統計調査士 教科書

統計調査士の試験で必ず問われるのが、日本の統計制度の根幹である 統計法 に関する知識です。本節では、統計法の基本構造と、公的統計が果たす役割を整理します。

統計法とは

統計法の改正により、それまで「行政の道具」だった統計が「社会の情報基盤」として位置付け直されました。具体的には、

• 基幹統計 の指定(国の重要統計の明確化)
• 統計委員会 の設置(統計行政の中立性確保)
• 統計データの二次利用 の促進(研究者・民間への開放)
• 秘密の保護 の強化(回答者個人の特定を厳格に防ぐ)

基幹統計と一般統計

代表的な基幹統計として、国勢統計(国勢調査)・労働力統計(労働力調査)・家計統計(家計調査)・経済構造統計(経済センサス)など。試験では「○○調査は基幹統計か?」という形で問われることがあります。

公的統計の分類

• 作成主体による分類: 国(府省庁)・地方公共団体・独立行政法人など
• 作成方法による分類: 調査統計(直接調査して作る)/ 業務統計(業務記録から派生)/ 加工統計(他の統計を組み合わせる)
• 周期による分類: 月次・四半期・年次・大規模調査(5 年や 10 年に 1 回)

統計の役割

公的統計が果たす役割は大きく 3 つに整理できます。

1. 政策の根拠: 行政が政策を立てるとき、統計データに基づいて意思決定する
2. 社会の現状把握: 人口・経済・労働・物価など、社会の姿を客観的に示す
3. 研究・民間の活用: 学術研究・企業のマーケティング・地域分析の基礎データ

「統計は社会のインフラ」 ─ この視点を持って、各統計の意義を理解していくことが、統計調査士の核心です。

本節では、統計調査士で頻出する主要な公的統計を、調査周期・主な内容・公表する省庁とともに整理します。「○○調査の主な内容は?」「○○統計を扱う省庁は?」が定型的に問われます。

国勢調査

日本でもっとも基本的な統計。人口統計の出発点で、選挙区割り・地方交付税配分・社会保障の根拠に使われます。直近では 2020 年(令和 2 年)実施、次回は 2025 年。

労働力調査

「完全失業率」のニュースの源となる統計。月次で公表されるため、景気判断の重要指標として注目されます。

家計調査

「家計の平均消費支出」の元となる統計。物価・消費動向の分析や、消費者物価指数のウエート付けに使われます。

経済センサス

消費者物価指数(CPI)

「物価上昇率」の根拠となる代表的指標。「総合」「生鮮食品を除く総合(コア)」「生鮮食品およびエネルギーを除く総合(コアコア)」の 3 種類が公表され、物価動向の分析で使い分けられます。

GDP(国内総生産)関連統計

国民経済計算(SNA)は、内閣府が作成する基幹統計。GDP・GNI・経済成長率の元データ。複数の他統計を組み合わせる 加工統計 の代表例です。

覚えるコツ

• 周期と頻度 : 月次か年次か、5 年に 1 回か
• 実施主体 : 総務省統計局が多いが、内閣府(GDP)・厚労省(賃金)など分野で違う
• 標本 vs 全数 : 国勢調査は全数、労働力調査・家計調査は標本
• 「○○ 統計」と「○○ 調査」: 統計が「結果」、調査が「集める方法」。基幹統計に指定されるのは「統計」のほう

次節以降では、こうした統計を実際に 取る方法(標本抽出・調査設計)に踏み込んでいきます。

「全員に聞くか、一部だけに聞くか」 ─ 統計調査の最初の選択。それぞれに長所・短所があります。本節では、全数調査と標本調査 の違い、そして 代表的な標本抽出法 4 つ を整理します。

全数調査 vs 標本調査

• 全数調査の長所: 偏りがない・すべての小集団を把握できる
• 全数調査の短所: コスト膨大・回答負担・実施期間が長い
• 標本調査の長所: コスト・期間が小さい・速報性が高い・誤差を許容して柔軟
• 標本調査の短所: 標本誤差 が必ず発生・代表性の確保が課題

「適切に選んだ少数」のほうが「むやみに集めた大量」より精度が高くなる ─ これが統計学の興味深いところ。世論調査が 1000 人程度で全国民の傾向を推測できるのは、無作為抽出と統計理論があるからです。

1. 単純無作為抽出

• 長所: もっとも理論的にきれい・偏りがない
• 短所: 母集団全体のリストが必要・地理的に散らばると調査コストが膨大

2. 層化抽出

• 長所: 各層の代表性が保証される・推定精度が向上(層内分散が小さいとき特に)
• 短所: 層分け基準の設計が必要・層のサイズ情報が事前に必要

3. 系統抽出

• 長所: 実装が簡単・リストだけあれば実行可能
• 短所: 母集団に 周期性 があると偏る(例: 7 日周期のデータを 7 日おきに取ると曜日が固定)

4. 多段抽出

• 長所: 移動コスト・調査員配置の効率化・全国調査で実用的
• 短所: 設計が複雑・分散が単純無作為抽出より大きくなりやすい

標本サイズの決め方

標本誤差は $\sigma /\sqrt{n}$ に比例します。「精度を 2 倍にしたい(誤差半分)」には標本サイズを 4 倍 にする必要がある、という $\sqrt{n}$ の関係が成立。実務では「誤差 ±3% 以内」「信頼度 95%」のような目標から逆算して標本サイズを決めます。

代表的な世論調査 $n=1000$ で誤差 ±3% 程度が出るのも、この $1.96\sqrt{0.5\times 0.5/1000}\approx 0.031$ から来ています。

「質問文の作り方ひとつで結果が変わる」 ─ 調査の世界では常識です。本節では、信頼できる調査票を作るための原則を整理します。

質問文設計の 5 原則

回答形式の選び方

• 選択式(SA: Single Answer): 1 つだけ選ぶ。集計が容易。
• 選択式(MA: Multiple Answer): 複数選択可。「あてはまるすべて」
• 自由記述: テキストで回答。深い洞察が得られるが集計が難しい
• 評価尺度(リッカート尺度): 「5: とても満足 〜 1: とても不満」など 5 段階や 7 段階
• 数値記入: 年齢・回数など、定量データを直接得たいとき

回答誤差の種類

非標本誤差は標本サイズを増やしても減りません。質問設計・調査員教育・データ点検によってのみ抑えられる ─ ここが標本誤差との大きな違いです。

事前テスト(プリテスト)の重要性

本調査の前に 少数の対象者(10〜30 人程度) に試行回答してもらう「プリテスト」が必須。「質問の意味が伝わるか」「想定どおりの回答が得られるか」「所要時間は適切か」を事前に確認することで、本調査の失敗を大幅に減らせます。

調査票の設計が終わっても、実際の調査実施でつまずくことが多いのが社会調査の難しさ。本節では、調査方法の選び方・回答率を上げる工夫・データの点検 までを整理します。

調査方法の比較

「適した方法は調査目的による」 が大原則。年齢を問わない代表性が必要なら訪問・郵送、若年層中心なら Web、速報性重視なら電話、というように使い分けます。

回答率を上げる工夫

• 調査の意義を明示: 何のための調査か、結果がどう使われるかを冒頭で説明
• 回答負担を最小化: 質問数を絞る・短時間で答えられる設計
• 個人情報保護を保証: 「回答は統計的にしか使わない」「個人を特定しない」を明記
• 督促状を送る: 郵送調査では未回答者に 1〜2 回の督促が効果的
• インセンティブ: 図書カードや QUO カードなどの謝礼(ただし回答の質に影響することも)

標本誤差と非標本誤差(復習)

• 無回答誤差: 回答してくれない層の特性が回答者と異なるとき(例: 多忙な層が抜ける)
• 回答誤差: 嘘の回答(社会的に望ましい方向への歪み)、記憶誤り、思い込み
• 入力誤差: 紙からデータベースへの入力ミス、マークシートの読み取り誤差
• カバレッジ誤差: そもそも母集団のリストから漏れている人(電話帳調査で携帯のみの人が抜ける、など)

データクリーニングと点検

回答データを集めた後、そのまま分析するのは危険。必ず以下のチェックを行います。

1. 論理チェック: 「年齢 200 歳」「性別が男性なのに妊娠経験あり」のような矛盾の検出
2. 範囲チェック: 数値が想定範囲を超えていないか
3. 欠損値の処理: 無回答が多い変数は分析から除外、もしくは補完(平均代入・多重代入)
4. 外れ値の検出: 異常に大きい/小さい値は記入ミスかも
5. 重複回答の削除: 同一回答者が複数回答していないか

結果の公表と倫理

公的統計では、個人を特定できる形での公表は厳禁。少数派(例: ある町の特定職業の女性 1 人だけ)が特定されないよう、セルの度数が小さいクロス集計は秘匿(セルを「-」表示)します。これを 統計的開示制御(SDC) といいます。

また、調査回答者には「結果がどこで公表されるか」を事前に明示するのが倫理的義務。これらを守ることで、回答者の信頼を維持し、次回以降の調査も成立する ─ という長期的な視点が、調査の世界では特に重要です。

調査結果には 必ず誤差 が含まれます。発生源は大きく 2 つで、対処法も異なります。

標本誤差(Sampling Error)

非標本誤差(Non-sampling Error)

「○○ 万人を調べる」と決める前に、どれくらいの精度が必要か を逆算します。

標本平均の標準誤差

$n$ が 4 倍になると標準誤差は半分。逆に 誤差を半分にするには標本を 4 倍 必要。

比率の標準誤差(支持率調査などで頻出)

$p=0.5$ のとき最大値を取り、95% 信頼区間の幅は 約 ±1.96 × SE。

必要サンプル数の見積もり

回収率が低い調査では、回答者と無回答者の性質が異なる ことで結果が歪みます。これが 無回答バイアス。

なぜ問題か ─ 選挙予測の例

若年層の回収率が低い → 平均回答者の年齢が高めに偏る → 高齢者支持の高い候補が有利に予測される、という典型的なズレが生じる。回収率の偏りはサイズで補えない。

対策 ─ ウェイト調整(事後層化)

他の対策

• 訪問・電話・郵送・Web の組み合わせ(マルチモード)で回収率を上げる
• フォローアップ: 一度無回答だった人に再依頼
• 短い質問票: 設問数を最小化して回答負担を下げる
• プライバシー保証の明記: 回答してもらいやすくする
• インセンティブ: 商品券・ポイント付与

推定の評価軸 ─ 不偏性・効率性

• 不偏性(Unbiasedness): 推定値の期待値が真値と一致
• 効率性(Efficiency): 分散が小さい(より正確)
• 一致性(Consistency): $n\to \infty$ で真値に収束

標準誤差は 同じ調査を何度も繰り返した場合の標本平均のばらつき という解釈で、信頼区間の幅 に直結します。調査の質を語るときの共通言語として押さえておきましょう。

調査票の質問は『読めば答えが返ってくる』ものではありません。回答者の頭の中では複数の認知ステップが走っており、どこかで失敗すれば回答が歪みます。これを整理した枠組みが CASM(Cognitive Aspects of Survey Methodology) です。

Tourangeau の 4 段階モデル

段階別の誤差要因

• 理解段階: 専門用語・否定形・二重質問(double-barreled)・あいまいな修飾
• 検索段階: 時間幅(『過去 6 ヶ月』vs『最近』)・頻度の正確な記憶・テレスコーピング(時期の誤認)
• 判断段階: 集計のヒューリスティック(数を数える vs 平均を出す)・過去の感情に引きずられる
• 表出段階: 選択肢の有無・社会的望ましさ(social desirability)・容認バイアス(yea-saying)

非標本誤差(non-sampling error) は、標本誤差以外のすべての誤差で、その大きさが標本誤差を上回ることも珍しくありません。発生機序ごとに分類し、対策を組み立てます。

主要な 4 種類

カバレッジ誤差の事例

• 1936 年米大統領選 Literary Digest 誌: 電話帳・自動車登録名簿で 1000 万人調査 → ランドン勝利予想。実際はルーズベルト大勝。当時の電話・車所有者は富裕層に偏っていた(歴史的なカバレッジ誤差の事例)
• RDD(Random Digit Dialing): 固定電話のみ → 携帯のみの世帯が漏れる
• Web 調査: ネット利用者しか取れない(高齢層・低所得層が漏れがち)
• 住民基本台帳: 寮生・施設入居者・短期居住者の捕捉が難しい

測定誤差の代表的形態

• 社会的望ましさバイアス: 飲酒量・運動量・収入を実際より良く / 悪く答える
• マッチング・パターン回答: 連続する質問にすべて『3』『はい』と答える(注意散漫)
• 順序効果(order effect): 同じ選択肢でも提示順で回答分布が変わる
• 仮想バイアス(hypothetical bias): 『○○なら買いますか』という想定質問で実際以上に肯定する
• プライミング: 直前の質問内容が後続回答に影響する(政治・経済質問では特に注意)

ここまで非標本誤差の整理をしてきました。本節では 実務で使える誤差抑制テクニック を、調査票設計・実査・後処理の 3 段階で整理します。

調査票設計の鉄則

• ダブルバーレル質問は禁止: 『製品の 品質と価格 に満足ですか』 → 質を分割
• 時間幅は具体的に: 『最近』ではなく『過去 7 日間』『先月』のように
• ヒント・例示を統一: 一部の選択肢にだけ例示を付けると注目度が偏る
• 否定形・二重否定を避ける: 『○○すべきでないとは思わない』は誤読の温床
• スケールは 5 件法 or 7 件法: 『どちらでもない』を含むかは設問の目的に応じて
• 敏感な質問は調査の後半に: ラポール(信頼関係)が築かれてから収入・健康・違反等を聞く

実査時のオペレーション設計

• Pretest / Pilot: 本調査の 1〜2% 規模でパイロット → 認知インタビューで質問の解釈を検証
• インタビュアー訓練: 訓練マニュアル・標準応答スクリプトで聞き方のばらつきを抑制
• 督促・複数モード: 訪問・郵送・電話・Web のミックスで非回答を減らす(混合モード調査)
• Incentive(謝礼): 事前 vs 事後・現金 vs ポイントで回答率の差。少額でも事前現金が最も効果的という多数の検証結果
• 応答理由の追跡: 拒否・不在・住所不明を区別して記録 → ウェイト調整に使う

後処理 ─ 編集・代入・ウェイト

総合的な品質指標(TSE)

現代の公的統計では Total Survey Error(TSE) という枠組みで、標本誤差 + すべての非標本誤差を 総合的な MSE(平均二乗誤差) として評価します。Eurostat・米センサス局が標準化を進めており、日本でも導入が進んでいます。精度を 2 倍にする予算をどこに投じるか(標本サイズ拡大 vs 督促強化 vs 認知インタビュー実施)を、TSE の感度分析で意思決定する ─ それが現代の調査統計家のスキルです。

ここまで 5 章で統計調査士の主要範囲を扱いました。続く 6-10 章では 主要公的統計の各論・人口/経済/社会の指標・国際統計・歴史と将来展望 で、知識を一段深めます。

国勢調査 は日本最大の統計調査。5 年に 1 度、すべての世帯を対象に行う 全数調査 で、すべての公的統計の基礎データになっています。

歴史と特徴

• 1920 年(大正 9 年) が第 1 回 ─ 100 年以上の歴史
• 5 年に 1 度(西暦末尾 0 と 5 の年)
• 全数調査: 全ての世帯と人を対象
• 質問項目: 氏名・年齢・住所・職業・通勤先・住居形態など
• 法的根拠: 統計法に基づく 基幹統計(回答義務あり)

活用される場面

• 人口推計: 5 年間の年次値の母集団
• 選挙区画定: 衆議院小選挙区の定数配分
• 地方交付税: 自治体への交付金算定
• 少子化・高齢化分析: 人口動態の把握
• マーケ調査: 民間の市場分析の母集団

実施上の課題

月次で発表 される代表的な経済統計。失業率・消費者物価などのニュース統計の元データ。

労働力調査

家計調査

両調査の限界

• 回答負担: 家計簿は半年間 → 中流以上世帯に偏る傾向
• 標本サイズ: 月次変動の標本誤差は数パーセント
• 労働力調査: 短期の不安定就業を捕捉しにくい
• 家計調査: 高所得層は申告精度に課題
• 近年は POS データ や クレカ明細 とのハイブリッドが研究中

事業所・企業のデータ を網羅する 経済センサス。GDP の生産側計算の基礎です。

経済センサス

業種別統計の主要なもの

• 鉱工業生産指数(IIP)(経産省): 製造業の生産動向。月次・季調済発表
• サービス産業動向調査: 第 3 次産業の動向
• 法人企業統計(財務省): 上場・非上場法人の財務状況
• 毎月勤労統計調査(厚労省): 賃金・労働時間
• 商業動態統計: 小売・卸売の月次動向

GDP と SNA

国民経済計算(SNA, System of National Accounts) は GDP を含む経済全体の体系。産出側・支出側・分配側 の 3 面から計算し、整合性を担保。日本は 2008SNA を採用、内閣府が四半期ごとに発表。

人口動態 は社会のあらゆる予測の基盤。出生・死亡・婚姻・離婚を継続的に観測します。

主要な人口動態指標

将来推計人口

国立社会保障・人口問題研究所(社人研) が 5 年に 1 度発表する 日本の将来推計人口。コーホート要因法(出生・死亡・移動を年齢別に積み上げ)で、50 年先まで推計。日本の 2056 年に総人口 1 億人を割る など重要な政策議論の基礎。

教育・医療・福祉 の各分野で、政策立案の基礎となる統計が整備されています。

教育統計

• 学校基本調査(文科省): 在籍者数・卒業後の進路
• 全国学力・学習状況調査: 小 6・中 3 の学力水準
• 国際調査: PISA(OECD)・TIMSS(国際数学・理科)
• 進学率・大学進学率: 進路選択の動向

医療・健康統計

• 患者調査(厚労省): 医療機関を受診した患者の状況
• 国民健康・栄養調査: 食習慣・生活習慣・健康状態
• 人口動態統計: 死因別死亡数
• 医療経済実態調査: 医療費の動向

社会指標

• 犯罪統計(警察庁): 刑法犯認知件数・検挙率
• 社会保障費: 国民負担率の指標
• 自殺統計: 厚労省・警察庁の合成指標
• Better Life Index(OECD): 生活の質の多次元評価

所得格差 の代表的指標 ジニ係数。社会の不平等度を 0(完全平等)〜 1(完全不平等)で表現。

ローレンツ曲線とジニ係数

他の格差指標

• Theil 指数: 情報理論的な不平等度。集団分解可能
• Atkinson 指数: 社会厚生関数に基づく
• Palma 比: 上位 10% / 下位 40% の所得比
• 5 分位倍率: 第 5 五分位 / 第 1 五分位
• 相対的貧困率: 中央値の半分未満の人の割合

国際比較可能性 は公的統計の重要な品質要件。各国際機関がそれを担保するための調整役を果たしています。

主要機関

• 国連統計部(UNSD): 国際統計年鑑・SDGs 指標
• OECD: 経済・社会・教育・環境の国際比較
• IMF: 国際金融統計・経済見通し(WEO)
• 世界銀行: 開発統計(World Development Indicators)
• ILO: 労働統計・雇用
• WHO: 保健・医療統計
• UNESCO: 教育・文化統計

国際統計分類

• ISIC(産業分類): 日本の JSIC がベース
• ISCO(職業分類): 日本の JSCO に対応
• HS コード(関税協力理事会): 貿易統計の品目分類
• SNA(国民経済計算): 日本は 2008SNA を採用
• ICD(国際疾病分類): 死因・診断コード

持続可能な開発目標(SDGs) は 2015 年国連採択、2030 年達成 を目指す 17 目標 169 ターゲット。各ターゲットに 指標 が定められ、各国がデータ提供する仕組みです。

SDGs 指標の階層

Beyond GDP の動き

日本の SDGs 取組

• SDGs アクションプラン: 政府の年次計画
• SDGs 達成度: 国連の指標で日本は中位
• 自治体 SDGs: 内閣府による SDGs 未来都市 認定
• 企業の SDGs: ESG 投資・統合報告書

国際比較は『同じ概念で測っている』前提が必須。だが実際には微妙なズレがあるため、解釈には注意が必要です。

比較を歪める要因

• 定義の違い: 失業率・貧困率の定義が国で違う
• 統計品質: 開発途上国は標本誤差・カバレッジ問題が大きい
• 為替変動: ドル換算で順位が動く(購買力平価 PPP で補正可)
• カバレッジ: 地下経済の取り扱いが国で違う
• 改定頻度: GDP 改定タイミングがズレると比較が難しい

PPP(購買力平価)

World Bank Open Data

世界銀行のオープンデータ(data.worldbank.org)は、国際比較データの宝庫。1400+ 指標 × 200+ 国 × 50+ 年が無料公開。Python の `wbdata` ライブラリで API アクセス可能。統計家の必須ブックマーク。

日本の 公的統計 の歴史は、明治政府が 近代国家建設 のために統計制度を整備したことに始まります。

明治時代の統計整備

• 1871 年: 太政官正院に統計司設置
• 1881 年: 統計院設立(初代院長:大隈重信)
• 1885 年: 内閣統計局へ
• 杉亨二(日本統計の父): ベルギー留学・統計教育
• 1872-73 年: 戸籍制度開始 → 人口統計の基盤

戦後の制度整備

• 1947 年: 統計法制定
• 1947 年: 経済安定本部に統計局
• 1950 年: 第 1 回国勢調査(戦後)
• 2007 年: 統計法全面改正(54 年ぶり)
• 2018 年: 厚労省毎月勤労統計問題 → 信頼性回復策

分散型統計組織 が日本の特徴。各府省が分担して統計を整備します。

主要府省と担当統計

• 総務省統計局: 国勢調査・労働力調査・家計調査
• 内閣府: 国民経済計算(GDP)・景気動向指数
• 経済産業省: 鉱工業生産指数・商業動態
• 財務省: 貿易統計・法人企業統計
• 厚生労働省: 毎月勤労統計・人口動態統計
• 農林水産省: 農業センサス・生産統計
• 国土交通省: 建築着工統計
• 警察庁: 犯罪統計・交通統計

統計委員会と統計法

統計委員会(内閣府)が 基幹統計の品質管理・統計制度の中央調整 を担う。統計法(2007 改正)では、基幹統計(56 種)・一般統計 の区分、回答義務、結果公表のルールが定められています。

統計法の主要条文

• 第 13 条: 基幹統計調査への報告義務
• 第 33 条: オーダーメード集計
• 第 33 条の 2: 個別調査票情報の提供
• 第 35 条: 匿名データの作成と提供
• 第 41-43 条: 罰則(虚偽報告・調査妨害)

公的統計の 信頼性 は政策の信頼性の基盤。最近の事件と教訓を整理します。

毎月勤労統計問題(2018)

厚労省 毎月勤労統計 で 2004 年から不適切な抽出方法(東京都 500 人以上事業所を全数 → 一部抽出に変更)が長年続き、雇用保険・労災保険などの給付に影響。8 兆円規模の給付 が再計算対象に。統計委員会の機能強化 へつながりました。

信頼性向上策

• 統計検査: 第三者による定期検査
• 統計士・専門統計調査士: 専門人材の認定
• EBPM(Evidence Based Policy Making): 政策評価へのデータ活用
• オープンデータ化: e-Stat での網羅的公開
• プロセス透明化: 調査設計から公表までを文書化

公的統計の現代的課題

• 回答率低下: 国勢調査・標本調査全般で
• コスト増: 訪問調査の維持が困難に
• ビッグデータ統合: POS データ・行政データの活用
• プライバシー: 個人特定リスクと有用性のバランス
• 国際比較性: 各国規格との整合維持

統計調査士教科書 9 章を歩き終えました。社会調査の理論と実践、公的統計の制度と運用 ─ 試験範囲を超えて、統計家としての社会的役割 までを学びました。

9 章の地図

1. Ch1 統計法と公的統計
2. Ch2 標本調査の設計
3. Ch3 調査の実施と分析
4. Ch4 標本誤差・非標本誤差・推定の評価
5. Ch5 回答プロセスと非標本誤差の制御
6. Ch6 主要な公的統計の各論
7. Ch7 人口統計と社会指標
8. Ch8 国際統計と SDGs
9. Ch9 公的統計の歴史と日本の制度

公的統計の現場は、デジタル化・行政データ活用・AI 統合 で大きく変化中。

Web 調査・モバイル調査の進化

• 国勢調査の Web 回答化(2020 年で約 4 割、2025 年でさらに拡大予定)
• スマホアプリ調査: 位置情報・行動ログを併用
• ハイブリッドモード: 訪問・郵送・Web の混合
• Web パネル調査: 民間で発達、公的統計でも実験的活用
• AI チャットボット調査: 対話的回答取得

行政データの統計利用

マイナンバー制度 で行政データの統合活用が進展。税務データ・社会保険・住民基本台帳 を統計的に利用する『レジスター・ベース統計』が、ノルディック諸国を参考に研究中。プライバシー保護とのバランス が制度設計の鍵。

AI と公的統計

• 自動コーディング: 産業・職業分類を AI で自動付与
• 外れ値検出: 異常な回答を AI が検知
• 多重代入: 欠測値補完に機械学習を活用
• Synthetic Data: 統計的特性を保つ合成データの提供
• LLM: 統計報告書の自動要約・自然言語クエリ

統計調査士の次のステップは多様です。

進路 A: 専門統計調査士

専門統計調査士 は統計調査士の上位資格で、標本設計の理論・推定の精緻化 を扱います。本サイトでは [専門統計調査士教科書](/certs/survey-specialist/textbook) を 10 章で用意しています。

進路 B: 公務員 / 統計関係職

• 国家公務員: 総務省統計局・各府省の統計部門
• 地方公務員: 各都道府県・市町村の統計担当
• 統計センター: 集計・分析業務
• 民間調査会社: 公的統計の請負

進路 C: 学術研究

• 社会学: 社会調査・量的研究
• 経済学: マクロ経済・労働経済
• 人口学: 人口動態・少子化研究
• 公衆衛生: 疫学調査・健康行動

統計調査士合格、おめでとうございます。ぜひ次のステップで、より深い社会統計の世界へお進みください。