🔖 キーワード索引

このページで扱う主要キーワード（クリックで該当セクションへ）：

🎨 直感で掴む

データサイエンスの問い (Data Science Question) は、 分析プロジェクトの「最初に決めること」であり「最後まで効くもの」です。 良い問いがないままモデルを作ると、 たとえ高い精度でも「で、 何が言いたいの？」と返されます。

Leek & Peng (2015) の有名な分類に従うと、 問いは次の 6 種類に分けられます。 簡略化して 4 種類で覚えても良い：

難度は下に行くほど上がる傾向があります。 多くの初学者は「予測的」「因果的」の問いを立てたいが、 データが「記述的」までしか答えられない、 というギャップが起こりがちです。

📐 数式・定義

形式的に書けば、 1 つの問いは「対象 $P$、 指標 $X$、 制約 $C$、 期間 $T$」の組として整理できます。

たとえば 「2023 年 47 都道府県（=P）における 高齢化率（=X）と 県内総生産（=Y）の 相関（=比較 B）」 は次のように：

仮説検定の言い方をすれば、 問い → 仮説 → 統計量 → 検定 → 結論 という流れ：

🔬 数式・概念を言葉で読み解く

医学の PICO（Population, Intervention, Comparator, Outcome）はリサーチデザインに直結する型として有名で、 データサイエンスでも使えます。

🧮 実値で計算してみる（SSDSE-B-2026）

🐍 Python 実装

例 1：問いの操作化（測定可能な変数に変換）

import pandas as pd

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='shift_jis')
df.columns = df.iloc[0]
df = df.iloc[1:].reset_index(drop=True)
df = df[df['年度']=='2023'].reset_index(drop=True)
for c in ['総人口','県内総生産','65歳以上人口']:
    df[c] = df[c].astype(int)

# 問い:「地域格差はあるか？」を測定化
df['1人あたり県内総生産'] = df['県内総生産'] / df['総人口']
print('最大:', df['1人あたり県内総生産'].max())
print('最小:', df['1人あたり県内総生産'].min())
print('CV  :', df['1人あたり県内総生産'].std() / df['1人あたり県内総生産'].mean())

例 2：問い「高齢化率と 1 人当たり生産は相関？」

df['高齢化率'] = df['65歳以上人口'] / df['総人口']
r = df[['高齢化率','1人あたり県内総生産']].corr().iloc[0,1]
print('Pearson r =', round(r, 3))

例 3：問いを比較として書き直す（介入想定）

# 「高齢化率 30% 超 / 未満で 1 人当たり生産は違うか?」
high = df[df['高齢化率']>=0.30]['1人あたり県内総生産']
low  = df[df['高齢化率']< 0.30]['1人あたり県内総生産']
from scipy.stats import ttest_ind
t, p = ttest_ind(low, high, equal_var=False)
print('t=', round(t,3), ' p=', round(p,4))
print('high 平均:', round(high.mean()))
print('low  平均:', round(low.mean()))

例 4：問いを KPI 化してダッシュボード化

kpi = {
    '対象期間': '2023',
    '対象範囲': '47都道府県',
    '指標': '1人あたり県内総生産 (円/人)',
    '中央値': float(df['1人あたり県内総生産'].median()),
    '上位5県': df.nlargest(5, '1人あたり県内総生産')['都道府県'].tolist(),
    '下位5県': df.nsmallest(5, '1人あたり県内総生産')['都道府県'].tolist(),
}
print(kpi)

📂 ケーススタディ・追加実装例

ケース 1：SMART 化チェック

ケース 2：問いを 仮説 に翻訳

問い：「東京と他県では人口動態が異なるか？」

• $H_0$：東京と地方の平均年率変化率は等しい
• $H_1$：等しくない
• 検定：Welch の t 検定、 有意水準 5%
• サンプル：2010-2023、 各県の年率変化率（SSDSE-B 派生）

ケース 3：PICO テンプレで医療データの問い

• P (Population)：65 歳以上の高齢者
• I (Intervention)：定期健康診断受診
• C (Comparator)：未受診
• O (Outcome)：5 年後の生存率

ケース 4：データドリブン vs 仮説ドリブン

ケース 5：問いの「品質チェックリスト」

• □ 5W1H（誰の・何の・いつ・どこの・どう・なぜ）が明確
• □ 答えるためのデータが手元にある／取得可能
• □ 反証可能な閾値・基準を持つ
• □ 結果の使い手（意思決定者）が明確
• □ 結論の意味と限界を 1 文で書ける

ケース 6：SSDSE-B-2026 で問いの粒度を試す

import pandas as pd
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='shift_jis')
df.columns = df.iloc[0]
df = df.iloc[1:].reset_index(drop=True)

# Q1: 記述 — 2023 年の総人口分位点
df23 = df[df['年度']=='2023'].copy()
df23['総人口'] = df23['総人口'].astype(int)
print('Q1:', df23['総人口'].quantile([0.25, 0.5, 0.75]))

# Q2: 探索 — 高齢化率と県内総生産の相関
df23['65歳以上人口'] = df23['65歳以上人口'].astype(int)
df23['県内総生産'] = df23['県内総生産'].astype(int)
df23['高齢化率'] = df23['65歳以上人口'] / df23['総人口']
print('Q2 r:', df23[['高齢化率','県内総生産']].corr().iloc[0,1])

# Q3: 推測 — 高齢化率の 95% CI
import numpy as np
m = df23['高齢化率'].mean()
se = df23['高齢化率'].std(ddof=1) / np.sqrt(len(df23))
print('Q3 CI:', m - 1.96*se, m + 1.96*se)

🪜 ステップバイステップ チュートリアル

チュートリアル：SSDSE-B-2026 で問いを 5 ステップで磨く

ステップ 1：粗い問いを書く

「日本の地域格差を分析したい」 — これだけでは何もできない。

ステップ 2：5W1H で具体化

• Who：都道府県（47 個）
• What：1 人あたり県内総生産 (経済指標)
• When：2023 年
• Where：日本全体
• Why：地方創生政策の優先度づけ
• How：CV と分位範囲を測る

ステップ 3：仮説を立てる

• H1：1 人あたり県内総生産の CV は 0.3 以上で、 大きな地域格差がある
• H2：上位 5 県と下位 5 県の差は 3 倍以上ある
• H3：高齢化率と 1 人あたり生産は負の相関がある

ステップ 4：分析プラン

1. 記述統計：CV、 四分位、 上位／下位 5 県
2. 探索：Pearson 相関、 散布図
3. 推測：t 検定で上位 vs 下位の差検定
4. 結果の信頼性：ブートストラップで CI

ステップ 5：実行

import pandas as pd, numpy as np
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='shift_jis')
df.columns = df.iloc[0]
df = df.iloc[1:].reset_index(drop=True)
df = df[df['年度']=='2023'].reset_index(drop=True)
df['総人口'] = df['総人口'].astype(int)
df['県内総生産'] = df['県内総生産'].astype(int)
df['65歳以上人口'] = df['65歳以上人口'].astype(int)
df['1人当たり生産'] = df['県内総生産']/df['総人口']
df['高齢化率'] = df['65歳以上人口']/df['総人口']

# H1: CV
cv = df['1人当たり生産'].std()/df['1人当たり生産'].mean()
print('H1 CV:', round(cv,3))

# H2: 上位/下位 5 県差
top5 = df.nlargest(5, '1人当たり生産')['1人当たり生産'].mean()
bot5 = df.nsmallest(5, '1人当たり生産')['1人当たり生産'].mean()
print('H2 ratio:', round(top5/bot5,2))

# H3: 相関
r = df[['高齢化率','1人当たり生産']].corr().iloc[0,1]
print('H3 r:', round(r,3))

ステップ 6：結論と提言

「CV=0.27、 上位/下位比＝2.7 倍、 r=-0.58。 H1 はやや支持されないが、 H2・H3 は支持される。 政策提言：高齢化率の高い地方県に優先投資」 — のように、 問い → 仮説 → 検証 → 提言まで一気通貫で書く。

🚀 現場での応用シナリオ（8 例）

応用 1：自治体施策の優先順位づけ

「47 都道府県のうち、 子育て支援を強化すべき優先 5 県は？」 → SSDSE-B から「出生率低位 × 子育て支援費低位」を抽出。

応用 2：教育の課題発見

「不登校率と学校資源の関係は？」 → 文科省統計と SSDSE 教育指標を結合。

応用 3：医療資源の最適配分

「医師偏在指標と県別人口当たり医師数の関係は？」 → 公的データから KPI を導出。

応用 4：マーケティング

「新商品 X の購入意向を年代別に予測」 → ロジスティック回帰、 ROC-AUC で評価。

応用 5：人事 / People Analytics

「離職率を高めている要因は？」 → 因果推論（A/B テスト、 IV）、 共変量調整。

応用 6：研究・論文執筆

「○○と△△の関係を明らかにする」 → 仮説 → 統計検定 → CI → 結論。 PRISMA / RECORD ガイドラインに沿う。

応用 7：競争・コンペ

SIGNATE / Kaggle / 統計データ解析コンペ：「予測精度」or「説明力」 を最大化、 という問いに事前に分解。

応用 8：意思決定支援

「介入 X を行うと Y は何 % 改善するか？」 — 因果問い。 RCT、 IV、 RDD、 DID、 などの設計が必要。

🏋️ 演習問題（8 題）

1. 「学生の成績を上げるには？」 を SMART 化し、 SSDSE と組み合わせて検証可能にせよ。
2. Leek & Peng の 6 タイプそれぞれに、 SSDSE-B-2026 から問いを 1 つずつ作れ。
3. PICO 枠組みで「コロナ後遺症に対する運動療法」 の問いを設計せよ。
4. 「相関がある」 と 「因果がある」 の違いを 300 字で説明せよ。
5. HARKing を避けるために、 事前登録のテンプレートを書け（仮説・データ・分析手順）。
6. CRISP-DM の 6 段階を SSDSE 分析プロジェクトに当てはめよ。
7. KPI と OKR の違いを表で整理せよ。
8. 「予測できる」 と 「因果が分かる」 の違いを SSDSE 例で示せ。

🗺 学習ロードマップ

1. レベル 1 — 問いの 6 タイプ（記述／探索／推測／予測／因果／機構）を区別。
2. レベル 2 — SMART 化、 PICO 化のテンプレートを使った具体化。
3. レベル 3 — 問い → 仮説 → 検証 → 結論の流れを SSDSE で実行。
4. レベル 4 — HARKing、 多重比較、 事前登録、 再現可能性の作法。
5. レベル 5 — 因果推論の枠組み（RCT、 IV、 DID、 RDD、 PSM）。
6. レベル 6 — 意思決定科学、 価値関数、 効用、 ベイズ意思決定。

📊 比較表（兄弟手法・選択肢）

問いの 6 タイプ比較（Leek & Peng 2015）

📖 用語ミニ辞典

🍳 コードレシピ（コピペ用 15 連発）

「[誰の] の [何] を、 [どの期間] の [どのデータ] で、 [どの比較] で測る」

Population, Intervention, Comparator, Outcome

Feasible, Interesting, Novel, Ethical, Relevant

「2023 年 47 都道府県で X と Y の Pearson 相関は、 95% 信頼区間で 0.5 を超えるか」

H0: 母平均は等しい / H1: 等しくない

対象 / 期間 / 指標 / 目標値 / 計測方法

Objective（質的）+ Key Results 3-5 個（量的）

P=20-65 歳労働者、 I=リモートワーク、 C=出社、 O=月平均生産性

Business / Data / Prep / Model / Eval / Deploy の 6 ステップ

「データの粒度は？欠損は？分布は？外れ値は？」

「H0 が真と仮定したとき、 観察以上に極端な結果が起こる確率」

「100 回サンプリングして 95 回は真の値を含む区間」

「次の Y を当てる、 因果は問わない」

「X を操作したら Y はどう変わるか」

事前登録 / 仮説 → 分析 の順 / 探索と確認的分析を分離

⚠️ よくある落とし穴

❓ よくある質問（FAQ）

📜 歴史と背景

位置づけ：「問いを立てる」は、 統計学・データサイエンス・計量経済学・社会科学すべてに共通する 最上位 の課題です。 にもかかわらず教科書では軽く扱われがちで、 結果として「ツールは使えるが何を問うべきか分からない」学習者が多発します。

研究の歴史的整理：

• 1980 年代 — Tukey の EDA（Exploratory Data Analysis）が「データを見て問いを更新する」反復過程を強調
• 2003 — CRISP-DM（Cross-Industry Standard Process for Data Mining）が「ビジネス理解 → データ理解 → 準備 → モデリング → 評価 → 展開」のサイクルを標準化
• 2015 — Leek & Peng が Science 誌で 6 種類の問い分類を提案
• 2020 年代 — 「問いと意思決定の接続」を強調する Decision-Science 系の方法論が定着

SMART（Specific, Measurable, Achievable, Relevant, Time-bound）原則や、 医学研究の PICO 枠組み（Population, Intervention, Comparator, Outcome）は、 データサイエンスの問い設計にも直接転用できます。

🌐 関連手法・派生・対概念

🔗 関連用語（前提・並列・発展）

📘 前提となる用語

🤝 並列・関連する用語

🚀 発展・応用

📚 関連グループ教材

このページの内容を、より広い文脈で学びたいときは：

• 📚 データサイエンスの全体像 — 問いから提案までの流れ
• 📚 リサーチデザイン — 問い・仮説・実験の組み立て
• 📚 コンペ攻略：問いの立て方 — テーマから提出物への落とし込み

🗺 概念マップ

問いを軸にしたデータサイエンスの流れ：

   【ステークホルダーの関心】
              │
              ▼
       【問い】← 操作化（SMART / PICO）
              │
              ▼
      【仮説 H0 / H1】
              │
              ▼
   ┌──────────┼──────────┐
記述   関連   予測   因果
（記述統計 / 相関 / 機械学習 / 因果推論）
              │
              ▼
        【結論・KPI・提言】
              │
              ▼
        【意思決定・施策】

📚 参考文献・出典

• Leek, J. T., Peng, R. D. (2015). What is the question? Science, 347, 1314-1315.
• Wickham, H., Grolemund, G. (2017). R for Data Science. O'Reilly.
• Provost, F., Fawcett, T. (2013). Data Science for Business. O'Reilly.
• CRISP-DM 1.0 (2000). Cross-Industry Standard Process for Data Mining.