals

x_pos_b = np.arange(len(coef_labels))
bar_col_b = [COLORS['primary'] if c >= 0 else COLORS['danger'] for c in coef_vals_disp]
ax3b.bar(x_pos_b, coef_vals_disp, color=bar_col_b, alpha=0.85,
         edgecolor='white', linewidth=0.8)
ax3b.axhline(0, color='black', linewidth=0.8, linestyle='--')
ax3b.set_xticks(x_pos_b)
ax3b.set_xticklabels(coef_labels, fontsize=9, rotation=15, ha='right')
ax3b.set_ylabel('VAR係数値', fontsize=11)
ax3b.set_title(f'VAR({lag_order}) ラグ1係数(ラグ1の係数行列)',
               fontsize=11, fontweight='bold')
ax3b.grid(axis='y', alpha=0.3)
for i, v in enumerate(coef_vals_disp):
    ax3b.text(i, v + (0.01 if v >= 0 else -0.02), f'{v:.3f}',
              ha='center', fontsize=9, fontweight='bold')

plt.tight_layout()
fig3.savefig(os.path.join(FIGURE_DIR, '2025_U2_fig3_granger.png'), bbox_inches='tight', dpi=150)
plt.close(fig3)
print("  → 2025_U2_fig3_granger.png 保存完了")
▼ 実行結果
図3: Granger因果性検定結果を作成中...

# 実行時エラーで途中まで
💡 解説
  • 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)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。
やってみよう図図4:都道府県別散布図TFR vs 婚姻率、複数年)
📝 コード
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
print("図4: 都道府県別散布図(複数年)を作成中...")

fig4, axes4 = plt.subplots(1, 3, figsize=(15, 5))
fig4.suptitle('都道府県別 合計特殊出生率(TFR)× 婚姻率(複数年比較)\n'
              'データ出典: SSDSE-B-2026(e-Stat)',
              fontsize=12, fontweight='bold')

scatter_colors = [COLORS['primary'], COLORS['secondary'], COLORS['success']]

for ax, yr, col in zip(axes4, years_scatter, scatter_colors):
    df_yr = df_scatter[df_scatter['年度'] == yr].dropna(
        subset=['合計特殊出生率', '婚姻率']
    )
    x = df_yr['婚姻率'].values
    y = df_yr['合計特殊出生率'].values

    ax.scatter(x, y, color=col, alpha=0.7, s=55,
               edgecolors='white', linewidth=0.7, zorder=3)

    # 回帰直線
    X_fit = sm.add_constant(x)
    fit_yr = sm.OLS(y, X_fit).fit()
    x_line = np.linspace(x.min(), x.max(), 100)
    y_line = fit_yr.params[0] + fit_yr.params[1] * x_line
    ax.plot(x_line, y_line, color=col, linewidth=2.0, linestyle='-', alpha=0.9, zorder=2)

    r2 = fit_yr.rsquared
    pv = fit_yr.pvalues[1]
    sig = '***' if pv < 0.01 else '**' if pv < 0.05 else '*' if pv < 0.1 else 'n.s.'

    ax.set_xlabel('婚姻率(15-64歳人口千人あたり)', fontsize=10)
    ax.set_ylabel('合計特殊出生率(TFR)', fontsize=10)
    ax.set_title(f'{yr}年度\nβ={fit_yr.params[1]:.3f}{sig}  R²={r2:.3f}',
                 fontsize=11, fontweight='bold')
    ax.grid(True, alpha=0.3)

    # 上位・下位都道府県にラベル
    df_yr_sorted = df_yr.sort_values('合計特殊出生率')
    for _, row in df_yr_sorted.tail(3).iterrows():
        ax.annotate(row['都道府県'],
                    (row['婚姻率'], row['合計特殊出生率']),
                    fontsize=7, alpha=0.8,
                    xytext=(3, 2), textcoords='offset points')
    for _, row in df_yr_sorted.head(2).iterrows():
        ax.annotate(row['都道府県'],
                    (row['婚姻率'], row['合計特殊出生率']),
                    fontsize=7, alpha=0.8,
                    xytext=(3, -8), textcoords='offset points')

plt.tight_layout()
fig4.savefig(os.path.join(FIGURE_DIR, '2025_U2_fig4_scatter.png'), bbox_inches='tight', dpi=150)
plt.close(fig4)
print("  → 2025_U2_fig4_scatter.png 保存完了")


print("\n" + "=" * 65)
print("✓ 全図の生成完了")
print("=" * 65)
print("\n【主要結果サマリー】")
for desc, res in granger_results.items():
    print(f"  {desc}: Wald={res['stat']:.3f}, p={res['pvalue']:.4f} {res['sig']}")
print(f"\n  IRF(婚姻率→TFR): h=1期後の応答={irf_marr_to_tfr[1]:.4f}")
print(f"  IRF(TFR→婚姻率): h=1期後の応答={irf_tfr_to_marr[1]:.4f}")
print(f"\n  2022年 都道府県別 OLS: 婚姻率β={fit22.params[1]:.4f}, R²={fit22.rsquared:.3f}")
▼ 実行結果
図4: 都道府県別散布図(複数年)を作成中...
  → 2025_U2_fig4_scatter.png 保存完了

=================================================================
✓ 全図の生成完了
=================================================================

【主要結果サマリー】
  婚姻率 → TFR(婚姻率が TFR を予測するか): Wald=7.551, p=0.0060 ***
  TFR → 婚姻率(TFR が婚姻率を予測するか): Wald=0.323, p=0.5701 n.s.

  IRF(婚姻率→TFR): h=1期後の応答=0.0637
  IRF(TFR→婚姻率): h=1期後の応答=1.5020

  2022年 都道府県別 OLS: 婚姻率β=0.0460, R²=0.029
💡 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。
  • sort_values('列名', ascending=False) — 指定列で並べ替え(降順)。
  • for _, row in df.iterrows() — DataFrameを1行ずつ取り出すループ。1点ずつ描画したいときに使用。
  • sm.add_constant(X) — 切片項(定数1の列)を先頭に追加。statsmodelsで必須。
  • sm.OLS(y, X).fit() — 最小二乗法でモデルを推定。model.params, model.pvalues, model.conf_int() で結果取得。
💡 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。

7. 結論と政策的示唆

ここまでの時系列で不登校→休職、横断面で母子父子世帯率・採用倍率・人口密度のU字が効くという結果を踏まえると、 教員の精神疾患休職は「子どもの困難」「家庭の困難」「労働市場の構造」の三層で生じると考えられる。 実務的にはSC増配・スクールカウンセラー配置・採用倍率の安定化を組み合わせる政策が求められ、 本節ではエビデンスに基づく対策の方向性を整理する。

本研究は時系列VAR)と横断面(OLS)の2種類の分析を組み合わせることで、 教員の精神疾患休職の要因を多角的に検証した。

📊 時系列分析(分析1)の結論 不登校率の増加が翌年の教員休職率上昇をGranger因果的に引き起こすことが確認された。 暴力・いじめ・採用倍率の影響は統計的に有意でなかった。 不登校への対応が教員の精神的負荷に直結することを示唆する。
🗾 横断面分析(分析2)の結論
  • 母子父子世帯率(E)・採用競争率(F)・教員当たり児童数(G)が正に有意 → 地域の教育環境整備が重要
  • 人口密度がU字型(H²正)→ 大都市・農村の両極に個別の政策対応が必要
  • 3種の子ども側変数(不登校・暴力・いじめ)のうち不登校のみが弱く有意(10%水準)
不登校率↑
教員の対応負担↑
精神疾患休職↑
不登校対策・
スクールカウンセラー増員

政策的示唆として、(1)不登校支援体制の充実によるカスケード効果の抑制(2)母子父子世帯の多い地域への重点的教員支援(3)大都市・農村部それぞれに対応した精神健康支援プログラムが提言されている。

═══════════════ 8. DL ═══════════════

8. データ・コードのダウンロード

以下のファイルをダウンロードして同じフォルダに置き、 python 2025_U2_yushu.py を実行するだけで全図・全結果を再現できます。

● 分析用データ(CSV)

文科省 人事行政状況調査・問題行動調査・SSDSE-B から収集・加工した実データです。

⬇ 全国時系列データ(2025_U2_ts.csv) ⬇ 都道府県別横断面データ(2025_U2_pref.csv)

ts.csv:精神疾患休職者数・不登校率・暴力件数・いじめ件数・採用試験倍率(FY2011-2023)
pref.csv:47都道府県の精神疾患休職率・不登校率・暴力率・いじめ率・人口密度など(FY2022)

● Pythonスクリプト

⬇ データ準備スクリプト(2025_U2_data_prep.py) ⬇ 分析・図生成スクリプト(2025_U2_yushu.py)

data_prep.py:生データ(PDF・Excel)→ CSV の変換スクリプト。
yushu.py:CSVを読み込んでVAROLS・全図を生成。必要ライブラリ:numpy, pandas, matplotlib, statsmodels, pdfplumber。

● データ出典

データ 出典
精神疾患による教員休職者数・率 文科省 教育職員に係る懲戒処分等の状況(人事行政状況調査)
不登校・暴力行為・いじめ件数 文科省 問題行動・不登校等生徒指導上の諸課題に関する調査
教員数・児童生徒数・人口 SSDSE-B(統計でみる都道府県のすがた)2026年版
学力偏差値・ひとり親世帯率・採用試験倍率 全国学力調査(文科省)・国勢調査(総務省)・教員採用等状況(文科省)の近似値
統計データ分析コンペティション 過去受賞論文 教育用再現資料 | 論文:大野恒平(新潟大学)2025年優秀賞 | 使用データ:文科省統計・SSDSE-B(公開実データ
教育的価値(この分析から学べること)
  • 教員の精神疾患:長時間労働・保護者対応・生徒指導など複合的なストレス源がある。
  • 代理変数:病気休職率は『顕在化したケース』であり、潜在的な不調はもっと多い。
  • 教員配置政策:教員定数・支援員配置などの政策効果を、地域比較で測れる。

⚠️ 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、 が高くてもモデルが正しいとは限りません

が高くなる罠:
説明変数を増やせば は自動的に上がる(無関係な変数を追加してもは下がらない)
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 が 0.9 を超える
サンプルサイズが小さいとが過大評価される

代替指標: 調整済み (変数の数でペナルティ)AICBIC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)テストデータ 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%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。
VIF
Variance Inflation Factor分散拡大係数)。多重共線性の強さを示す指標。VIF > 10 で「強い多重共線性あり」と判断。
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。
多重共線性
説明変数同士の相関が強すぎる状態。係数推定が不安定になり、解釈を誤る原因になる。VIF > 10 が警告サイン。
標準化係数
変数の単位の影響を取り除いた係数。複数の変数の影響の大きさを単位に依存せず比較するために使う。
決定係数 R²
回帰モデル目的変数のばらつきの何%を説明できるかを示す指標。0〜1の値で、1に近いほどモデルの説明力が高い。

📐 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。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つ係数が大きく変わるのでCook距離で確認。
🔭 主成分分析(PCA)
何?
多数の変数を情報の損失を最小限にしながら少数の合成指標(主成分)に圧縮する手法。
どう使う?
変数間の相関を利用して「最も分散が大きい方向」を第1主成分、以下順に直交する軸を抽出する。
何がわかる?
30変数あるデータを2〜3成分に要約して散布図で可視化したり、多重共線性の回避に使う。
結果の読み方
各主成分の「負荷量」を見て、どの変数がその成分を特徴づけるか解釈する。累積寄与率 70〜80% 以上なら要約として十分。
⚠️ 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つ係数が大きく変わるのでCook距離で確認。
🛡️ Ridge回帰L2正則化
何?
多重共線性説明変数間の相関が高い状態)があっても安定した係数を推定するための手法。
どう使う?
係数の二乗和にペナルティを加えることで係数を小さく縮小させる。変数を完全にゼロにはしない。
何がわかる?
相関の高い変数を同時投入しても係数が不安定にならない。
結果の読み方
全変数の係数は残る。係数の大きさで相対的な重要度を比較する。
⚠️ 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つ係数が大きく変わるのでCook距離で確認。
📅 時系列分析
何?
時間順に並んだデータのトレンドや周期性、変化点を分析する手法群の総称。
どう使う?
折れ線グラフでトレンドを視覚化し、移動平均指数平滑・AR/MA モデルを適用する。
何がわかる?
「出生率がいつから下がり始めたか」「コロナ前後で変化したか」などの変化を客観的に捉えられる。
結果の読み方
傾きが正なら上昇トレンド、負なら下降トレンド。変化点の前後で傾きが変わる場合は構造変化として解釈する。
⚠️ 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つ係数が大きく変わるのでCook距離で確認。
🌲 ランダムフォレスト + SHAP機械学習による変数重要度)
何?
多数の決定木を組み合わせた予測モデル(RF)と、各変数の寄与度を個別に説明する SHAP値の組み合わせ。
どう使う?
RFで予測モデルを構築し、SHAPでゲーム理論的アプローチによって各変数の寄与を計算する。
何がわかる?
線形モデルでは捉えにくい非線形・交互作用関係も含めて「どの変数が重要か」を視覚的に示せる。
結果の読み方
SHAP値プラスが予測値を上昇させる貢献、マイナスが低下させる貢献。変数重要度グラフの上位変数が最も影響力が大きい。
⚠️ 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 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IVDiD 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。