📖 包括的解説 — この概念を完全マスター

📍 学習の3ステップ

1. 定義を理解する：この概念は何か？ 数式や条件を確認
2. 具体例を見る：実データ（SSDSE 等）で計算してみる
3. 応用する：自分のデータに適用、 結果を解釈

🔧 Python実装パターン

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16

# 基本パターン
import pandas as pd
import numpy as np
from scipy import stats
import matplotlib.pyplot as plt
import seaborn as sns

# データ読み込み
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932')

# 基本統計量
df.describe()

# 可視化
sns.pairplot(df[['食料費', '教育費', '住居費']])
plt.show()

📚 統計概念マップでの位置

このページの上にある3つの概念マップ（関係マップ、 包含マップ、 ツリーマップ）でこの概念の位置づけが視覚的に分かります。 関連手法を辿って学習を進めましょう。

🎯 SSDSE-B-2026 で挑戦

統計データ活用コンペティションのSSDSE-B-2026データは、 47都道府県の社会経済データ。 この概念を使って以下のような分析ができます：

• 地域別の特徴抽出
• 家計支出パターンの解析
• 人口動態と社会経済指標の関連
• 気候要因の影響評価

💡 よく使うコマンド集

🚧 一般的な落とし穴と対策

• 外れ値の影響：散布図・ 箱ひげ図で確認、 ロバスト手法も検討
• サンプルサイズ不足：power analysis で事前に確認
• 仮定の違反：正規性、 独立性、 等分散性をチェック
• 多重比較問題：補正（Bonferroni、 FDR）を適用
• p-hacking：事前登録（pre-registration）で防ぐ
• 因果と相関の混同：観察データから因果結論を出さない

📊 結果報告の標準フォーマット

• 点推定：得られた値
• 不確実性：信頼区間または標準誤差
• サンプルサイズ：n を明記
• 効果量：実質的な意義
• p値：統計的有意性
• 仮定の確認：診断プロット

🌐 関連分野での応用

• マーケティング：A/Bテスト、 顧客分析
• 医療：臨床試験、 疫学研究
• 金融：リスク管理、 ポートフォリオ
• 製造：品質管理、 工程最適化
• 公共政策：効果評価、 計画立案
• 研究：仮説検証、 探索的解析

🎓 さらに学ぶための文献

• Wasserman "All of Statistics"
• Hastie, Tibshirani & Friedman "The Elements of Statistical Learning"
• Gelman & Hill "Data Analysis Using Regression"
• VanderPlas "Python Data Science Handbook"

🔗 統計用語ネットワーク

この概念は、 他の多くの統計概念と密接に関連しています。 ジャストインタイム型学習では、 必要に応じて関連用語へジャンプしながら全体像を構築します。

主要な関連概念のグループ

学習順序の推奨

1. 記述統計（平均、 分散、 標準偏差）
2. 可視化（ヒストグラム、 散布図）
3. 確率分布（正規分布）
4. 推測統計（標準誤差、 信頼区間、 p値）
5. 仮説検定（t検定、 χ²検定）
6. 相関と回帰（単回帰、 重回帰）
7. 多変量解析（PCA、 クラスタリング）
8. 機械学習（決定木、 RF、 NN）
9. 時系列・因果推論（応用）

📝 実践練習 — SSDSE-B-2026 で挑戦

初級課題

1. 東北6県の家計食料費の基本統計量を計算
2. 食料費のヒストグラムを描く
3. 食料費と教育費の散布図を描く
4. 都道府県を「東日本/西日本」に分け、 平均を比較

中級課題

1. 家計支出 5項目で相関行列を作成、 ヒートマップ可視化
2. 食料費 → 教育費の単回帰を実行、 残差分析
3. 家計5項目で PCA を実施、 バイプロット表示
4. k-means (k=3) で都道府県をクラスタリング、 解釈

上級課題

1. 地域別の家計パターンに有意差があるか ANOVA で検定
2. 重回帰で教育費を予測、 多重共線性を VIF で確認
3. Ridge/LASSO で正則化、 CV で α を最適化
4. 階層クラスタリングと Ward 法で都道府県を分類、 デンドログラム作成

📚 統計学習の総合ガイド

🎯 学習目標

このページの概念をマスターすることで、 以下のスキルが身につきます：

• 定義と公式を正確に理解
• 適切な使用場面を判断
• Python で実装し、 結果を可視化
• 仮定の確認と診断
• 結果の解釈と報告
• 限界と注意点の理解
• 関連手法との使い分け

📊 SSDSE-B-2026 データの構造

このコンペの主要データセット（SSDSE-B-2026）の構造：

• 47都道府県 × 過去複数年（パネル形式）
• 112列の社会経済指標
• 人口、 出生、 死亡、 婚姻、 経済、 教育、 環境、 家計など多次元
• 政府統計を統合した信頼性の高いデータ

🔍 主要な変数群

💡 ジャストインタイム型学習

このガイドは「必要なときに必要な知識」を提供する設計：

• 論文中の用語をクリック → 該当の用語解説へジャンプ（ポップアップ）
• 概念マップで関連用語を辿る
• 包含マップで体系を把握
• ツリーマップで全体を俯瞰
• Python コードをコピーして実行
• SSDSE データで実際に試す

🛠️ Python データサイエンス環境

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

# 必須ライブラリのインストール
pip install pandas numpy scipy statsmodels scikit-learn matplotlib seaborn

# 標準的なインポート
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from scipy import stats
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split
from sklearn.metrics import r2_score, mean_squared_error

# 日本語表示の設定（matplotlib）
plt.rcParams['font.family'] = 'Hiragino Sans'
plt.rcParams['axes.unicode_minus'] = False

# データ読み込み（SSDSE は cp932 エンコーディング）
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932')
print(df.shape)
print(df.head())
print(df.describe())

🌟 効果的なEDAテンプレート

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24

def quick_eda(df, target=None):
    """探索的データ分析の基本テンプレート"""
    print(f"Shape: {df.shape}")
    print(f"\nColumn types:\n{df.dtypes}")
    print(f"\nMissing values:\n{df.isnull().sum()}")
    print(f"\nBasic stats:\n{df.describe()}")

    # 数値列の可視化
    numeric_cols = df.select_dtypes(include=[np.number]).columns
    df[numeric_cols].hist(bins=20, figsize=(15, 10))
    plt.tight_layout()
    plt.show()

    # 相関ヒートマップ
    if len(numeric_cols) > 1:
        plt.figure(figsize=(12, 10))
        sns.heatmap(df[numeric_cols].corr(), annot=True, fmt='.2f',
                    cmap='RdBu_r', center=0)
        plt.show()

    # ターゲットがあれば散布図行列
    if target and target in df.columns:
        sns.pairplot(df[numeric_cols[:5]], hue=target if df[target].dtype == 'O' else None)
        plt.show()

📈 報告書テンプレート

分析結果を報告する際の標準的な構成：

1. 背景・目的：なぜこの分析が必要か
2. データ：出所、 サンプルサイズ、 期間
3. 方法：使用した統計手法、 仮定
4. 結果：図表、 統計量、 検定結果
5. 解釈：結果が何を意味するか
6. 限界：分析の制約
7. 結論：要点まとめ、 今後の課題

🗺️ 統計手法選択フローチャート

Q1: 何を知りたい？

• 記述したい → 平均、 分散、 ヒストグラム
• 比較したい → t検定、 ANOVA、 χ²検定
• 関係を見たい → 相関、 回帰
• 予測したい → 回帰、 機械学習
• 分類したい → ロジスティック回帰、 SVM、 RF
• グループ分けしたい → クラスタリング
• 次元を減らしたい → PCA、 因子分析
• 因果関係を知りたい → RCT、 IV、 DiD、 PSM

Q2: データの種類は？

• 連続値 → t検定、 ANOVA、 線形回帰
• カテゴリ → χ²検定、 ロジスティック回帰
• 順序 → ノンパラ検定、 順位回帰
• カウント → ポアソン回帰、 負の二項回帰
• 時系列 → ARIMA、 VAR、 状態空間
• パネル → 固定効果、 ランダム効果

Q3: サンプルサイズは？

• n < 30：ノンパラ、 ベイズ、 ブートストラップ
• 30 ≤ n < 200：古典的検定、 単純な回帰
• n ≥ 200：複雑なモデル、 機械学習
• n ≥ 10000：深層学習も可能

Q4: 仮定は？

• 正規性：満たす → パラメトリック / 満たさない → ノンパラ
• 独立性：必須 / 違反 → クラスター調整、 時系列モデル
• 等分散性：満たす → OLS / 違反 → WLS、 ロバスト

📏 効果量の参照表

p値だけでなく効果量も併記するのが現代統計の標準。 主要な指標と Cohen の解釈基準：

🚀 実務応用の深掘り

典型的なプロジェクトの流れ

1. 問題理解：ステークホルダーとの対話、 KGI/KPI 設定
2. データ収集：内部DB、 公的データ（SSDSE等）、 API
3. EDA：データの全体像把握、 異常検出
4. 仮説立案：ドメイン知識からの仮説
5. モデリング：シンプルから複雑へ段階的に
6. 検証：CV、 ホールドアウト、 A/Bテスト
7. 解釈：可視化、 SHAP、 部分依存プロット
8. 展開：本番デプロイ、 監視

ベストプラクティス

• シンプルなモデルから始める（線形回帰、 単純ルール）
• 必ずベースラインと比較
• 過学習を防ぐ（CV、 正則化、 早期停止）
• 解釈可能性を重視
• 再現可能なコード・ノートブック
• バージョン管理（Git）と環境管理（venv, conda）
• ドキュメント化を怠らない

論文・コンペでよく使う言い回し

統計データ活用コンペでのコツ

• SSDSE データの構造を理解し、 適切なテーブルを選ぶ
• 地域別・年度別の比較で時空間的視点を入れる
• 1つの分析で多角的に切り口を変える
• 仮説と発見の両方を持つ
• ストーリーラインを明確に
• 図表を1枚1枚作り込む
• 政策提言や実務的意義に繋げる

🗺️ 概念マップ — 3つの視点で体系を理解する

Granger因果検定 がデータサイエンスの体系の中でどこに位置するかを、 3つの異なる視点で可視化します。 同じ情報でも見方を変えると気付きが変わります。

📍 体系階層のパス

🌐 体系階層に未登録

① 🔗 関係マップ — 「他の手法とどう繋がっているか」

中心の概念から放射状に、 前提・兄弟・発展形・応用先などの関係性を矢印で結びます。 横の繋がりを見るのに最適。 ノードをドラッグ、 ホイールでズーム、 クリックで遷移。

② ⭕ 包含マップ — 「どのカテゴリに含まれているか」

大きな円が小さな円を包含する Circle Packing 図。 「Granger因果検定」は緑色でハイライト。

• カテゴリ円をクリック：その内部にズームイン
• 白背景クリック：1階層戻る
• 用語円をクリック：詳細ページへ遷移
• マウスホバー：階層パス表示

③ 🌳 ツリーマップ — 「面積で見るボリューム比較」

長方形を入れ子に分割した Treemap 図。 各分野の規模感を面積で比較。 「Granger因果検定」は緑色でハイライト。

• カテゴリ矩形をクリック：その内部にドリルダウン
• パンくず（上のリンク）クリック：その階層に戻る
• 用語矩形をクリック：詳細ページへ遷移
• マウスホバー：階層パスと値を表示

🎯 3つのマップの使い分け

💡 ジャストインタイム学習のヒント：3つの視点を行き来することで、 概念を多角的に理解できます。 包含マップやツリーマップはズーム/ドリルダウンで大分類から細部まで探索できます。

🔖 キーワード索引（補強）

Granger 因果性に関連する時系列概念のチップ集。

🧮 SSDSE-B-2026 で実値計算 — Granger 因果性

SSDSE-B-2026 を年度パネルとして並べ替えれば、 都道府県の時系列を作ることができます。 ここでは年次データを擬似時系列として Granger 因果性を計算します。

例：2変量で Granger 因果性検定

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

import pandas as pd
from statsmodels.tsa.stattools import grangercausalitytests

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', header=1)
# 東京都の時系列を抽出（年度列が存在する想定）
tokyo = df[df['都道府県'] == '東京都'].sort_values(df.columns[0])
num_cols = tokyo.select_dtypes('number').columns
ts = tokyo[num_cols[:2]].dropna()

# Granger 因果性：列1 が 列2 を予測できるか（最大 3 ラグ）
res = grangercausalitytests(ts, maxlag=3, verbose=False)
for lag, r in res.items():
    print(f'lag={lag}: F={r[0]["ssr_ftest"][0]:.3f}, p={r[0]["ssr_ftest"][1]:.4f}')

例：VAR モデルでの因果性

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

import pandas as pd
from statsmodels.tsa.api import VAR

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', header=1)
tokyo = df[df['都道府県'] == '東京都'].sort_values(df.columns[0])
num_cols = tokyo.select_dtypes('number').columns
ts = tokyo[num_cols[:3]].dropna().diff().dropna()  # 1階差で定常化

model = VAR(ts)
selection = model.select_order(maxlags=3)
print('推奨ラグ (AIC/BIC):', selection.aic, selection.bic)
fit = model.fit(maxlags=2)
print(fit.test_causality(num_cols[0], [num_cols[1]], kind='f'))

⚠️ Granger 因果性の落とし穴（補強・各 100 文字以上）

🐍 Python 実装バリエーション（statsmodels / scipy / arch / pmdarima）

1. statsmodels.tsa — Granger / VAR 標準実装

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15

import pandas as pd
from statsmodels.tsa.stattools import grangercausalitytests, adfuller
from statsmodels.tsa.api import VAR

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', header=1)
tokyo = df[df['都道府県'] == '東京都'].sort_values(df.columns[0])
ts = tokyo.select_dtypes('number').iloc[:, :2].dropna()

# まず定常性チェック
for c in ts.columns:
    stat, p = adfuller(ts[c])[:2]
    print(f'{c}: ADF stat={stat:.3f}, p={p:.4f}')

# Granger
res = grangercausalitytests(ts.diff().dropna(), maxlag=3, verbose=False)

2. scipy.stats — F検定で簡易 Granger

 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
from scipy import stats
import statsmodels.api as sm

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', header=1)
tokyo = df[df['都道府県'] == '東京都'].sort_values(df.columns[0])
ts = tokyo.select_dtypes('number').iloc[:, :2].dropna().values

# 制約モデルと非制約モデルの SSR を比較
def granger_f(y, x, lag=2):
    Y = y[lag:]
    X_rest = np.column_stack([y[lag-i-1:-i-1] for i in range(lag)])
    X_full = np.column_stack([Y]*0 + [y[lag-i-1:-i-1] for i in range(lag)] +
                             [x[lag-i-1:-i-1] for i in range(lag)])
    X_rest = sm.add_constant(X_rest); X_full = sm.add_constant(X_full)
    ssr_r = sm.OLS(Y, X_rest).fit().ssr
    ssr_f = sm.OLS(Y, X_full).fit().ssr
    n, k = len(Y), lag
    F = ((ssr_r - ssr_f) / k) / (ssr_f / (n - 2*k - 1))
    p = 1 - stats.f.cdf(F, k, n-2*k-1)
    return F, p

print(granger_f(ts[:, 0], ts[:, 1], lag=2))

3. arch — ブートストラップ Granger

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15

from arch.bootstrap import StationaryBootstrap
import numpy as np
import pandas as pd

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', header=1)
tokyo = df[df['都道府県'] == '東京都'].sort_values(df.columns[0])
ts = tokyo.select_dtypes('number').iloc[:, :2].dropna().values

def stat_func(data):
    # 簡易: 共分散を統計量に
    return np.cov(data[:, 0], data[:, 1])[0, 1]

bs = StationaryBootstrap(3, ts)
results = bs.apply(stat_func, 200)
print('ブートストラップ平均:', np.mean(results), '95%CI:', np.percentile(results, [2.5, 97.5]))

4. pmdarima — 自動 ARIMA で予測誤差比較

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

import pmdarima as pm
import pandas as pd

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', header=1)
tokyo = df[df['都道府県'] == '東京都'].sort_values(df.columns[0])
ts = tokyo.select_dtypes('number').iloc[:, :2].dropna()
y, x = ts.iloc[:, 0], ts.iloc[:, 1]

# 単独 ARIMA vs 外生変数つき ARIMA
mod1 = pm.auto_arima(y, seasonal=False)
mod2 = pm.auto_arima(y, exogenous=x.values.reshape(-1,1), seasonal=False)
print(f'BIC 単独: {mod1.bic():.2f}, 外生あり: {mod2.bic():.2f}')
print('外生変数で予測改善 →', mod2.bic() < mod1.bic())

5. 多変量 VAR と インパルス応答

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

import pandas as pd
from statsmodels.tsa.api import VAR
import matplotlib.pyplot as plt

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', header=1)
tokyo = df[df['都道府県'] == '東京都'].sort_values(df.columns[0])
ts = tokyo.select_dtypes('number').iloc[:, :3].dropna().diff().dropna()

model = VAR(ts).fit(maxlags=2)
irf = model.irf(10)
irf.plot()
plt.savefig('var_irf.png', dpi=120, bbox_inches='tight')

🔗 関連用語ネットワーク（前提・並列・発展）

📚 前提となる用語

• 時系列の基礎
• 定常性 — Granger の前提
• 自己相関
• OLS — VAR の根幹
• F検定 — Granger の核

🔀 並列の概念

• クロス相関
• 共和分
• VECM（誤差修正モデル）
• インパルス応答
• 分散分解

🚀 発展的トピック

• ベイズ VAR
• DCC-GARCH — 時変共分散
• 転送エントロピー — 非線形 Granger
• 因果推論 — 真の因果へ
• 状態空間モデル

🔗 直近の隣人

• ARIMA
• VAR
• 単位根検定
• パネル因果推論