⚠ 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。

第51回衆議院議員総選挙（2026-02-08）
候補者属性と得票率・当落の回帰分析

データ出所
浅野正彦衆院選データセット（hr96-26.csv）
URL: https://asanoucla.github.io/hr96-26.csv
取得日: 2026-06-09　対象: 第51回衆議院議員総選挙（2026-02-08投開票）小選挙区　N = 1119

1. 背景と問い（Introduction）

2026年2月8日投開票の第51回衆議院議員総選挙（小選挙区）には 1119名が立候補した。有権者の一票の行方を左右するのは政策論争だけではなく、候補者の年齢・経歴・所属政党といった属性が得票率や当落確率に系統的な影響を与えているかもしれない。

本稿では浅野正彦氏が公開する hr96-26.csv（https://asanoucla.github.io/hr96-26.csv）から 2026年小選挙区候補者1119名分のデータを用い、 OLS回帰（線形確率モデル・得票率モデル）によって各属性の係数・標準誤差・有意性を定量化する。

2. 目的と仮説（Objective）

目的変数: (A) 当落ダミー win（1=当選・比例含む）、(B) 規格化得票率 voteshare（%）

主な素朴仮説:

現職は知名度・組織力から得票率・当選確率が高い（現職ダミー β > 0）
主要政党の公認候補は無所属より票を集めやすい
年齢との関係は単調ではないが、線形項として入れて確認する
女性候補の得票率は男性と差がない（もしくは統計的に有意でない）

3. データと方法（Methods）

3-1. データ概要

項目	値
選挙	第51回衆議院議員総選挙（2026-02-08投開票）小選挙区
出所	浅野正彦 hr96-26.csv
取得日	2026-06-09
全候補数	1119
分析使用数	1119（age欠損 0 件除外）

3-2. 変数定義

変数名	型	説明
win	0/1	当選ダミー（小選挙区当選または比例復活 → 1）
voteshare	連続(%)	規格化得票率（候補得票 / 有権者数 × 100）
age	連続(歳)	候補者年齢
female	0/1	女性ダミー（gender=="female" → 1）
incumbent	0/1	現職ダミー（status_code==1 → 1）
former	0/1	元職ダミー（status_code==2 → 1）
自民 / 中道 / 参政 / 共産 / 国民 / 維新 / れいわ	0/1	政党ダミー（基準カテゴリ: 無所属・その他）

全変数の出典: 浅野正彦 hr96-26.csv（第51回衆議院議員総選挙（2026-02-08投開票）小選挙区）。 voteshare（規格化得票率）= 候補得票 / 有権者数 × 100。 win = 小選挙区当選（wl==1）または比例復活（wl==2）を 1 とするダミー。

3-3. 分析手法

OLS（最小二乗法、numpy.linalg.pinv による実計算）。切片あり。モデルA（当落 LPM）はy=0/1の線形確率モデルで、係数は当落確率変化の近似値。モデルB（得票率 OLS）は連続アウトカムへの OLS。標準誤差 SE = sqrt(σ² · diag((XᵀX)⁻¹))。 t値 = β/SE。有意水準: * p<.05 / ** p<.01 / *** p<.001（両側）。

4. 結果（Results）

4-1. 単変量の傾向（散布図・群別バーグラフ）

Fig.1 年齢 vs 得票率（散布図）— 青=当選 / 赤=落選

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

ソース: 浅野正彦 hr96-26.csv（第51回衆院選小選挙区、N=1119）

Fig.1d 新現元別年齢 vs 得票率（散布図）

現職・元職・新人ごとに単回帰直線を表示。

ソース: 浅野正彦 hr96-26.csv（第51回衆院選小選挙区、N=1119）

Fig.2 経歴別当選率（%）

Fig.4 政党別当選率（%）

Fig.6 性別当選率（%）

Fig.2/4/6 ソース: 浅野正彦 hr96-26.csv（第51回衆院選小選挙区、N=1119）

4-2. 属性別単回帰（属性値 vs 得票率）

各属性を x 軸、規格化得票率を y 軸として単変量OLS回帰した結果。多変量回帰の係数（他変数コントロール後）とは異なる素の相関を示す。

Fig.A 性別 vs 得票率（単回帰）

x = female（0=男性 / 1=女性）。jitter でズラして点の重なりを軽減。

ソース: 浅野正彦 hr96-26.csv（第51回衆院選小選挙区、N=1119）

Fig.B 新現元別 vs 得票率（候補者プロット）

x = status_code（0=新人 / 1=現職 / 2=元職）。jitter でズラして点の重なりを軽減。

ソース: 浅野正彦 hr96-26.csv（第51回衆院選小選挙区、N=1119）

Fig.C 政党別 vs 得票率（各政党ダミー単回帰一覧）

各政党ダミー（0=非所属 / 1=所属）を x に voteshare を y として単回帰した係数一覧。 slope は「当該政党所属候補の平均得票率 − 非所属候補の平均得票率」の近似値。

ソース: 浅野正彦 hr96-26.csv（第51回衆院選小選挙区、N=1119）

4-3. 多変量回帰

最終回帰式（Model B：得票率）

voteshare = 11.768^*** − 0.039×age − 0.788×female + 16.443×incumbent^*** + 3.158×former^** + 29.840×自民^*** + 9.008×中道^*** + 0.896×参政 − 1.914×共産 + 7.261×国民^*** + 5.026×維新^*** − 8.649×れいわ^*** + 0.914×みらい

R² = 0.8135　N = 1119　基準: 新人 / 無所属その他　* p<.05 ** p<.01 *** p<.001

Model A: 当落 LPM（目的変数 win）

R² = 0.6924　N = 1119

変数	β	SE	t値	有意
const	0.0160	0.0512	0.313	n.s.
age	0.0001	0.0008	0.127	n.s.
female	-0.0196	0.0194	-1.011	n.s.
incumbent	0.2885	0.0228	12.669	***
former	0.1126	0.0361	3.120	**
自民	0.7394	0.0358	20.632	***
中道	-0.1281	0.0371	-3.453	***
参政	0.0623	0.0371	1.679	n.s.
共産	-0.0187	0.0369	-0.508	n.s.
国民	0.1792	0.0405	4.421	***
維新	0.2562	0.0419	6.114	***
れいわ	-0.1298	0.0696	-1.865	n.s.
みらい	0.6122	0.1128	5.427	***

Model B: 得票率 OLS（目的変数 voteshare）

R² = 0.8135　N = 1119

変数	β	SE	t値	有意
const	11.7682	1.6156	7.284	***
age	-0.0391	0.0239	-1.635	n.s.
female	-0.7878	0.6111	-1.289	n.s.
incumbent	16.4426	0.7187	22.879	***
former	3.1578	1.1389	2.773	**
自民	29.8400	1.1309	26.385	***
中道	9.0076	1.1708	7.694	***
参政	0.8955	1.1713	0.765	n.s.
共産	-1.9135	1.1644	-1.643	n.s.
国民	7.2615	1.2795	5.675	***
維新	5.0265	1.3224	3.801	***
れいわ	-8.6489	2.1956	-3.939	***
みらい	0.9144	3.5599	0.257	n.s.

全係数の元データ: 浅野正彦 hr96-26.csv（第51回衆院選小選挙区、N=1119）。計算手法: numpy.linalg.pinv による OLS。基準カテゴリ: 新人（status_code=0）/ 無所属・その他。

4-4. 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（Model B 係数を使用）

年齢（歳）性別経歴政党

政党の風を除く（政党効果を0にする）

(a) voteshare は規格化得票率（候補得票 / 有権者数 × 100）。報道の得票率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 RMSE 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（基準カテゴリ候補としての推定）になります。

4-5. 各回帰係数の信頼区間評価

信頼区間（Confidence Interval, 95%）の解釈
95%信頼区間が0を含まない場合、当該係数は有意水準5%で統計的に有意と判定できます。信頼区間の幅が狭いほど推定の精度が高く、幅が広い場合は不確実性が高いことを示します。

女性ダミー（female）単回帰

切片（非所属平均）: 非所属男性の平均得票率
傾き（slope）: 女性であることの効果
計算結果は以下の通りです：

intercept	28.3631	男性の基準得票率
slope (女性効果)	-10.4732	95% CI: [-13.0299, -7.9165]	女性の係数は有意（信頼区間が0をまたがない）

Status Code（新現元別）単回帰

傾き: 現職・元職・新人の序列効果（1単位上昇時の効果）
現職(1) vs 新人(0) の得票率差の線形効果を示します。

slope

18.5884

95% CI: [17.1339, 20.0430]

強く有意

政党別単回帰（各政党ダミー vs voteshare）

各政党ダミーの傾き = 当該政党所属候補の平均得票率 − 非所属候補の平均得票率

政党	傾き（slope）	95% 信頼区間	解釈
自民	32.9679	[31.2514, 34.6844]	0を含まず → 有意
中道	5.5139	[2.6030, 8.4247]	0を含まず → 有意
参政	-17.9919	[-20.8561, -15.1277]	0を含まず → 有意
共産	-21.2265	[-24.2122, -18.2408]	0を含まず → 有意
国民	-4.7564	[-8.6600, -0.8527]	0を含まず → 有意（効果は小）
維新	-4.7917	[-8.9890, -0.5944]	0を含まず → 有意（効果は小）
れいわ	-18.9007	[-27.7856, -10.0157]	0を含まず → 有意

4-6. 信頼区間が示す推定の不確実性

自民・共産・維新: CI が0を明確に回避 → 当該政党効果は実在の可能性が高い
国民・参政・れいわ: CI が0を含むか、範囲が広い → 推定不確実性が高い（サンプルサイズ小）
中道: CI の幅から判定

5. 考察（Discussion）

現職効果

incumbent の係数はモデルA・B ともに正値で、現職候補は新人比で当選確率・得票率において統計的に有意に高い傾向を示す。これは知名度・組織動員力の蓄積と整合的である。

政党効果

一部の政党ダミーは比較的大きな係数を持つ傾向があるが、政党と現職・元職ダミーは相関するため（現職に大政党議員が多い）係数の解釈には注意が必要。VIF 節を参照。

年齢・性別

age の係数は小さく、有意性の有無によって解釈が変わる。 female の係数は属性コントロール後のネット効果を示す。データ規模が大きいため小さい差でも有意になりうることに注意。

元職

former（元職）ダミーは現職ほど大きくないが正の方向に向く傾向がある。元職は一度落選した後の再挑戦であり、経験値と現職効果の中間に位置する。

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	VIF	R²_j
age	1.275	0.2158
female	1.102	0.0925
incumbent	1.933	0.4828
former	1.304	0.2330
自民	3.903	0.7438
中道	3.260	0.6932
参政	3.004	0.6671
共産	2.643	0.6216
国民	2.180	0.5413
維新	2.016	0.5039
れいわ	1.226	0.1846
みらい	1.087	0.0796

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 と自民など特定の政党ダミーが相関する場合は VIF が上昇することがある。

7. 結論（Conclusion）

第51回衆院選（2026）小選挙区の1119名について OLS 回帰を行った結果、現職ダミー（incumbent）が当落確率・得票率の両方に対して最も大きな正の係数を持つことが確認された。政党ダミーも一部で有意な効果を示す。年齢・性別の効果は他の属性をコントロールすると小さくなる傾向がある。

Model B（得票率 OLS）の R² = 0.8135、 Model A（当落 LPM）の R² = 0.6924 であり、説明変数群がアウトカムの分散の一部を説明するが、選挙区レベルの競合状況・政治地理などで説明されない分散が残ることを示す。

8. 限界と今後（Limitations）

本分析は小選挙区を単位とした個人属性回帰であり、選挙区レベルの競合構造（候補者数・有効候補数 ENP など）を制御していない。
政党ダミーは「自民vs他」のように主要7党＋その他に単純化しており、政策位置・連立関係などを捨象している。
比例復活当選（wl==2）は win=1 に含めているが、比例代表選好との混合に注意が必要。
OLS / LPM は確率の線形近似であり、ロジット・プロビットと比較した頑健性確認が今後の課題。
性別は浅野CSV由来の実データを使用しているが、非公表・不明候補の扱いは原データに依存する。
因果推論ではなく記述統計的な関連性の定量化であり、交絡変数が残存する可能性がある。

Generated by build_shugiin_2026.py　|　Data: 浅野正彦 hr96-26.csv (https://asanoucla.github.io/hr96-26.csv)　|　Retrieved: 2026-06-09

第51回衆議院議員総選挙（2026-02-08）候補者属性と得票率・当落の回帰分析

1. 背景と問い（Introduction）

2. 目的と仮説（Objective）

3. データと方法（Methods）

3-1. データ概要

3-2. 変数定義

3-3. 分析手法

4. 結果（Results）

4-1. 単変量の傾向（散布図・群別バーグラフ）

Fig.1 年齢 vs 得票率（散布図）— 青=当選 / 赤=落選

Fig.1d 新現元別 年齢 vs 得票率（散布図）

Fig.2 経歴別 当選率（%）

Fig.4 政党別 当選率（%）

Fig.6 性別 当選率（%）

4-2. 属性別単回帰（属性値 vs 得票率）

Fig.A 性別 vs 得票率（単回帰）

Fig.B 新現元別 vs 得票率（候補者プロット）

Fig.C 政党別 vs 得票率（各政党ダミー単回帰 一覧）

4-3. 多変量回帰

Model A: 当落 LPM（目的変数 win）

Model B: 得票率 OLS（目的変数 voteshare）

4-4. 票読みシミュレータ（属性 → 予想得票率・90%予測区間）

4-5. 各回帰係数の信頼区間評価

女性ダミー（female）単回帰

Status Code（新現元別）単回帰

政党別単回帰（各政党ダミー vs voteshare）

4-6. 信頼区間が示す推定の不確実性

5. 考察（Discussion）

現職効果

政党効果

年齢・性別

元職

6. 多重共線性の考察（VIF）

7. 結論（Conclusion）

8. 限界と今後（Limitations）

第51回衆議院議員総選挙（2026-02-08）
候補者属性と得票率・当落の回帰分析

Fig.1d 新現元別年齢 vs 得票率（散布図）

Fig.2 経歴別当選率（%）

Fig.4 政党別当選率（%）

Fig.6 性別当選率（%）

Fig.C 政党別 vs 得票率（各政党ダミー単回帰一覧）