都市計画のデータ分析｜第10回多変量③：要因分析

都市計画のデータ分析（全20回）

多変量③：要因分析

−回帰分析で「効いている要因」を測る−

第 10 回　第Ⅱ部｜統計分析

1

今日のゴール

複数の要因のうち、何がどれくらい効いているかを、
回帰分析で読み解けるようになる

今日の主役

回帰分析。連続量には重回帰、質的アウトカムにはロジスティック回帰。

前提知識

第6回（クロス集計）・第7回（相関と回帰の考え方）

※質的アウトカムの回帰は二択（二項ロジット）を中心に扱う。3択以上の多項ロジット、ランダム効用理論、IIA仮定、最尤推定の詳細は発展として末尾で触れる。

2

手法｜重回帰 —— 複数の要因で連続量を説明する

重回帰　連続量（例：徒歩分担率、所要時間）を、複数の説明変数で線形に説明する。各変数の偏回帰係数は「他を一定にしたときの効き」を表す。

標準化係数で「効きの大きさ」を変数間で比べ、決定係数 R² で「説明できた割合」を見る。
ただしアウトカムが質的（選ぶ／選ばないの0/1やカテゴリ）なら、そのまま直線を当てるのは不自然 → 次からのロジスティック回帰へ。

3

導入｜質的アウトカムでは、なぜふつうの回帰でだめか

重回帰は連続量向けの手法。結果が 0 か 1（自動車を使う＝1／使わない＝0）の質的アウトカムに直線をあてはめると——

問題　予測値が 0〜1 の範囲を飛び出し、「確率」として解釈できない

4

考え方｜S字カーブで「確率」をつなぐ

発想の転換　0/1 そのものではなく、「1になる確率」を説明する。確率は 0〜1 に収まるS字で表す。

このS字を与えるのは「ロジスティック関数」（ロジット変換の逆関数、逆ロジット）。ロジット変換は確率をオッズの対数に変える変換で、その逆をたどるとS字が得られる。数式は次ページ。

5

モデル｜二項ロジットの式

log ( p / (1−p) ) ＝ β₀ ＋ β₁x₁ ＋ β₂x₂ ＋ …

左辺

p は「1を選ぶ確率」。p/(1−p) はオッズ（起こりやすさの比）。その対数をとる。

右辺

ふつうの回帰と同じ形。係数 β がプラスなら選びやすく、マイナスなら選びにくくなる。

6

解釈｜オッズ比で読む

読み方のコツ

「係数が有意か（偶然でないか）」と「オッズ比がどれくらい大きいか（効果の大きさ）」は別もの。両方を合わせて読めているだろうか。

7

落とし穴｜使う前に知っておくこと

① 変数の統制　「距離だけ」で説明すると見かけの効果を拾う。関連しうる要因もモデルに含めて統制する。

② サンプルの偏り　1と0の比率が極端（例：99対1）だと推定が不安定になる。

③ 因果ではない　係数が有意でも「原因」とは限らない。解釈は先行研究と突き合わせながら慎重に。

〔発展〕3択以上なら多項ロジット（前提のランダム効用理論・IIA仮定、最尤推定は範囲外。名前だけ押さえておきたい）。

8

研究例｜15分都市の住民は、なぜその交通手段を選ぶのか

目的地の施設（スーパー・医療・金融など）ごとに、交通手段の選択を
2本のロジットモデルで分析 —— 個人属性を統制したうえで施設の効果を推定

使われている手法

二項ロジスティック回帰（今日の内容そのまま）

ポイント

「統制変数を入れることの重要性」が結果の解釈で効いてくる

Taichi Murooka, Kanta Kumeyama, Mamoru Taniguchi (2025) "Differences in choice of transportation mode by residents of 15-minute cities according to destination amenities: Break away from car dominant city" Transportation Research Part A: Policy and Practice, Vol.196, 104452, DOI: 10.1016/j.tra.2025.104452.

9

Taichi Murooka, Kanta Kumeyama, Mamoru Taniguchi (2025) "Differences in choice of transportation mode by residents of 15-minute cities according to destination amenities: Break away from car dominant city" Transportation Research Part A: Policy and Practice, Vol.196, 104452, DOI: 10.1016/j.tra.2025.104452, 図-4.

研究例｜結果を読む —— オッズ比と信頼区間

Odds Ratios with Confidence Intervals for Different Facilities

Fig. 4　Odds ratios and 95% CIs for the 3 amenities（n=975）

読み方　点がオッズ比、横棒が信頼区間。区間が1をまたぐものは有意でないと判断する。

この図から

距離が短いほど徒歩・自転車を選びやすく、個人属性を統制しても傾向が残る。

10

AIアシスタントと使うなら

プロンプト例 1

「この個票データ（CSV）で、自動車利用（0/1）を目的変数、距離・年齢・世帯構成を説明変数にした二項ロジスティック回帰をして、オッズ比の表にして」

プロンプト例 2

「この推定結果を、統計に詳しくない自治体職員に説明する文章にして。有意性と効果の大きさを区別して」

※ 出力された係数・解釈は、自分の目で検証できているだろうか（第7回の落とし穴チェックリスト参照）。

11

まとめ｜次回予告

要因分析は回帰で。連続量は重回帰、質的アウトカムはロジスティック回帰。
読み方は有意性 × 効果の大きさのセットで。

復習リンク

第9回多変量②：類型化／第8回多変量①：次元縮約

次回（第11回）

空間操作の基本と合わせ技 —— 結合・クリップ・最近傍でデータを紐付ける

12

Work｜手を動かして練習する

基本課題

好きな問いを立て、回帰（連続量なら重回帰、0/1なら二項ロジスティック回帰）を実行できるだろうか。係数（オッズ比）の意味を自分の言葉で解釈できるだろうか。個票の質的アウトカムなら構造を模したダミーデータで可。

発展課題

説明変数を1つ足す・群で分けるなどの工夫を加えると、係数や解釈はどう変わるだろうか。仕上げに、①その工夫でどんなオリジナリティが出せたか、②この結果が誰の役に立ちそうか、のどちらかを1文で述べて締めくくれるとよい。

個票が公開されない回のためダミーデータで可（他回はオープンデータに限る）。進め方（全回共通）：①問いはまず自分で考える／②AIの出力は別の方法で検算し再現性を確かめる／③Excelは数式を残す・コードは # でメモを残す／④「作る」で終わらせず問いへの答えまで自分で出す。

13