F01
最低賃金の引き上げは、雇用を減らしたのか？
47都道府県・18年のデータで、引き上げ幅の違いを使って比べました。引き上げのあとに雇用が減った形跡は見えませんでした。
公的データを使った分析の代表作15本。どの記事も、データ・コード・頑健性チェックを GitHub で公開しています。
松浦 孝征｜数学修士・統計検定2級・基本情報技術者
損害保険会社の保険数理グループで統計解析を担当したあと、業務システムの開発（C#・SQL Server・Azure）に従事。現在はデータ分析の仕事に向けて、公的データの分析を継続的に公開しています。
得意なこと：因果推論（差の差・合成コントロール・DML）、時系列予測、ベイズモデル、人口・死亡率のモデル、SQL での集計と検算、レポートの設計。
47都道府県・18年のデータで、引き上げ幅の違いを使って比べました。引き上げのあとに雇用が減った形跡は見えませんでした。
合成コントロールとその発展形で推定すると、日本人の宿泊は約12%増えました。富山はほぼ0で、効果は地域によって違いました。
80の条件を機械学習で取り除いて比べると、効果はプラスですが小さく、子ども1人あたり約0.06人でした。
東京エリアの6年半分を予測すると、LightGBM の誤差は2.2%で、「1週間前の同じ時刻」の4分の1でした。外れやすいのは猛暑よりお盆でした。
全国2.6万地点を機械学習で読むと、効いていたのは駅までの距離より、周りの駅をどれだけの人が使っているかでした。場所で分けて検証すると、精度の見え方も変わります。
過去の予測を、モデルが見ていないその後の実績で答え合わせしました。電力需要の外れは1.53%で過去の同じ月と同じ範囲、平均寿命の予測は男女とも予測区間に入りました。
階層ベイズモデルで分けると、差の6割は県の違いでした。入院は県、外来は市町村で差がつきます。
検診受診率の1位は4年とも、対象者500人未満の別の町でした。ファンネルプロットと経験ベイズで、小さい分母の「たまたま」を見分けました。
「保育所と出生率」を5つの手法で推定しました。答えを分けたのは手法ではなく、「何と何を比べたか」でした。
コーホート要因法で公的な推計をつくり直し、2025年国勢調査で答え合わせしました。5年先の外れは、市区町村の平均で1.8%でした。
Lee–Carter モデルで予測すると、2070年は男88年・女95年でした。ただ、同じ方法で過去に予測していたら、10年先で約1年長めに外れていました。
152.9万法人の閉鎖日をわざと粗くすると、「見つけた日＝閉鎖日」では曲線が大きくねじれました。区間のまま扱うと、曲線もハザード比もほぼ元に戻りました。
公表値で待ち行列モデルを組むと、人口10万人・4隊では通報の1.4%が全隊出払いに当たり、5隊では0.27%でした。公表されていない時間の仮定で、答えが約4倍動くことも示しました。
家計調査の126品目から8つの式で指数を作ると、ウエイトのある式どうしの差は19年で3ポイントでしたが、ウエイトのない式は最大12ポイント高く出ました。
産業連関表で計算すると2.1兆円でした。ただ、前提の置き方しだいで1.7〜2.8兆円まで変わりました。
ほかの記事は GitHub のリポジトリの README に一覧があります。どの記事も、データの取得から図の作成までを、同じ手順で再現できる形で置いています。