📌 補足セクション — 多重共線性を SSDSE-B-2026 で確かめる

本セクションは「多重共線性」を 47都道府県データ（SSDSE-B-2026）で具体的に確認するための追加教材です。 例として総人口と就業者数を同時に説明変数に入れる場合を扱います。

🎨 直感で掴む — 多重共線性

📐 数式または定義

🧮 実値で計算してみる — 多重共線性

# 最小コード（直書き）
df = pd.read_csv('data/raw/SSDSE-B-2026.csv')

import pandas as pd
import numpy as np

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', header=[0,1,2])
# 列名を 3 段ヘッダの最下段だけ採用（コード列： A1101, D3201 等）
df.columns = [c[-1] for c in df.columns]

# 2022 年の 47都道府県スナップショット
sub = df[df['年度コード'] == 2022].copy()
x = sub['A1101'].astype(float)   # 総人口
y = sub['D3201'].astype(float)   # 課税対象所得

# 多重共線性の基礎統計
x_mean, y_mean = x.mean(), y.mean()
beta1 = ((x - x_mean) * (y - y_mean)).sum() / ((x - x_mean) ** 2).sum()
beta0 = y_mean - beta1 * x_mean

print(f'n = {len(x)}')             # 47
print(f'beta1 = {beta1:,.4f}')     # 傾き
print(f'beta0 = {beta0:,.4f}')     # 切片
print(f'相関係数 = {x.corr(y):.4f}')  # 0.95+ になる

# 残差・決定係数も計算
y_hat = beta0 + beta1 * x
resid = y - y_hat
ss_res = (resid ** 2).sum()
ss_tot = ((y - y_mean) ** 2).sum()
r2 = 1 - ss_res / ss_tot
print(f'R^2 = {r2:.4f}')

⚠️ 補足の落とし穴

• 都道府県データはサンプルサイズ 47 が固定：標本数を増やせないため、 統計的検定の検出力は中程度に留まります。 解釈時にこの限界を意識してください。
• スケールの違い：総人口（百万単位）と課税対象所得（百億単位）など、 桁が大きく異なる変数は標準化して扱うのが安全です。
• 東京・大阪等の影響点：少数の大都市が回帰や相関の結果を大きく動かすことがあります。 影響統計量（てこ比、 クックの距離）の確認を推奨します。

🔗 関連用語（補足リンク）

🧮 補強：多重共線性の 4 大診断指標 — VIF 以外も使い分ける

多重共線性の診断は VIF だけではありません。 用途に応じて 4 つの指標を組み合わせると、 「どの変数群が」「どれくらい」「どんな方向で」共線になっているかが立体的に分かります。 SSDSE-B-2026 を素材に、 4 指標の使い分けを整理します。

🐍 SSDSE-B-2026 で 4 指標を同時計算

import pandas as pd, numpy as np
from statsmodels.stats.outliers_influence import variance_inflation_factor

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='utf-8', skiprows=1)
cols = ['人口（総数）', '一般世帯数', '15歳未満人口', '65歳以上人口']
X = df[cols].dropna()
Z = (X - X.mean()) / X.std()

# 1. 相関係数
print('相関行列:')
print(Z.corr().round(3))

# 2. VIF
print('\nVIF:')
for i, c in enumerate(cols):
    print(f'  {c}: {variance_inflation_factor(Z.values, i):.1f}')

# 3. 条件数
eig = np.linalg.eigvalsh(Z.T @ Z / len(Z))
print(f'\n条件数: {np.sqrt(eig.max()/eig.min()):.1f}')

# 4. 固有値（小さいもの = 共線方向）
print(f'最小固有値: {eig.min():.6f}')
# 出力例: 最小固有値 ≈ 0.0001 → 共線な部分空間が存在

📊 多重共線性への 5 つの対処戦略

💡 判断フロー：(1) まず VIF と相関行列でスクリーニング → (2) 共線性が見つかれば条件数で全体の悪さを確認 → (3) 解釈優先なら変数削減、 予測優先なら Ridge/Lasso → (4) 最終モデルで再診断、 を繰り返す。

📚 補強2：多重共線性の歴史的経緯と理論的位置づけ

多重共線性（multicollinearity）という用語は、 1934 年に経済学者 Ragnar Frisch が著書 Statistical Confluence Analysis by Means of Complete Regression Systems で初めて体系化したと言われています。 経済データは観測実験ができないため、 説明変数同士が強く絡み合い、 「真の構造方程式が一意に決まらない」問題に直面し続けてきました。 これが多重共線性研究の出発点です。

🕰 歴史的マイルストーン

🔬 「予測には響かない / 解釈は壊れる」の両面性

多重共線性は OLS の BLUE 性（最良線形不偏推定量）を損ないません。 つまり「予測の平均的精度」は損なわれない。 しかし個別係数 βⱼ の 標準誤差 は分散拡大係数 VIF 倍に膨らみ、 「どの変数がどれだけ寄与しているか」の解釈が不安定になります。 この区別を理解しているかどうかが、 多重共線性を扱う初心者と熟練者の境界です。

📐 数学的等価条件

説明変数行列 X が完全多重共線（rank(X) < p+1）の場合、 OLS の正規方程式 XᵀXβ = Xᵀy は解を一意に持たず、 (XᵀX)⁻¹ が存在しないため OLS 推定量は定義できません。 これは「設計行列が full column rank ではない」と等価で、 「ある説明変数が他の説明変数の線形結合で完全に再現できる」とも等価です。 SSDSE-B-2026 で「男性人口 + 女性人口 = 総人口」をすべて投入するような状況がこれに該当します。

🐍 Python 実装：完全共線を意図的に作って観察

import pandas as pd, numpy as np
import statsmodels.api as sm

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='utf-8', skiprows=1)
df = df.dropna(subset=['人口（総数）', '一般世帯数'])

# 完全共線な変数を作る（世帯数 × 2）
df['世帯数x2'] = df['一般世帯数'] * 2

X = sm.add_constant(df[['一般世帯数', '世帯数x2']])
try:
    model = sm.OLS(df['人口（総数）'], X).fit()
    print(model.summary())
except Exception as e:
    print('完全共線で推定不可:', e)
# statsmodels は警告を出しながら推定するが、 係数は意味を持たない

💡 実務 5 か条

1. 分析開始前に相関行列と VIF を確認する習慣をつける
2. 「予測 vs 解釈」の目的を明確にしてから対処法を選ぶ
3. 変数削減はドメイン知識ベース、 機械的でない
4. Ridge/Lasso を使うなら CV で λ を選ぶ
5. 論文や報告書では VIF も併記する（査読者が見る）

🌐 補強3：実データで多重共線性に遭遇する 6 つの典型シナリオ

多重共線性は「珍しい問題」ではなく、 実データを扱えば ほぼ必ず 出会う問題です。 SSDSE-B-2026 や類似データセットでよく遭遇する 6 つの典型シナリオを整理し、 それぞれの対処を示します。

📋 シナリオ一覧

🐍 シナリオ 3 の実演：人口と世帯数

import pandas as pd
from statsmodels.stats.outliers_influence import variance_inflation_factor

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='utf-8', skiprows=1)
df = df.dropna(subset=['人口（総数）', '一般世帯数', '住宅総数'])

# シナリオ 3：同一概念の代理変数を 3 つ同時投入
X = df[['人口（総数）', '一般世帯数', '住宅総数']]
print('相関行列:')
print(X.corr().round(4))
# 期待：すべて r > 0.98 → 共線

print('\nVIF:')
for i, c in enumerate(X.columns):
    print(f'  {c}: VIF = {variance_inflation_factor(X.values, i):.0f}')
# VIF は 50-200 のオーダーで爆発する

🐍 シナリオ 6 の実演：ダミー変数の罠

import pandas as pd
import statsmodels.api as sm
from statsmodels.stats.outliers_influence import variance_inflation_factor

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='utf-8', skiprows=1).copy()
df = df.dropna(subset=['人口（総数）'])

# 地域ダミーを 8 つ全部入れる（罠）
df['地方'] = df['都道府県'].map(lambda s: '東京' if s == '東京都' else 'その他')
dummies = pd.get_dummies(df['地方'])
# 全部投入：完全共線（dummies.sum(axis=1) == 1）
X = sm.add_constant(dummies.astype(float))
try:
    model = sm.OLS(df['人口（総数）'], X).fit()
    print(model.summary())
except Exception as e:
    print('完全共線:', e)
# 解決：drop_first=True で基準カテゴリを抜く
dummies_ok = pd.get_dummies(df['地方'], drop_first=True)
print('修正後:', dummies_ok.columns.tolist())

🧮 シナリオ 5 の実演：交互作用項を中心化

import pandas as pd
from statsmodels.stats.outliers_influence import variance_inflation_factor

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='utf-8', skiprows=1)
df = df.dropna(subset=['一般世帯数', '65歳以上人口'])

x = df['一般世帯数']
z = df['65歳以上人口']

# 中心化なし
X1 = pd.DataFrame({'x': x, 'z': z, 'xz': x * z})
print('中心化なし:')
for i, c in enumerate(X1.columns):
    print(f'  {c}: VIF = {variance_inflation_factor(X1.values, i):.1f}')

# 中心化あり
xc, zc = x - x.mean(), z - z.mean()
X2 = pd.DataFrame({'x': xc, 'z': zc, 'xz': xc * zc})
print('中心化あり:')
for i, c in enumerate(X2.columns):
    print(f'  {c}: VIF = {variance_inflation_factor(X2.values, i):.1f}')

📐 シナリオ別チェックリスト

• シナリオ 1, 2：データ定義を読み直す。 恒等式があれば必ず変数を 1 つ抜く。
• シナリオ 3：相関行列で |r| > 0.9 を可視化し、 ドメイン知識で代表変数を選ぶ。
• シナリオ 4, 5：多項式・交互作用項は必ず中心化（または標準化）してから投入。
• シナリオ 6：カテゴリ変数のダミー化は drop_first=True を忘れない。

💡 実務メモ：多重共線性は「設計の問題」であって「データの問題」ではないことが多い。 変数選択や前処理の段階で予防するのが、 後から VIF を見て泣くより早道です。

🌐 補強4：正則化による多重共線性対処 — Ridge / Lasso / Elastic Net 完全比較

多重共線性が深刻なときに、 変数削減ではなく 正則化 で対処する流派があります。 主要 3 手法を SSDSE-B-2026 で並べて、 それぞれの強み・弱みを実体験しましょう。

📐 3 手法の数式比較

🐍 SSDSE-B-2026 で 3 手法を並列比較

import pandas as pd, numpy as np
from sklearn.linear_model import LinearRegression, Ridge, Lasso, ElasticNet
from sklearn.preprocessing import StandardScaler

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='utf-8', skiprows=1)
cols = ['一般世帯数', '15歳未満人口', '65歳以上人口', '住宅総数']
df = df.dropna(subset=cols + ['人口（総数）'])

scaler = StandardScaler()
X = scaler.fit_transform(df[cols])
y = df['人口（総数）'].values

models = {
    'OLS':         LinearRegression(),
    'Ridge λ=1':   Ridge(alpha=1.0),
    'Ridge λ=10':  Ridge(alpha=10.0),
    'Lasso λ=0.5': Lasso(alpha=0.5, max_iter=20000),
    'EN α=0.5':    ElasticNet(alpha=0.5, l1_ratio=0.5, max_iter=20000),
}

print(f"{'method':<14} " + ' '.join(f'{c[:6]:>8}' for c in cols))
for name, m in models.items():
    m.fit(X, y)
    coefs = m.coef_
    print(f'{name:<14} ' + ' '.join(f'{c:>8.2f}' for c in coefs))
# Lasso では一部の係数がきれいに 0 に。 Ridge では均等縮約。

🧪 λ を変えたときの係数経路（Ridge Trace / Lasso Path）

import numpy as np
from sklearn.linear_model import Ridge

lambdas = np.logspace(-2, 4, 30)
coefs_path = []
for lam in lambdas:
    m = Ridge(alpha=lam).fit(X, y)
    coefs_path.append(m.coef_)
coefs_path = np.array(coefs_path)

# 各係数が λ 増加に対してどう変化するかを表で表示
print(f'\n{"λ":>10}  ' + ' '.join(f'{c[:6]:>8}' for c in cols))
for i, lam in enumerate(lambdas[::5]):
    cf = coefs_path[i*5]
    print(f'{lam:>10.3f}  ' + ' '.join(f'{c:>8.2f}' for c in cf))
# λ → 0 で OLS、 λ → ∞ で全係数 0。 Ridge trace plot の素材。

📊 手法選択ガイドライン

💡 実務メモ：λ は CV で選ぶ（RidgeCV, LassoCV）。 「縮約された係数の解釈」と「OLS の係数解釈」は別物 — 縮約モデルでは「効果の方向」程度しか言えないことを忘れずに。

📚 補強5：多重共線性 FAQ — よくある 10 の疑問

多重共線性について実務でよく聞かれる 10 の質問と回答をまとめます。

Q1. VIF が 10 を少し超えただけです。 大丈夫？

絶対基準ではありません。 「予測」目的なら問題なし、 「個別係数の解釈」が目的なら標準誤差の膨らみを確認しましょう。 サンプルサイズも考慮。

Q2. 多重共線性が予測精度に影響しないと聞きました。 本当？

OLS の予測 MSE は VIF に影響されません。 ただし「外挿」では危険。 訓練データの範囲を出ると共線性のせいで予測が大きく外れます。

Q3. PCA で前処理すれば解決？

はい、 共線性は消えます。 ただし「主成分の解釈」が困難になります。 解釈優先か予測優先かで選択。

Q4. Ridge 回帰なら多重共線性を完全に無視できる？

予測目的では OK。 ただし係数の解釈は OLS と異なり、 「縮約された値」なので「効果の方向と相対的大きさ」程度しか言えません。

Q5. 中心化はいつ必要？

多項式項（x, x²）、 交互作用項（x×z）を作るときは必ず。 中心化なしでは VIF が 100 を超えることも。

Q6. カテゴリ変数のダミー化で完全共線になる？

k 個のカテゴリすべてをダミーにすると完全共線（合計 = 1）。 必ず drop_first=True で k-1 個にします。

Q7. 多重共線性が深刻でも、 全変数を残したいときは？

Ridge か Elastic Net。 OLS では係数推定が崩壊しますが、 正則化なら全変数を残しつつ安定推定できます。

Q8. サンプルサイズを 2 倍にすれば解決？

標本に起因する共線（標本相関）なら解決します。 ただし構造的な共線（恒等式・概念的重複）は標本数で解消できません。

Q9. 多重共線性は仮説検定に影響する？

はい。 標準誤差が VIF 倍に膨らみ、 t 値が小さくなって「有意でない」結論になりやすい（第二種の過誤）。

Q10. 全変数の VIF が 1 に近い。 完璧？

共線性は皆無ですが、 「変数選択が独立すぎる」場合、 各変数が説明する情報が分離しすぎている可能性も。 ドメイン知識で確認を。

💡 FAQ の心得：「多重共線性は悪」と短絡しないこと。 目的（予測 vs 推論）とデータ規模を踏まえて判断するのが、 実務家の腕の見せどころです。

📋 補強6：多重共線性 実務チェックリスト

分析を始める前・回帰モデルを構築する際・結果を報告する際の 3 段階で押さえるべき項目を整理します。

🟦 分析開始前

• 変数定義書を読み、 恒等式や明らかな代理変数の重複がないか確認
• 相関行列をヒートマップで可視化（|r| > 0.7 の組を要注意）
• 変数のスケールが揃っているか確認、 必要なら標準化
• カテゴリ変数のダミー化で drop_first=True を使う

🟦 モデル構築中

• VIF を全変数について計算（VIF > 10 で警戒）
• 条件数（√λmax/λmin）も併せて確認（> 30 で警戒）
• 多項式項・交互作用項を作るときは必ず中心化
• 共線性が深刻なら Ridge / Lasso / PCA / 変数削減を検討

🟦 結果報告時

• VIF を表形式で示す（査読者が見る）
• 「予測 vs 解釈」の目的を明示し、 それに応じた対処法を述べる
• 係数の標準誤差・信頼区間を必ず併記
• 正則化を使った場合は λ の選び方（CV）を明記

💡 まとめ：多重共線性は「気づかなければスルー、 気づけば対処可能」な問題。 チェックリストを習慣化すれば、 査読でも実務でも怖くなくなります。