⚠ このページはAIが作成しているため、事実確認が必要です。
分析・解釈は参考情報であり、選挙予測・投票誘導を意図するものではありません。 数値の正確性についてはデータ出所(下記)および原典を参照してください。

2023年統一地方選挙 区議会議員選挙(文京・台東・千代田)
候補者属性と得票率の回帰分析

データ出所(取得: 2026-06-08・乱数/推定/補完なし・実データのみ)
候補者数有権者数出所
文京区43178,703https://go2senkyo.com/local/senkyo/21447
台東区50166,908https://go2senkyo.com/local/senkyo/21202
千代田区4152,163https://senkyo-data.net/schiyoda20230423
目的変数 vote_share = votes ÷ 有権者数 × 1000(有権者1000人あたり得票)。 3区プール N=134。age 欠損 1 件は回帰・年齢散布図から除外(回帰 N=133)。

1. OLS 多変量回帰(vote_share ~ age + female + incumbent + former + 政党ダミー + 区固定効果)

政党ダミーは自民/公明/共産/立民/維新/都民/国民の7区分(基準カテゴリ=無所属・その他)。 経歴は現職(incumbent)・元職(former)の2ダミー(基準=新人)。 区固定効果は台東区D・千代田区D(基準=文京区)。N=133、R²=0.5174、調整済みR²=0.4647。

変数係数標準誤差t値p値
切片+11.22131.9217+5.839<0.0001 ***
age-0.11970.0387-3.0970.0024 ***
female+3.05270.8568+3.5630.0005 ***
incumbent+6.01400.9453+6.362<0.0001 ***
former+7.07742.4302+2.9120.0043 ***
party_自民+2.29611.1166+2.0560.0419 **
party_公明+1.88171.5332+1.2270.2221
party_共産+1.40561.4635+0.9600.3388
party_立民+0.44811.6992+0.2640.7925
party_維新+10.82011.8773+5.764<0.0001 ***
party_都民+6.59271.8892+3.4900.0007 ***
party_国民+9.76092.5632+3.8080.0002 ***
台東区D-2.60370.9172-2.8390.0053 ***
千代田区D+0.77760.9694+0.8020.4241

*** p<0.01, ** p<0.05, * p<0.1(両側 t 検定, 自由度 119)。 維新・都民・国民は候補者数が少ないため(下記 Fig.4 の n 参照)係数の不確実性が高い。

2. 散布図(属性 × 得票率)

直線は vote_share を age のみで単回帰した近似(多変量回帰の age 係数とは別)

Fig.1 年齢 × 得票率(age 欠損 1 件除外, N=133)

現職・元職・新人ごとに単回帰直線を表示。

Fig.1d 現新別 年齢 × 得票率(現職 N=75・元職 N=4・新人 N=54。元職は N が小さいため回帰直線は参考値)

x = female(0=男性 / 1=女性)。◆=群平均。横方向のずらしは重なり回避の表示用(決定論的・乱数不使用)。

Fig.2 性別(0=男性, 1=女性)× 得票率(N=134)

x = incumbent(0=新人・元職 / 1=現職)。◆=群平均。横方向のずらしは重なり回避の表示用(決定論的・乱数不使用)。

Fig.3 現職ダミー(0=新人・元職, 1=現職)× 得票率(N=134)

3. 政党別 得票率

政党グループは回帰と同じ区分(自民/公明/共産/立民/維新/都民/国民/その他の8区分)。

Fig.4 政党別 平均 vote_share(有権者1000人あたり得票, N=134)

Fig.5 政党別 得票率(候補者1人=1点, N=134。横方向のずらしは重なり回避の表示用)

4. 区別比較(平均得票率)

Fig.6 区別 平均 vote_share(有権者1000人あたり得票)

5. 票読みシミュレータ(属性 → 予想得票率・90%予測区間)

🎯 属性を入力して予想得票率を確認(上記セクション1の回帰係数を使用)
(a) vote_share は規格化得票率(候補得票 / 有権者数 × 1000)。報道の得票率(得票/有効票数×100)とは定義が異なります。
(b) 90%予測区間は個々の候補が収まる範囲(残差のばらつきを含む。平均反応の信頼区間より広く、票読みに適切)。
(c)「政党の風を除く」をONにすると全政党ダミー=0(基準カテゴリ・無所属相当の推定)になります。
(d) N=133(age欠損1名除外)・文京/台東/千代田3区プール・2023区議選データ。文京区=基準カテゴリ。

6. 多重共線性の考察(VIF)

VIF(分散拡大係数)は各説明変数 xⱼ を他の全説明変数で回帰したときの 決定係数 R²ⱼ から VIF = 1 / (1 − R²ⱼ) で算出。 VIF が高いほど当該変数と他変数の線形依存が強く、係数の標準誤差が膨らむ。 経験則: VIF < 5 は問題なし、5〜10 は注意、10 以上は強い共線性。
変数VIFR²_j
age1.4370.3042
female1.1020.0928
incumbent1.5920.3719
former1.2480.1989
party_自民1.7830.4393
party_公明1.2920.2261
party_共産1.3690.2694
party_立民1.3200.2424
party_維新1.1000.0910
party_都民1.1140.1024
party_国民1.0500.0473
台東区D1.4180.2949
千代田区D1.4520.3114

VIF < 5: 問題なし 5 ≤ VIF < 10: 注意 VIF ≥ 10: 強い共線性

政党ダミー同士は排反(同じ候補は1政党のみ)なので VIF は基本的に低い。 incumbent と特定の政党ダミー・区固定効果が相関する場合は VIF が上昇することがある。