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（大学生・一般の部）

女性の社会進出を支援する
環境要因分析と改善案の提言

⏱️ 推定読了時間: 約40分
審査員奨励賞 ［大学生・一般の部］ 2025年度
📝 3行で分かる要約

目次

  1. 研究の概要と問題意識
  2. データと変数の構築（SSDSE-B活用）
  3. Step 1: LASSO回帰による変数選択
  4. Step 2: 重回帰分析（調整済みR²=0.647）
  5. Step 3: 主成分分析（バリマックス回転）
  6. Step 4: 階層クラスタリング（Ward法）
  7. 分析結果と政策提言
  8. データサイエンス学習まとめ
  9. Pythonコードのダウンロード
  10. 📥 データの準備
  11. 💼 実社会での応用
  12. ⚠️ よくある誤解
  13. 📖 用語集
  14. 📐 手法ガイド
  15. 🚀 発展の可能性
  16. 🎯 自分でやってみよう
  17. 🤔 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-D-2023.csv　← SSDSE-D（都道府県の指標）📥 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_U5_2_shorei.py ← 実行するスクリプト └── data/ └── raw/ SSDSE-B-2026.csv ← ここに置く SSDSE-D-2023.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_U5_2_shorei.py
図は html/figures/ に自動保存されます。

1. 研究の概要と問題意識

日本の女性就業率は近年上昇しているものの、都道府県間の格差は依然として大きい。 保育環境・産業構造・子育て負担の地域差が、女性の就業を制約・促進する「環境要因」として機能している。 この研究は 47 都道府県のクロスセクションデータ（2020〜2022 年）を用いて、 女性就業率に影響する環境要因を多変量解析で特定し、政策改善案を提言している。

まず「女性の社会進出を支援する環境要因分析と改善案の提言」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。

主要な知見 LASSO 回帰で選択された 6 変数による重回帰モデルの調整済み R² = 0.647。 保育士負担・15 歳未満人口割合・幼稚園教員負担が女性就業率と有意に関連。 都道府県は Ward 法により 4 クラスターに類型化され、各クラスターで異なる政策の優先度が示唆された。

分析パイプライン

SSDSE-B
データ読込
→
変数構築
（就業率等）
→
LASSO
変数選択
→
重回帰
分析
→
PCA
（バリマックス）
→
階層
クラスタリング

2. データと変数の構築（SSDSE-B活用）

データソース

データ出典対象年
SSDSE-A（市区町村版） 統計センター 2020年
SSDSE-B（都道府県別推移） 統計センター 2022年
SSDSE-B-2026.csv の主要列（本再現コードで使用）
列コード変数名使用目的
A110102総人口（女）女性就業率の分母
A13010215歳未満人口（女）15歳以上女性人口の算出
A13020215〜64歳人口（女）就業年齢帯の代理
E1301幼稚園教員数幼稚園教員平均負担人数の計算
E1501幼稚園在園者数同上
J2505保育所等定員数保育所入園倍率
J2506保育所等在所児数同上
J2526保育所等保育士数保育士平均負担人数
J250502保育所等利用待機児童数保育所落選率（代理）

構築した変数

変数名計算式意味
女性就業率 就業者数（女）÷（総人口(女) − 15歳未満人口(女)） 目的変数
幼稚園教員平均負担人数 幼稚園在園者数 ÷ 幼稚園教員数 教員1人当たりの負担
保育士平均負担人数 保育所等在所児数 ÷ 保育所等保育士数 保育士の過重負担度
保育所入園倍率 保育所等在所児数 ÷ 保育所等定員数 定員充足率（1超 = 超過）
15歳未満人口割合（女） 15歳未満人口(女) ÷ 総人口(女) 子育て層の多さ
有効求人倍率（代理） 有効求人数 ÷ 有効求職者数（F3103/F3102） 第3次産業就業率の代理

DS学習ポイント 1

実データからの変数構築（Feature Engineering）

既存の変数を組み合わせて「分析に必要な変数」を作ることを 特徴量エンジニアリング という。

# SSDSE-B-2026.csv の読み込み（cp932 エンコーディング） df_raw = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', header=0, skiprows=[1]) df_raw = df_raw.rename(columns={'SSDSE-B-2026': 'year'}) df = df_raw[df_raw['year'] == 2022].copy() # 幼稚園教員平均負担人数 df['kindergarten_burden'] = df['E1501'] / df['E1301'].replace(0, np.nan) # 保育士平均負担人数 df['nursery_burden'] = df['J2506'] / df['J2526'].replace(0, np.nan)
やってみよう■ Step5. 階層クラスタリング（Ward法）
📝 コード
 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
print("\n" + "=" * 65)
print("■ Step5. 階層クラスタリング（Ward法）")
print("=" * 65)

Z    = linkage(scores_rot, method='ward')
labels_cluster = fcluster(Z, t=4, criterion='maxclust')

df_clean = df_clean.copy()
df_clean['cluster'] = labels_cluster
df_clean['PC1']     = scores_rot[:, 0]
df_clean['PC2']     = scores_rot[:, 1]
df_clean['fem_emp'] = y

print(f"\n【クラスター別の都道府県】")
for cl in range(1, 5):
    prefs = df_clean[df_clean['cluster'] == cl]['Prefecture'].tolist()
    mean_emp = df_clean[df_clean['cluster'] == cl]['fem_emp'].mean()
    print(f"  Cluster{cl} (n={len(prefs)}, 女性就業率平均={mean_emp:.3f}): {', '.join(prefs)}")
▼ 実行結果
=================================================================
■ Step5. 階層クラスタリング（Ward法）
=================================================================

# 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 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）。
═══ 3. LASSO ═══

3. Step 1: LASSO回帰による変数選択

1 LASSO回帰（L1正則化）

まずSSDSE-Bの多数の変数の中から、目的変数に効くものを機械的に絞り込むことが有効だと考えられる。 その理由は変数が多いまま重回帰すると多重共線性や過学習で係数が不安定になり、政策的解釈もブレるからである。 ここではスパース性に着目し、L1正則化を伴うLASSO回帰という手法を用いる。 効きが弱い変数の係数が自動的にゼロとなり、本質的な変数だけが残る結果が期待される。

説明変数が多い場合、多重共線性（変数間の高い相関）や過学習の問題が生じる。 LASSO（Least Absolute Shrinkage and Selection Operator）は L1 正則化を加えた回帰で、 重要度の低い変数の係数を 正確にゼロに縮小することで変数選択を自動的に行う。

目的関数（LASSO）： min_β Σ(y_i - β'x_i)² + λ Σ|β_j| ↑ L1正則化項（スパース性を誘導） λ（アルファ）：正則化の強度 λ大 → 多くの係数がゼロ（変数少） λ小 → OLS に近い（変数多） 最適λ → 交差検証（CV）で決定
LASSO正則化パスとCVエラー
図1：LASSO の正則化パス（左）と5-fold CV によるα選択（右）。 左図：α が大きくなると係数がゼロに向かって縮小されていく。 右図：MSEが最小となる α を最適値として採用。
📌 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の係数（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「この変数が増えると目的変数も増える」正の影響。左（マイナス方向）は逆。
なぜそう解釈できるか
エラーバー（誤差棒）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。

LASSO で選択された変数（論文参考）

変数名係数の方向解釈
第3次産業就業率（代理）負サービス産業比率が高い都市ほど就業率が高い傾向（競争激化で就労困難か？）
15歳未満人口割合（女）正子供の多い地域ほど就業率が上昇（子育て支援の充実？）
幼稚園教員平均負担人数負教員負担が大きいほど就業率が低下（保育の質低下）
保育所落選率負待機児童が多い地域は就業率低下
保育士平均負担人数負保育士過重負担地域では就業しにくい
保育所入園倍率正負混在需要超過 vs 定員充足の地域差

DS学習ポイント 2

LASSOとRidge回帰の違い

L1正則化（LASSO）は係数をゼロに「飛ばす」ため変数選択に使える。 L2正則化（Ridge）は係数をゼロに近づけるが完全にゼロにはならない（全変数を残す）。

from sklearn.linear_model import LassoCV # 5-fold CV で最適 α を自動選択 lasso_cv = LassoCV(alphas=np.logspace(-4, 0, 100), cv=5, random_state=2025) lasso_cv.fit(X_std, y) alpha_opt = lasso_cv.alpha_ # 最適な正則化強度 # 最適 α でモデルを学習し係数を確認 from sklearn.linear_model import Lasso lasso = Lasso(alpha=alpha_opt) lasso.fit(X_std, y) print(lasso.coef_) # ゼロの係数 = 選ばれなかった変数
やってみよう図図1：LASSO正則化パスとCVエラー
📝 コード
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
print("\n図1: LASSO正則化パスを作成中...")

fig1, axes1 = plt.subplots(1, 2, figsize=(13, 5))
fig1.suptitle('LASSO回帰による変数選択', fontsize=13, fontweight='bold')

# (a) 正則化パス
ax = axes1[0]
colors_path = plt.cm.tab10(np.linspace(0, 1, len(X_names)))
for i, (vn, col) in enumerate(zip(X_names, colors_path)):
    ax.plot(np.log10(alphas_path), coef_path[:, i], color=col,
            linewidth=1.8, label=var_labels[vn])
ax.axvline(np.log10(alpha_opt), color='red', linestyle='--', linewidth=1.5,
           label=f'最適 α={alpha_opt:.5f}')
ax.set_xlabel('log₁₀(α)', fontsize=11)
ax.set_ylabel('標準化係数', fontsize=11)
ax.set_title('LASSO正則化パス\n（αが大きいほど係数がゼロに縮小）', fontsize=11, fontweight='bold')
ax.legend(fontsize=7.5, loc='upper left', ncol=1)
ax.grid(True, alpha=0.3)
ax.axhline(0, color='gray', linewidth=0.8)
▼ 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。
💡 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1：LASSO正則化パスとCVエラー — (b) CV エラー曲線
📝 コード
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
# (b) CV エラー曲線
ax2 = axes1[1]
mse_path = lasso_cv.mse_path_.mean(axis=1)
mse_std  = lasso_cv.mse_path_.std(axis=1)
ax2.semilogx(lasso_cv.alphas_, mse_path, color='#1565C0', linewidth=2)
ax2.fill_between(lasso_cv.alphas_, mse_path - mse_std, mse_path + mse_std,
                 alpha=0.2, color='#1565C0')
ax2.axvline(alpha_opt, color='red', linestyle='--', linewidth=1.5,
            label=f'最適 α={alpha_opt:.5f}')
ax2.set_xlabel('α（正則化強度）', fontsize=11)
ax2.set_ylabel('平均二乗誤差（MSE, CV）', fontsize=11)
ax2.set_title('5-fold CV によるα選択\n（MSE最小点を採用）', fontsize=11, fontweight='bold')
ax2.legend(fontsize=10)
ax2.grid(True, alpha=0.3)

plt.tight_layout()
fig1.savefig(os.path.join(FIG_DIR, '2025_U5_2_fig1_lasso.png'), bbox_inches='tight', dpi=150)
plt.close(fig1)
print("  → 2025_U5_2_fig1_lasso.png 保存完了")
▼ 実行結果
図1: LASSO正則化パスを作成中...

# 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。
  • 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 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。
═══ 4. 重回帰 ═══

4. Step 2: 重回帰分析

2 重回帰分析（LASSO選択変数）

前節のLASSOで本質的な変数だけが残った結果を踏まえると、 選ばれた変数の効果量（係数の大きさと符号）を統計的検定とともに確認する段階であると考えられる。 これを検証する必要があるが、その手法として標準化偏回帰係数による重回帰分析に着目した。 LASSOで残った変数が95%信頼区間でも有意となり、実用的な予測モデルが得られる結果が期待される。

重回帰係数プロット
図2：重回帰分析の結果。左：標準化偏回帰係数と95%信頼区間（赤=有意）、 右：実績値 vs 予測値の散布図（都道府県名ラベル付き、外れ値のみ表示）。
📌 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。
調整済みR² 論文の重回帰モデルでは 調整済みR² = 0.647 を達成。 6つの変数で女性就業率の分散の約65%を説明できる。 残りの約35%は本モデルで捉えられていない要因（文化・歴史・個人特性等）による。

調整済みR²とは

通常のR² = 1 - RSS/TSS # 説明できた分散の割合 調整済みR² = 1 - (RSS/(n-k-1)) / (TSS/(n-1)) ここで: RSS = 残差平方和（予測値と実績値の差の二乗和） TSS = 全平方和（実績値と平均の差の二乗和） n = 観測数（都道府県数=47） k = 説明変数の数 → 変数を増やすとR²は必ず上がるが、調整済みR²は 「役に立たない変数を追加すると逆に下がる」ペナルティがある

DS学習ポイント 3

statsmodels による重回帰分析

詳細な検定統計量（t値・p値・信頼区間）が得られる statsmodels を使う。

import statsmodels.api as sm X_sel_std = scaler.fit_transform(X_sel) # 標準化 X_ols = sm.add_constant(X_sel_std) # 定数項を追加 ols = sm.OLS(y, X_ols).fit() print(ols.summary()) # 全検定結果 print(ols.rsquared_adj) # 調整済みR² print(ols.conf_int()) # 95%信頼区間
やってみよう図図2：重回帰係数プロット
📝 コード
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
print("図2: 重回帰係数プロットを作成中...")

fig2, axes2 = plt.subplots(1, 2, figsize=(13, 5))
fig2.suptitle('重回帰分析の結果（女性就業率を目的変数）', fontsize=13, fontweight='bold')

# (a) 係数と95%信頼区間
ax3 = axes2[0]
params   = np.asarray(ols.params)[1:]   # 定数項除く
ci       = np.asarray(ols.conf_int())
ci_lower = ci[1:, 0]
ci_upper = ci[1:, 1]
pvals    = np.asarray(ols.pvalues)[1:]
labels_sel = [var_labels[vn] for vn in selected_vars]

y_pos = np.arange(len(params))
colors_reg = ['#E53935' if p < 0.05 else '#90A4AE' for p in pvals]
ax3.barh(y_pos, params, color=colors_reg, alpha=0.8, edgecolor='white')
xerr_lo = np.maximum(0, params - ci_lower)
xerr_hi = np.maximum(0, ci_upper - params)
ax3.errorbar(params, y_pos, xerr=[xerr_lo, xerr_hi],
             fmt='none', color='black', capsize=4, linewidth=1.5)
ax3.axvline(0, color='gray', linestyle='--', linewidth=1.0)
ax3.set_yticks(y_pos)
ax3.set_yticklabels(labels_sel, fontsize=9)
ax3.set_xlabel('標準化偏回帰係数（±95%CI）', fontsize=11)
ax3.set_title(f'標準化偏回帰係数\n調整済みR²={ols.rsquared_adj:.3f}（論文参考値: 0.647）',
              fontsize=11, fontweight='bold')
red_patch  = mpatches.Patch(color='#E53935', label='有意（p<0.05）')
gray_patch = mpatches.Patch(color='#90A4AE', label='非有意')
ax3.legend(handles=[red_patch, gray_patch], fontsize=9)
ax3.grid(axis='x', alpha=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。
💡 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2：重回帰係数プロット — 有意性マーカー
📝 コード
90
91
92
93
94
95
96
# 有意性マーカー
for i, (c, p) in enumerate(zip(params, pvals)):
    sig = '***' if p < 0.001 else '**' if p < 0.01 else '*' if p < 0.05 else ''
    if sig:
        offset = 0.003 if c >= 0 else -0.003
        ax3.text(ci_upper[i] + abs(offset), i, sig, va='center', fontsize=10,
                 color='#E53935', fontweight='bold')
▼ 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 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。
やってみよう図図2：重回帰係数プロット — (b) 実績値 vs 予測値
📝 コード
 97
 98
 99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
# (b) 実績値 vs 予測値
ax4 = axes2[1]
y_pred  = ols.fittedvalues
residuals = y - y_pred
ax4.scatter(y_pred, y, color='#1565C0', alpha=0.6, s=50, edgecolors='white', linewidth=0.5)
lim = [min(y_pred.min(), y.min()) - 0.01, max(y_pred.max(), y.max()) + 0.01]
ax4.plot(lim, lim, 'r--', linewidth=1.5, label='完全予測線')
# 都道府県名ラベル（外れ値）
residual_std = np.std(residuals)
for i, (pref, yp, ya) in enumerate(zip(df_clean['Prefecture'], y_pred, y)):
    if abs(ya - yp) > residual_std * 1.5:
        ax4.annotate(pref, (yp, ya), fontsize=7.5, color='#555',
                     xytext=(5, 3), textcoords='offset points')
ax4.set_xlabel('予測値（女性就業率）', fontsize=11)
ax4.set_ylabel('実績値（女性就業率）', fontsize=11)
ax4.set_title(f'実績値 vs 予測値\nR²={ols.rsquared:.3f}', fontsize=11, fontweight='bold')
ax4.legend(fontsize=9)
ax4.grid(True, alpha=0.3)

plt.tight_layout()
fig2.savefig(os.path.join(FIG_DIR, '2025_U5_2_fig2_reg.png'), bbox_inches='tight', dpi=150)
plt.close(fig2)
print("  → 2025_U5_2_fig2_reg.png 保存完了")
▼ 実行結果
図2: 重回帰係数プロットを作成中...

# 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 f-stringの書式 {値:.2f}（小数2桁）、{値:,}（3桁区切り）、{値:>10}（右寄せ10桁）など、覚えると出力が一気に整います。
═══ 5. PCA ═══

5. Step 3: 主成分分析（バリマックス回転）

前節の重回帰で複数変数が有意に効くことが分かった結果を踏まえると、 変数群の背後にある「潜在的な軸」を抽出して構造を捉える必要があると考えられる。 これを検証する必要があるが、その手法としてバリマックス回転を伴う主成分分析（PCA）に着目した。 解釈しやすい少数の軸（例：都市化軸、産業構造軸）が抽出される結果が期待される。

3 主成分分析（PCA）+ バリマックス回転

重回帰分析で特定された変数間には相関があるため、 主成分分析（PCA）で変数の背後にある「潜在的な因子」を抽出する。 バリマックス回転を加えることで、各成分の解釈をより明確にする。

主成分分析バイプロット
図3：PCA バイプロット（左）とスクリープロット（右）。 左図：都道府県の PC1・PC2 上の位置（クラスターカラー）と因子負荷ベクトル（赤矢印）。 右図：各主成分の寄与率と累積寄与率。
📌 この主成分散布図の読み方
このグラフは
主成分分析で抽出した第1・第2主成分を軸に、各サンプルを点で描いたグラフ。
読み方
点の位置が近いサンプルほど元の変数プロフィールが似ている。軸の端に位置するサンプルが強い特徴を持つ。
なぜそう解釈できるか
矢印（バイプロット）が付いている場合、矢印の向きが「その変数が影響する方向」。矢印が長いほど主成分への寄与が大きい。

バリマックス回転とは

通常の PCA では因子が「どの変数とも適度に相関」する形になる。 バリマックス回転（直交回転）は各変数の因子負荷を「高いか低いか」の二極化させることで、 各主成分の解釈をわかりやすくする変換。

バリマックス回転の目的関数： max Σ_j [Var(λ_ij²)] = max 各因子内の負荷の分散の合計 → 各因子について「一部の変数だけが高く負荷する」状態を作る → 因子の意味が「○○軸」として解釈しやすくなる

DS学習ポイント 4

PCA の手順（sklearn）

from sklearn.decomposition import PCA # 1. データの標準化 X_std = StandardScaler().fit_transform(X) # 2. PCA の実行（3成分） pca = PCA(n_components=3) scores = pca.fit_transform(X_std) # 主成分スコア（47 × 3） loadings = pca.components_.T # 因子負荷行列（n_vars × 3） # 3. 寄与率の確認 print(pca.explained_variance_ratio_) # [0.35, 0.22, 0.15, ...] print(pca.explained_variance_ratio_.cumsum()) # 累積寄与率 # 4. バリマックス回転（手動実装 or scipy の rotation） L_rot, R = varimax(loadings) # 回転後の因子負荷
やってみよう図図3：主成分分析 バイプロット
📝 コード
121
122
123
124
125
126
127
128
129
130
131
132
133
134
print("図3: PCAバイプロットを作成中...")

fig3, axes3 = plt.subplots(1, 2, figsize=(13, 5))
fig3.suptitle('主成分分析（PCA）+ バリマックス回転', fontsize=13, fontweight='bold')

# (a) バイプロット（PC1 vs PC2）
ax5 = axes3[0]
scatter_colors = [CLUSTER_COLORS[c] for c in df_clean['cluster']]
sc = ax5.scatter(df_clean['PC1'], df_clean['PC2'], c=scatter_colors,
                 s=70, alpha=0.85, edgecolors='white', linewidth=0.5, zorder=3)
for i, (pref, x, y_val) in enumerate(zip(df_clean['Prefecture'],
                                          df_clean['PC1'], df_clean['PC2'])):
    ax5.annotate(pref[:2], (x, y_val), fontsize=6.5, ha='center', va='bottom',
                 xytext=(0, 4), textcoords='offset points', color='#333')
▼ 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 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。
やってみよう図図3：主成分分析 バイプロット — 因子負荷ベクトル
📝 コード
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
# 因子負荷ベクトル
scale = 3.0
for i, vn in enumerate(X_names):
    ax5.arrow(0, 0, L_rotated[i, 0] * scale, L_rotated[i, 1] * scale,
              head_width=0.08, head_length=0.05, fc='#E53935', ec='#E53935', alpha=0.7)
    ax5.text(L_rotated[i, 0] * scale * 1.12, L_rotated[i, 1] * scale * 1.12,
             var_labels[vn], fontsize=7, color='#C62828', ha='center')

ax5.axhline(0, color='gray', linewidth=0.6, alpha=0.5)
ax5.axvline(0, color='gray', linewidth=0.6, alpha=0.5)
ax5.set_xlabel(f'PC1（バリマックス回転後）', fontsize=11)
ax5.set_ylabel(f'PC2（バリマックス回転後）', fontsize=11)
ax5.set_title('バイプロット（PC1 × PC2）\nクラスターカラーで着色', fontsize=11, fontweight='bold')

for cl, col in CLUSTER_COLORS.items():
    ax5.scatter([], [], color=col, s=60, label=f'Cluster{cl}')
ax5.legend(fontsize=8, loc='upper left')
ax5.grid(True, alpha=0.2)
▼ 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 f-stringの書式 {値:.2f}（小数2桁）、{値:,}（3桁区切り）、{値:>10}（右寄せ10桁）など、覚えると出力が一気に整います。
やってみよう図図3：主成分分析 バイプロット — (b) 寄与率（スクリープロット）
📝 コード
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
# (b) 寄与率（スクリープロット）
ax6 = axes3[1]
ev_ratio  = pca.explained_variance_ratio_ * 100
cum_ratio = np.cumsum(ev_ratio)
pc_labels = [f'PC{i+1}' for i in range(len(ev_ratio))]
ax6.bar(pc_labels, ev_ratio, color='#1565C0', alpha=0.8, edgecolor='white', label='各成分寄与率')
ax6.plot(pc_labels, cum_ratio, 'o-', color='#E53935', linewidth=2, markersize=7,
         markerfacecolor='white', markeredgewidth=2, label='累積寄与率')
ax6.axhline(70, color='gray', linestyle='--', linewidth=1.0, label='70%基準')
ax6.set_ylabel('寄与率（%）', fontsize=11)
ax6.set_title('固有値スクリープロット\n（3成分で累積寄与率の確認）', fontsize=11, fontweight='bold')
ax6.legend(fontsize=9)
ax6.grid(axis='y', alpha=0.3)
for i, (r, c) in enumerate(zip(ev_ratio, cum_ratio)):
    ax6.text(i, r + 1.0, f'{r:.1f}%', ha='center', fontsize=9, fontweight='bold', color='#1565C0')
    ax6.text(i, c + 1.5, f'{c:.1f}%', ha='center', fontsize=8, color='#E53935')

plt.tight_layout()
fig3.savefig(os.path.join(FIG_DIR, '2025_U5_2_fig3_pca.png'), bbox_inches='tight', dpi=150)
plt.close(fig3)
print("  → 2025_U5_2_fig3_pca.png 保存完了")
▼ 実行結果
図3: PCAバイプロットを作成中...

# 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 plt.subplots(figsize=(W, H)) で図サイズ指定、fig.savefig(..., bbox_inches='tight') で余白を自動で詰めて保存。
═══ 6. クラスタリング ═══

6. Step 4: 階層クラスタリング（Ward法）

前節のPCAで都道府県を少数の軸で表現できた結果を踏まえると、 似た特徴を持つ都道府県をグルーピングして政策タイプを示す段階に進むべきと考えられる。 これを検証する必要があるが、その手法としてクラスター内分散を最小化するWard法（階層クラスタリング）に着目した。 都道府県が明瞭な政策類型に分かれ、各群に対応する処方箋を導ける結果が期待される。

4 Ward法による都道府県の類型化

PCA の主成分スコアを用いて、階層クラスタリング（Ward法）で 47 都道府県を類型化する。Ward 法は「クラスター内の分散の増加」を最小化するように統合する手法で、 バランスの取れたクラスター構造が得られる。

階層クラスタリングデンドログラム
図4：Ward 法によるデンドログラム（左）とクラスター別の主要指標（右）。 47 都道府県が 4 クラスターに類型化され、各クラスターが異なる保育・就業特性を持つ。
📌 このデンドログラム（樹形図）の読み方
このグラフは
階層的クラスタリングの過程を樹木状に示した図。どのサンプルが先に統合されたかがわかる。
読み方
縦軸（高さ）は統合時の距離（非類似度）を示す。低い位置で結合したサンプルほど似ている。水平線を引いた高さでクラスター数が決まる。
なぜそう解釈できるか
水平線の高さを「大きなジャンプ」の直前に設定することでクラスター数を決める。切り取った後の各グループを変数平均で特徴づけする。

4クラスターの解釈（参考）

Cluster 1
都市・高就業型
大都市圏。就業率高・保育需要大・待機児童多め
Cluster 2
地方・子育て支援充足型
地方都市。就業率中・保育定員が需要を満たす
Cluster 3
農村・高出生率型
農村部。15歳未満比率高・就業率低め
Cluster 4
地方・保育課題型
保育士負担大・待機児童少ないが就業率停滞

DS学習ポイント 5

階層クラスタリング（scipy）

from scipy.cluster.hierarchy import dendrogram, linkage, fcluster # Ward法でリンケージ行列を計算 Z = linkage(scores_rot, method='ward') # デンドログラムの描画 dendrogram(Z, labels=pref_labels, orientation='left', ax=ax) # 4クラスターに切断 labels = fcluster(Z, t=4, criterion='maxclust') # クラスター別統計 df_clean.groupby('cluster')[key_vars].mean().round(3)
やってみよう図図4：階層クラスタリング デンドログラム + クラスター別プロファイル
📝 コード
175
176
177
178
179
180
181
182
183
184
185
186
187
188
print("図4: 階層クラスタリングデンドログラムを作成中...")

fig4, axes4 = plt.subplots(1, 2, figsize=(15, 6))
fig4.suptitle('階層クラスタリング（Ward法）による都道府県の類型化', fontsize=13, fontweight='bold')

# (a) デンドログラム
ax7 = axes4[0]
pref_labels = df_clean['Prefecture'].tolist()
dend = dendrogram(Z, labels=pref_labels, orientation='left', ax=ax7,
                  color_threshold=Z[-3, 2],
                  leaf_font_size=7.5)
ax7.set_title('デンドログラム（Ward法）\n4クラスター', fontsize=11, fontweight='bold')
ax7.set_xlabel('距離（Ward）', fontsize=10)
ax7.grid(axis='x', alpha=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。
💡 Python TIPS f-stringの書式 {値:.2f}（小数2桁）、{値:,}（3桁区切り）、{値:>10}（右寄せ10桁）など、覚えると出力が一気に整います。
やってみよう図図4：階層クラスタリング デンドログラム + クラスター別プロファイル — (b) クラスター別の女性就業率と保育士負担
📝 コード
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
# (b) クラスター別の女性就業率と保育士負担
ax8 = axes4[1]
cl_means = df_clean.groupby('cluster')[['fem_emp', 'nursery_burden', 'child_ratio_f']].mean()

x_cl = np.arange(1, 5)
width = 0.28
ax8.bar(x_cl - width, cl_means['fem_emp'] * 100, width, label='女性就業率（%）',
        color='#1565C0', alpha=0.85, edgecolor='white')
ax8.bar(x_cl, cl_means['nursery_burden'], width, label='保育士1人あたり在所児数（人）',
        color='#E65100', alpha=0.85, edgecolor='white')
ax8.bar(x_cl + width, cl_means['child_ratio_f'] * 100, width, label='15歳未満人口割合（女, %）',
        color='#2E7D32', alpha=0.85, edgecolor='white')

ax8.set_xticks(x_cl)
ax8.set_xticklabels([f'Cluster{c}' for c in range(1, 5)], fontsize=10)
ax8.set_ylabel('各指標の値', fontsize=11)
ax8.set_title('クラスター別の主要指標（平均値）', fontsize=11, fontweight='bold')
ax8.legend(fontsize=8.5, loc='upper right')
ax8.grid(axis='y', alpha=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
  • 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 plt.subplots(figsize=(W, H)) で図サイズ指定、fig.savefig(..., bbox_inches='tight') で余白を自動で詰めて保存。
やってみよう図図4：階層クラスタリング デンドログラム + クラスター別プロファイル — クラスター別の都道府県数
📝 コード
208
209
210
211
212
213
214
215
216
# クラスター別の都道府県数
for i, cl in enumerate(range(1, 5)):
    n = (df_clean['cluster'] == cl).sum()
    ax8.text(cl, max(cl_means.loc[cl]) + 0.5, f'n={n}', ha='center', fontsize=8)

plt.tight_layout()
fig4.savefig(os.path.join(FIG_DIR, '2025_U5_2_fig4_cluster.png'), bbox_inches='tight', dpi=150)
plt.close(fig4)
print("  → 2025_U5_2_fig4_cluster.png 保存完了")
▼ 実行結果
図4: 階層クラスタリングデンドログラムを作成中...

# 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 .dropna() は欠損行を除去、.copy() は独立したコピーを作る。pandasで警告を防ぐ定石。

7. 分析結果と政策提言

主要な発見事項（論文参考）
  • 保育士平均負担人数（負の効果）：保育士1人当たりの担当児数が多い都道府県では女性就業率が低い
  • 15歳未満人口割合（正の効果）：子育て世代が多い地域は、子育て支援インフラが充実している可能性
  • 有効求人倍率（代理：第3次産業）（負の効果）：求人が多すぎると女性就業の「質」の問題が顕在化
  • 保育所落選率（負の効果）：待機児童問題が就業を妨げる明確なエビデンス

政策提言の方向性

クラスター優先すべき政策
Cluster 1（都市・高就業型） 保育所定員拡充・保育士増員・待機児童対策の加速
Cluster 2（地方・子育て充足型） 就業支援（テレワーク推進・女性管理職育成）
Cluster 3（農村・高出生率型） 幼稚園・保育所の統合型施設整備（こども園）
Cluster 4（地方・保育課題型） 保育士の処遇改善・配置基準の見直し

8. データサイエンス学習まとめ

手法目的キーワード
LASSO回帰 多変数から重要変数を選択 L1正則化・スパース・交差検証（CV）
重回帰分析 変数の効果量と有意性の推定 調整済みR²・標準化係数・t検定
主成分分析（PCA） 変数の次元削減と潜在因子の抽出 固有値・寄与率・バイプロット
バリマックス回転 因子の解釈可能性の向上 直交回転・因子負荷の二極化
階層クラスタリング 都道府県の政策類型化 Ward法・デンドログラム・距離行列
特徴量エンジニアリング 既存データから分析変数を構築 除算・比率変数・欠損値処理
分析設計の重要なポイント
  • 段階的なアプローチ：LASSO（変数選択）→ 重回帰（効果推定）→ PCA（構造把握）→ クラスタリング（類型化）という流れが「ストーリー」になっている
  • N=47の制約：都道府県数は47しかないため、変数が多すぎると過学習が起きる → LASSO で変数を絞ることが特に重要
  • クロスセクション分析の限界：1時点のデータでは因果推論が困難 → パネルデータへの発展が望ましい
教育的価値（この分析から学べること）
  • LASSO回帰：L1正則化で不要な変数の係数を0にする手法。多くの変数から重要なものだけを自動選択できる。
  • バリマックス回転：主成分分析の後、因子の解釈をしやすくする回転手法。各因子が少数の変数で説明できるようになる。
  • Ward法（階層クラスタリング）：クラスター内のばらつきを最小化する方法。都道府県の類型化に適する。

データ・コードをダウンロード

SSDSE-B-2026.csv（統計センター公式サイト）を data/raw/ に配置してから実行してください。

分析スクリプト（2025_U5_2_shorei.py）
必要ライブラリ：numpy pandas matplotlib scipy sklearn statsmodels
実行方法：python3 2025_U5_2_shorei.py（data/raw/SSDSE-B-2026.csv が必要）

⚠️ 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。
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。
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。
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
回帰モデルが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。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。
🏛️ パネルデータ固定効果モデル（FE）
何？
複数の個体（都道府県など）を複数時点で観測したパネルデータから、個体固有の見えない差を取り除いて時間変化の効果を推定する手法。
どう使う？
各個体の平均を引く「within 変換」で、観察できない固有特性（北海道は寒いなど）を自動的に統制する。
何がわかる？
「東京だから人口が多い」ではなく「この政策が人口を増やした」という効果を分離して推定できる。
結果の読み方
係数の解釈は通常の回帰と同じ。Hausman 検定で固定効果モデルの妥当性を確認する。
⚠️ 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。
🔭 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。
🌿 Ward法クラスタリング
何？
データをグループ（クラスター）に自動分類する手法。グループ内のばらつきが最小になるよう統合していく。
どう使う？
統合後の「ばらつき増加」が最小になるペアを繰り返し合体させ、デンドログラム（樹形図）で可視化する。
何がわかる？
都道府県を「都市型」「農村型」などのグループに自動分類し、グループ間の特徴比較ができる。
結果の読み方
デンドログラムの切り位置でクラスター数を決める。各クラスターの変数平均を見てグループを命名・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。
✂️ LASSO回帰（L1正則化）
何？
多数の候補変数の中から「重要な変数だけを自動選択」しながら係数を推定する。不要変数の係数を正確にゼロにする。
どう使う？
通常の回帰に「係数の絶対値合計へのペナルティ」を加え、λ（ラムダ）で絞り込みの強さを調整する。λは交差検証で最適化。
何がわかる？
変数が50個あっても「実質的に効く5〜10変数」を自動選択できる。過学習も防げる。
結果の読み方
ゼロでない係数を持つ変数が「選ばれた変数」。符号と大きさで影響の方向・強さを読む。
⚠️ 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。
🛡️ 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。
📊 ジニ係数・ローレンツ曲線
何？
所得や医療資源などの「不平等度（格差）」を0〜1の数値で表す指標。0が完全平等、1が完全不平等。
どう使う？
データを昇順に並べ、累積シェアの曲線（ローレンツ曲線）と完全平等線との面積から計算する。
何がわかる？
「都道府県間の医師数の格差は大きいか」「格差は拡大・縮小しているか」を客観的に測れる。
結果の読み方
ジニ係数 0.3 以上は格差が大きい水準。時系列変化で格差のトレンドを読む。
⚠️ 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
CO₂排出特性による市区町村の類型化と地域特性の関係
次の論文 →
デジタル教科書は学力にプラスかマイナスか？機械学習×SHAP解析