幸福に影響を与える因子をAIで予測してみたら、イギリス人はお金よりもパートナーと

100万人以上のデータで、何が幸福を予測するか、

をAI(機械学習)を使ってドイツ、イギリス、アメリカで見てみたよ！

という

ロンドン・スクール・オブ・エコノミクスの

エカテリーナ・オパリナ先生らによる研究。

ーーー

■年収と幸せについて

面白かったのが、年収と幸せについて。

イギリスだと約770万円(4万ポンド)で頭打ち

ドイツは約800万円(5万ユーロ)で頭打ち

アメリカだと頭打ちなし※

だった。

※ただし収束してくので、年収が高くなるほど幸福度アップ効果は低くなる。

ー

年収と幸せについては、色々言われていますが、

国別に見ると結構違いますね。

先日紹介した研究でも、

デンマークなどの国は収入と幸せの相関はほぼ無かった。

とかもありました。

(低年収の人の幸福度平均と、高収入の人の幸福度平均がほぼ同じ)

ーーー

■各国の幸せに影響を与えるTOP5

これもまた、国ごとの違いが面白いですね😍なんか国の特徴を表している。

ドイツは、ストレスがないことや対処、忍耐力、健康が上位を占める。

イギリスは、リラックスと、仕事の徹底と、パートナーとのキッス😍

アメリカは、新しい事を学ぶのと、お金と健康。

イギリスではお金よりも、キッスなのが素敵ですね😍😍

日本も見てみたい・・・

ー

▼ドイツ（SOEP）の上位5つの予測因子：

健康の社会生活への影響：0.022

心配の程度：0.021（負の影響）

健康による日常生活の制限：0.019（負の影響）

個人の忍耐力：0.010

ストレス対処：0.008

ー

▼イギリス（UKHLS）の上位5つの予測因子：

多くの心配：0.033（負の影響）

リラックスの程度：0.019

結婚への後悔がない：0.011

仕事の徹底度：0.008

パートナーとのキス：0.007

ー

▼アメリカ（Gallup）の上位5つの予測因子：

毎日新しいことを学ぶ：0.028

居住地域の完璧さ：0.021

世帯収入：0.018

健康指数：0.015

国の経済状況：0.015

※Gradient Boostingの結果を表示(一貫して、OLSよりも適合度が高かかった。)

ーーー

★AIサマリー

この研究論文は、機械学習(ML)を用いて人々の幸福度(主観的ウェルビーイング)の予測と分析を行った研究についてまとめたものです。主な点は以下の通りです:

主な発見:

1. 機械学習アプローチ(特にGradient Boosting)は、従来の線形モデルよりも幸福度の予測において優れた性能を示しました。ただし、その改善は控えめなものでした。

2.より多くの変数を投入することで、予測精度は大幅に向上しました。説明変数を拡張すると、R²値は約0.30まで上昇し、これが現在の調査データで達成可能な上限とされています。

3. 機械学習で特定された幸福度の重要な予測因子は、以下のようなものでした:

• 健康状態

• 経済状況

• パーソナリティ特性

• 人間関係

4. 年齢と幸福度のU字型の関係、および一定の所得水準を超えると幸福度が頭打ちになる傾向が確認されました。

研究方法:

• ドイツ、イギリス、アメリカの100万人以上の回答者データを分析

• 2010年から2018年のデータを使用

• Random Forest、Gradient Boosting、LASSO回帰などの手法を適用

この研究は、幸福度研究における機械学習の有用性を示すとともに、従来の研究で指摘されてきた幸福度の決定要因の妥当性を裏付ける結果となりました。

ーーー

人間の幸福を予測する機械学習

Machine learning in the prediction of human wellbeing

scientific report , 2025/1/10

https://www.nature.com/articles/s41598-024-84137-1

主観的幸福感データは、社会科学の分野でますます使用されるようになっています。しかし、そのようなデータが広く使用されているにもかかわらず、幸福感をモデル化するために一般的に使用されるアプローチの予測力は限られています。これに対応して、ここではツリーベースの機械学習 (ML) アルゴリズムを使用して、回答者の自己申告による幸福感をより深く理解します。2010年から2018年のデータを使用して、ドイツ、英国、米国の100万人を超える回答者の代表サンプルを分析します。私たちは3つの貢献をしています。まず、MLアルゴリズムは確かに標準的なアプローチよりも優れた予測性能を発揮できることを示し、調査データによる幸福感スコアの予測可能性の上限を確立します。次に、MLを使用して評価的幸福感の主要な要因を特定します。以前の直感と理論に基づく文献で強調された変数もML分析に現れることを示します。 3 番目に、所得の影響における飽和点の存在や、年齢と幸福感の U 字型関係など、関数形式についての判断に ML をどのように使用できるかを示します。