2026.11.08

男性は「男らしく生きること」で幸せを失っている?

男性は「男らしく生きること」で幸せを失っている?

男女の幸福度の差はどこから来るのかについての、日本(九州大学)の最新研究。

世界168カ国・191万人のギャラップ世界調査データ(2009〜2022年)を、機械学習で分析頂いています😊


世界的に見ると、女性の方が男性より幸福度が少し高い(10点満点で0.1点差)。
でも、女性の方が社会的・経済的には不利なことも多いのに、なぜ?
これは「女性の幸福のパラドックス」と呼ばれる謎。
(ちなみに、ちょっと前までは世界的には男性の方が幸福度高い、だったんですが逆転してますね。

ただ日本は昔から、世界の流れに反して女性の方が幸福度高い傾向でした。)


この研究では、男女の幸福度の差を2つに分解しました。
①個人の条件:労働市場での地位や所得格差など。
→持っているもの(収入・健康・仕事など)の違いによる差
②社会のルール:男は稼ぐべきというプレッシャー、男は感情を出さない、など

→同じものを持っていても、幸福につながる「変換のされ方」の違いによる差


結果がおもしろくて、
①個人の条件で見ると、実は男性の方が幸福度が高くなるはず。

(条件だけ見れば男性有利な社会が多い)


ところが②社会のルールで見ると、
「男性として生きる」仕組みの下では、同じ条件でも幸福度が低くなる。

つまり、男らしさの規範(強くあれ、弱音を吐くな、稼ぎ頭であれ…)のようなものが、条件面の有利さを打ち消して、男性の幸福度を下げている可能性がある、と。


しかもこの②の差は、2009年から2022年にかけてどんどん広がっている。
社会の変化の中で、従来の男性役割がしんどくなってきているのかもしれません。
(①個人の条件はあまり変わっていない。)
つまり、世界では、①は男性の方が優位だけど、②のマイナスがのしかかってきて、

トータルだと、女性の方が幸せ。


ちなみに日本は世界的に見ると例外的で、
①個人の条件も女性の方がプラスに出る数少ない国のひとつ(香港・韓国・シンガポールなども同様)。
東アジアは少し違うパターンで、①も②も女性が優位に出るみたい。

ちなみに①個人の条件は、稼ぎだけでなく、収入や健康、雇用や結婚、ストレスなどの複合指標です。


男女どちらが得か、という話ではなく、
「女性だから」「男性だから」という役割の縛りが、男女両方の幸せを削っている。
性別役割がゆるやかで、生き方を選べる社会が、みんなの幸福度を上げる。
ということでしょうか。

「男は泣くな」も「女は家庭に」も、手放した方がみんな幸せになれそうですね。


ま、あと男女差は確かにあるがかなり小さいので、そこに目を向けるよりも幸福度が上がる取り組みを一つでもするのがオススメですね😊


Decomposing the gender gap in subjective well-being: evidence from a machine learning-based switching framework
主観的ウェルビーイングの男女差を分解する:機械学習ベースのスイッチング・フレームワークによる証拠
Jie Mi, Chao Li, Alexander Keeley, Jiaxu Zhang, Shunsuke Managi(九州大学、日本)
Humanities and Social Sciences Communications, 2026/10/29
https://doi.org/10.1057/s41599-026-09543-4

機械学習で解明する主観的幸福度のジェンダーギャップ構造 表層的な女性優位の幸福度 168ヵ国 191万人の 調査データ ESTEM 解析 属性同一なら男性が優位 女性体制 モデル 共通モデルでは男性の予測値が高い。 男性体制 モデル 評価モデルによる実効・反実仮想値の比較 女性体制予測値:5.569 男性体制予測値:5.645 体制間差分 (処置効果): +0.185 (女性体制で上昇) 女性体制予測値:5.384 男性体制予測値:5.466 体制間差分 (処置効果): +0.178 (女性体制で上昇) 属性間差分 (基本異質性): 女性グループ差分:-0.075 男性グループ差分:-0.082 ←差分はマイナス 男性体制が同性の幸福度を下げる。 格差の経時変化と主要影響因子 体制格差は年々拡大傾向 2009年 → 現在 所得と25~30歳で 所得影響が消失。 所得×年齢が大きく寄与 性別役割分担力の 緩和が必要 役割プレッシャーの 緩和が必要 ©Clarion Notebook 幸福度のジェンダー格差:AIが解き明かす 「女性の幸福度パラドックス」の真実 Base Heterogeneity (Personal conditions & Resources) Regime-Specific Returns (Societal Rules & Expectations) 直感に反する定説の裏側にある 「構造的な真実」を、190万人のデータと 機械学習(ESTEM)から解き明かす。 Jie Mi, Chao Li, Alexander Keeley, Jiaxu Zhang, Shunsuke Managi | 2025年 Based on: Decomposing the gender gap in subjective well-being Grosus Notebook 世界的な主張!「女性の幸福度パラドックス」 女性は社会・経済的な不利を抱えているにもかかわらず、平均して男性よりも幸福度が高い 客観的な不平等 +0.103 女性:5.569 男性:5.466 なぜ、客観的な不平等の下で、主観的な幸福度は逆転するのか? Grunias Notebooks 世界的な定説!女性の幸福度パラドックス これまでの調査は、異なる2つの要因を「平均値」の中でごちゃ混ぜにしていた 従来の平均値比較 新しいつのレンズ 社会からの評価(ルール) 持っているカード(条件) 生物学的な違い(ホルモンや感情表現)ではなく、 社会構造の中に隠された2つの異なる要因を 完全に切り離して分析する。 Genius Notebook 世界的な金融!女性の幸福度パラドックス 190万人規模のビッグデータと機械学習が、複雑な社会構造の 解明を可能にした 1,911,212人 観測データ 168ヵ国 グローバルカレッジ 14年間 2009-2022年 最新の機械学習アルゴリズム(XGBoost)と 「外生スイッチング治療効果モデル(ESTEM)」 を組み合わせ、反実仮想シミュレーションによって 幸福度の差を分解。 Gernaus Notebooks 幸福度の格差は「個人の持ち物」と「社会の評価体制」 という2つのレンズで分解できる 個人の条件 収入、健康、年齢、家族構成など、 各々が持っている客観的なリソースの違い 社会のルール 同じ条件を持っていても、世別という 社会規範(例えば「ゆかしさ」)によって幸福に どう変換されるかの違い 主観的幸福度(SWB) 幸福度は「何を持っているか」だけでなく、 「それが社会でどう扱われるか」の掛け算で決まる。 Genesis Notebook 「条件の違い」と「ルールの違い」を分けることで、 見えなかった格差の正体が浮き彫りになる 個人の条件 社会のルール 定義 リソースの分配 (誰が何を持っているか) リソースへの評価 (同じ持ち物がどう扱われるか) 論文内の概念 ベース不均一性 (Base Heterogeneity) レジーム特有のリターン (Treatment Effect) 具体例 労働市場での地位、所得格差、 健康状態、雇用形態 「男は稼ぐべき」というプレッシャー、 感情表現の許容度、役割期待 幸福度への影響 個人の生活水準や安定の物理的な 基盤となる 社会からの同調圧力や隣外感を通じて、 心理的負担を増減させる Gemma's Notebook 同じ社会ルールを適用すれば、 実は「男性の方が幸福度が高い」 「個人の条件」だけを見ると、男性有利 「男性特有の社会ルール」が幸福度を大きく削る 最終結果:女性の方がわずかに幸福(+0.103) 真実1:もし男女が「全く同じ社会ルール」で 評価されたと仮定すると、持っている条件の差 により、男性の方が幸福度は高くなる。 真実2:しかし、「男性モードの社会」に置か れると、男性に課せられるプレッシャーによって幸福度が劇的に低下する。 男性側の社会ルール(Male Regime)が、 個人の幸福を大きく削り取っている理由 「稼ぎ手」としての重圧 伝統的な「男性が稼ぐべき」という規範への固執。役割を果たさせないと場合の失業や離別リスクへの強い恐怖。 役割逃脱への強い非難 性別役割期待から外れた行動をとった際、社会的成功や幸福感を 否定される強い同調圧力。 感情の抑圧とタフさ 弱音を吐くことや感情の表出に対する 社会的な不寛容。常に強くなければならないというプレッシャー。 これらの社会的評価体制が、同じ収入や健康状態であっても、 男性の幸福感への変換率を著しく下げている。 Genious Notebook 個人の条件による差は横ばいだが、 「社会ルールの格差」は年々広がり続けている 0.15 0.10 0.05 0.00 -0.05 -0.10 -0.15 -0.20 Effects 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 Year 社会ルールによる格差の拡大 個人の条件による差は不変 解釈 現代の価値観(ジェンダー 平等やテクノロジーの進歩) が変化する中で、旧来の 「伝統的な男性の役割」 との間に生じる摩擦(役割 の衝み)が、ますます大き くなっている可能性を示唆。 Genders Notebook 「男性のルールが幸福を削る」現象は世界共通だが、 紛争地域など一部で例外が見られる グローバルトレンド:168ヵ国の大 半において、「男性側のルールで 評価されると幸福度が下がる」と いう構造は共通している。 例外地域:サハラ以南のアフリカ など一部の国では例外が見られる。 長期的な政治的不安定さや紛争が ある地域では、社会的な「役割」 プレッシャーとは異なる次元(生 存の安定など)が幸福度を支配し ていると考えられる。 ©Gapminder Notebook 経済的余裕は「プレッシャー」を緩和し、20代後半に社会の重圧はピークに達する A 収入(Income)の影響 高 端 は り の プ レ ッ シ ャ ー は 低 高プレッシャー 低プ
投稿者による補足(4件)
補足 1

動画解説はこちら😊
https://youtu.be/Us5KtkQ90XY

補足 2

本研究のウェルビーイング小話はこちら😊
はぴテク相談室:「男は弱音を吐くな」って、誰が決めたんだろう?
https://archive.happytech.co.jp/posts/2026-11-08-1794069601/

補足 3

【研究背景】

■ この研究の立ち位置:「女性の幸福パラドックス」はなぜ解けないのか

Mi, Li, Keeley, Zhang & Managi (2026) の研究は、主観的幸福度(SWB:自分の人生をどう評価しているか、という本人の自己申告)の男女差を、「人々の特性の分布の違い」と「同じ特性が幸福度に結びつく仕方の違い」とに統計的に分解しようとしたものです。その前提として、これまで何が分かっていて、何が分かっていなかったのかを順に整理します。


■ 1. 幸福度が「測るべきもの」になってきた

▼ 政策目標としての well-being
  • 人々の well-being(心身の健やかさ・暮らしの良さ)の向上は、個人にとっても社会にとっても重要な目標として認識が高まり、公共政策の判断材料としても存在感を増していると述べられています(Diener et al. 2018; Jebb et al. 2020; MacKerron 2012)。
  • その指標として広く使われているのが SWB です(Blanchflower & Graham 2022; Oswald & Wu 2010)。Oswald & Wu (2010) は、主観的な幸福度指標が客観的な指標と対応することを米国データで示した研究として位置づけられています。
▼ なぜ経済や政策にも関係するのか
  • 先行研究では、幸福度の高さが労働生産性の向上、労働市場への定着、心身の健康、公的医療支出の低さと関連することが示されてきました(Diener et al. 2018; Gurven et al. 2024; Helliwell & Aknin 2018)。
  • そのため、男女間で幸福度の差が持続していることは、人的資本の配分や労働・社会制度の機能に何らかの非効率があることのシグナルになりうる、と論じられています(Blanchflower & Bryson 2024a, b)。

■ 2. 幸福度を左右する要因として、すでに分かっていること

論文は、SWB が個人レベルの特性から社会・制度環境まで、複数の階層の要因によって形づくられるとする既存研究を整理しています(Diener et al. 2018; MacKerron 2012)。

▼ 個人レベルの要因
  • 所得と物質的な生活水準:所得が高いほど人生評価も高い傾向が一貫して報告されていますが、「所得が増えるほど追加の効果は小さくなる(逓減)」ことも広く記録されています(Deaton 2008; Jebb et al. 2018)。
  • 雇用:失業は収入の喪失を超えて幸福度に持続的な負の影響をもち、人生満足度の「基準点」を恒久的に変えてしまう可能性があると報告されています(Lucas et al. 2004)。
  • 健康:長期的な障害や慢性疾患は、人生評価に長く続く影響を及ぼすことが示されています(Diener et al. 2018; Lucas 2007)。
  • 人口学的属性:年齢、婚姻状態、家族構成も、報告される幸福度の体系的な違いに寄与します(Diener et al. 2018; MacKerron 2012)。
▼ 社会・制度レベルの要因
  • 社会関係資本(人とのつながりや信頼)、公正感、制度への信頼、腐敗への接触、近隣の安全性、環境の質などが、国の間・国の中での人生評価の違いに関わるとされています(Diener et al. 2018; Li & Managi 2021; Li et al. 2025)。
  • 経済成長、労働市場の安定、福祉制度といったマクロ要因が、人々が人生を評価する際の「機会構造」を形づくるとされます(Gurven et al. 2024; Li & Managi 2023)。
  • これらの知見から、SWB は個人の属性の単なる反映ではなく、属性と構造的環境の相互作用から生じる、と論文は整理しています。

■ 3. 「性別」という説明しきれない残差

▼ 統制変数としての性別ダミー
  • SWB の決定要因を推定する多くの実証研究は、所得・雇用・健康などとあわせて性別を統制変数(他の要因の影響を取り除くために入れる変数)として含めています(Diener et al. 2018; Li & Managi 2021; Li et al. 2025)。
  • ところが、多様なデータセットや国々で、社会経済的・人口学的特性を幅広く調整した後も、性別ダミーは統計的に有意なまま残ることが多いと述べられています。
  • つまり、所得・雇用・健康・家族構成で男女が同じように見えても、報告される幸福度に体系的な差が残る——観察できる構成要因だけでは男女差を説明しきれない、ということです。
▼ 残差の解釈をめぐる対立

論文は、この残差をどう解釈するかについて見解が分かれていることを示しています。

  • 社会化の過程、ジェンダー規範、感情表出パターンの違いに帰する立場(Kuehner 2017; Li & Graham 2017)。
  • 労働市場や家庭内責任における構造的不平等、差別への曝露が、似た特性を幸福度に変換する過程に影響するという立場(Li & Graham 2017; Oertelt-Prigione 2012)。
  • 生物学的・心理学的な素因を指摘する立場。
  • これらが併存していること自体が、理論的な曖昧さを示していると論文は述べます。観察される男女差は「集団間の特性の違い」なのか、「似た特性がジェンダー化された社会体制の中で異なって評価・報酬・制約されること」なのかが、区別されてこなかったのです。
▼ 二つの理論的レンズ

論文はこの対立を、相補的な二つの視点に整理しています。

  • 構成の違い(compositional differences):男女が社会経済的地位、家族役割、健康状態の分布において異なるために差が生じる、という見方(Eagly & Karau 2002; Li & Graham 2017; Oertelt-Prigione 2012)。
  • 収益の違い(differential returns):似た特性でも、ジェンダー化された社会規範、制度的取り決め、役割期待によって幸福度への結びつき方が異なる、という見方(Kuehner 2017; Parker & Brotchie 2010)。
  • 論文はこの二つを、特定の理論をどちらかに紐づけるのではなく、さまざまな理論的伝統の知見を整理するための「経験的な経路」として扱っています。

■ 4. 「女性の幸福パラドックス」とその説明の候補

▼ 現象そのもの
  • 大規模調査では、女性のほうが男性より高い SWB を報告する傾向が一貫して見られます(Batz & Tay 2018; Blanchflower & Bryson 2024a, b; Klasen 2007)。
  • 一方で女性は社会的・経済的に大きな不利にも直面しており、この緊張関係が「女性の幸福パラドックス」と呼ばれています(Batz & Tay 2018; Blanchflower & Bryson 2024a, b)。
  • かつては、共変量を幅広く調整すれば男女差は消えると予想する議論もありました(Bartram 2022; Diener et al. 1999)が、その後の調査でも差は記録され続けている、と論文は述べています。
▼ 説明① ジェンダー化された社会的役割と感情表出
  • Wood et al. (1989) のメタ分析は、女性の幸福感・人生満足度の高さを報告し、それをジェンダー化された社会的役割が感情の表出や処理を形づくることと結びつけました。
  • その後の研究も、女性の感情表出に対する社会的受容の高さや感情的な応答性が、報告される SWB の高さと関連しうると示唆しています(Batz & Tay 2018; Diener et al. 1999; Eckermann 2012; Simon & Nath 2004)。
▼ 説明② 女性の不利を示唆する生物学的・心理学的知見
  • 女性は高い SWB を報告する一方で、いくつかの負の感情的・心理的・身体的アウトカムへの脆弱性が高いことも議論されています(Arrosa & Gandelman 2016; Blanchflower & Bryson 2024a; Herbst 2011)。例として、メンタルヘルスの低さ(Blanchflower & Bryson 2024a)、睡眠の問題(Theorell-Haglöw et al. 2018)、自己申告の健康状態の低さ(Boerma et al. 2016)、うつ(Parker & Brotchie 2010)が挙げられています。
  • 性ホルモンやプロゲステロンの役割(Li & Graham 2017)、ストレス反応パターン、ジェンダーに基づく暴力や不平等(Kuehner 2017; Seedat et al. 2009)、自己免疫疾患(Oertelt-Prigione 2012)、身体的パフォーマンス(Ben Mansour et al. 2021)などに関する研究も参照されています。
  • 男性側については、テストステロンとリスクテイク(Apicella et al. 2015)や、疲労反応・一部の肯定的な心理特性(Zitzmann 2020)との関連が報告されています。
  • 論文はこれらの知見について、女性の幸福度が低いという予想につながりうるものの、観察される統計的分解をいずれも決定づけるものではない、と注意しています。
▼ 説明③ 仕事・家庭・社会環境
  • 差別や硬直的なジェンダー役割は、ストレスや幸福度の低さと関連するとされています(Napier et al. 2020; Schmitt et al. 2014; Seedat et al. 2009)。
  • 男性についても、平均余命の短さや「絶望死」(薬物過剰摂取、肝硬変、自殺)のリスクの高さが報告されています(Case & Deaton 2015)。
  • ジェンダー役割からの逸脱は社会的な非難を招きうること(Eagly & Karau 2002)、男らしさの規範への同調がメンタルヘルス関連アウトカムと関連すること(Wong et al. 2017)、男性稼ぎ手規範への固執が男性の失業と離別リスクの関係に影響すること(Gonalons-Pons & Gangl 2021、29か国の夫婦・同棲カップルの分析)も参照されています。
  • ジェンダー規範や不平等がもたらす健康・社会問題の被害者は、単純な二分法の一方だけではない、という指摘もあります(Heise et al. 2019)。
▼ 結局、何が足りなかったのか
  • 説明の候補は多いものの、一貫した定量的な説明は欠けている、と論文は述べています(Blanchflower & Bryson 2024a, b; Diener et al. 1999)。
  • 既存の調査ベースの分析は、平均の比較や共変量を調整した回帰モデルが中心で(Blanchflower & Bryson 2024a, b)、「条件付きの平均差」は推定できても、構成の違いと収益の違いを明示的に分離してはいませんでした。

■ 5. 方法論の背景:切替モデルと機械学習

▼ 外生的切替処置効果モデル(ESTEM)
  • 本研究が用いる ESTEM(Exogenous Switching Treatment Effect Model)は、グループごとに別々の予測モデルを作り、「もし別のグループの予測式で評価されたら」という反事実(counterfactual)の予測を構成して差を分解する枠組みです。
  • 類似の切替モデルは、ブータンの家庭用エネルギー選択とジェンダー(Aryal et al. 2019)、ケニアの家計食料安全保障におけるジェンダー不平等(Kassie et al. 2014)、中国農村の電子商取引の採用(Liu et al. 2021)、生活習慣と肥満(Yen et al. 2009)などに応用されてきました。
  • ただし先行研究では、グループ別の予測関数として最小二乗法やロジスティック回帰などの線形モデルが一般的で(Kassie et al. 2014; Liu et al. 2021)、分解の根幹をなす事実・反事実予測の標本外予測性能はほとんど検討されてこなかった、と論文は指摘しています。
▼ 機械学習の導入
  • ツリーベースや勾配降下法に基づく機械学習は線形関係を仮定せず、残差を最小化することを目指すため、予測性能が高い傾向があるとされます(Breiman 2001; Chen & Guestrin 2016)。
  • 非パラメトリックなモデルでは各変数の寄与が直接読めないため、協力ゲーム理論のシャープレイ値に基づく SHAP(Shapley additive explanation)という説明手法が用いられています(Lundberg et al. 2020; Molnar 2020)。

■ 6. データの背景:Gallup World Poll と Cantril ladder

  • Gallup World Poll(GWP)は、人間の幸福を主題とする世界最大規模の個人レベル調査であり、多くの先行研究で利用されてきました(Blanchflower & Bryson 2024a; Diener et al. 2010; Jebb et al. 2018; Joshanloo & Jovanović 2020)。
  • GWP は「Cantril ladder」という 11 段のはしご(0=考えうる最悪の人生、10=最高の人生)で人生評価を尋ねます。その簡便さと広範な使用実績から、先行研究でも従属変数として採用されてきました(Blanchflower & Bryson 2024a; Deaton 2008; Diener et al. 2018; Joshanloo & Jovanović 2020)。
  • 本研究の 63 の説明変数は、GWP を用いた先行研究(Arrosa & Gandelman 2016; Deaton 2008; Joshanloo & Jovanović 2020; Smith & Wesselbaum 2023)とデータの利用可能性に基づいて選ばれています。
  • 障害の重要性(Diener et al. 2018; Lucas 2007)や、年齢・性別・婚姻・雇用が必須変数であること(Diener et al. 2018; Li & Managi 2023; Lucas et al. 2004)も、先行研究を根拠にデータ整備の方針が決められています。

■ 7. まとめ:先行研究から本研究への橋渡し

  • 女性のほうが高い SWB を報告するという記述的事実は確立しており、本研究はそれを再確認することが目的ではありません。
  • 分かっていなかったのは、その差が「男女の特性分布の違い」によるのか、「似た特性がジェンダー別の体制のもとで異なる幸福度に結びつくこと」によるのか、という点です。
  • この区別を可能にする分析枠組みが必要だという認識が、ESTEM と機械学習を組み合わせ、2009〜2022 年の 168 か国・約 191 万件の観測を用いて男女差を分解する、という本研究の動機になっています。
  • なお論文は、この分解を「生物学的 vs 社会的」の区別と解釈すべきではなく、また性別の因果効果の同定ではなく、観察された共変量を条件とする反事実的な統計的分解として理解すべきだと繰り返し強調しています。
補足 4

【研究内容】

■ この研究が取り組んだ問い

  • 主観的ウェルビーイング(SWB:自分の人生をどれくらい良いと感じているか、という本人の評価)は、人間の幸福度の指標として広く使われています。
  • これまで多くの調査で「女性の方が男性より平均的に高いSWBを報告する」ことが確認されてきました。しかし女性は社会的・経済的に不利な立場に置かれることも多く、この矛盾は「女性の幸福パラドックス」と呼ばれています(Blanchflower & Bryson 2024a, b)。
  • この差の説明は、社会化や感情表現の規範、労働市場や家庭の構造的不平等、生物学的・心理学的素因など、さまざまに提案されてきましたが、一貫した定量的説明はありませんでした。
  • 本研究は、男女の平均値を比べるだけではなく、観察された差を「統計的に2つの成分に分解する」ことを目的としています。
▼ 2つの成分とは
  • ベース異質性効果(base heterogeneity effect):同じ予測ルール(レジーム)のもとで男女を評価したときに出る差。男女で「特性の分布」が違うことを反映します。
  • 処置効果(treatment effect):同じ特性を持っていても、男性用・女性用のどちらの予測ルールで評価するかによって予測されるSWBが変わる差。「特性からウェルビーイングへの変換の仕方(レジーム固有のリターン)」の違いを反映します。
  • 著者らは、この分解を「生物学的 vs 社会的」という区別と同一視してはならないと強調しています。収入や雇用、安全や尊重の認識といった観察特性自体が社会環境に形づくられているためです。また、どちらの成分も男女の本質的な属性を表すものではありません。
▼ 3つの目的
  • 外生的スイッチング枠組みで、男女別のレジームのもとでの反事実的(カウンターファクチュアル:実際には起きていない「もしも」の)ウェルビーイング予測を作り、男女差を分解する。
  • その成分の時間的・国別の変動を分析する。
  • 男女差の大きさの変動に関連する個人・文脈要因を特定する。

■ 使ったデータ

  • Gallup World Poll(GWP)という、Gallup社が世界各国で実施している個人レベルの調査データです。各国でおおむね1,000人程度(中国やロシアなど大国では約2,000人)を毎年サンプリングします。
  • データクリーニングの結果、2009〜2022年、168の国・地域、1,911,212件の観測が分析対象になりました。
  • 所得の質問がなかった最初の3波は除外。所得無回答者については一時的に国・年ごとの平均で補完しましたが、他の主要変数も欠けていることが多く最終的に除外され、補完値が残ったのは1件のみでした。
  • SWB、障害の有無、年齢、性別、婚姻状況、雇用状況のいずれかが欠けている観測も除外しています。
▼ 変数
  • 従属変数:キャントリルの梯子(Cantril ladder)。0(考えうる最悪の人生)から10(最良の人生)までの11段階で、自分の今の人生がどの段にあるかを答えてもらう指標です。
  • 独立変数:先行研究に基づく63変数。世帯所得、障害、年齢、婚姻状況、雇用状況、子どもの有無、食料・住居の不足、前日の感情(笑った、楽しんだ、心配、悲しみ、ストレス、怒りなど)、地域の公共サービスへの満足度、治安、政府や司法への信頼、腐敗の認識、女性や子どもが尊重されているかの認識などが含まれます。
  • 「女性ダミー」は外生的なグループ分け変数として扱われます。国と調査年(wave)も共変量として入れられており、樹木ベースのモデルが国・年・個人特性の非線形な相互作用を捉えられるようにしています。

■ 分析の方法

▼ 外生的スイッチング処置効果モデル(ESTEM)
  • データを男性群と女性群に分け、それぞれで別々の予測モデルを学習させます。
  • 次に、各モデルを両方の群に当てはめて、4つの予測シナリオを作ります。
  • 女性モデルで女性を予測(事実的)
  • 男性モデルで男性を予測(事実的)
  • 男性モデルで女性を予測(反事実的)
  • 女性モデルで男性を予測(反事実的)
  • 処置効果(TE)=同じ性別グループについて、女性モデルの予測 − 男性モデルの予測。値が正なら「女性レジームの方が高いSWBを予測する」ことを意味します。
  • ベース異質性効果(BHE)=同じモデルのもとで、女性観測の予測 − 男性観測の予測。値が負なら「同じルールで評価すると男性の方が高く予測される」ことを意味します。
  • 著者らは、これは因果推論の意味で「性別の因果効果」を特定するものではなく、観察された共変量を条件とした「反事実的な統計的比較」であると繰り返し明記しています。反復横断データであるため、未観測の異質性を完全に除くことはできません。
  • 従来のESTEM応用はKassie et al. (2014) やLiu et al. (2021) のように線形モデル(最小二乗法やロジスティック回帰)を使ってきましたが、予測性能が検証されることは稀でした。本研究で10分割交差検証(データを10分割し、9つで学習・1つで検証を繰り返す手法)を行うと、線形モデルのテストR²(予測がどれだけデータを説明するかの指標)は男性で平均33.46%、女性で平均33.55%でしたが、分割によって約4ポイントの幅があり、安定性に限界がありました。
▼ 機械学習(XGBoost)の導入
  • XGBoost(Chen & Guestrin 2016)は決定木を多数組み合わせる勾配ブースティングの手法で、線形関係を仮定せず、変数間の複雑な相互作用を捉えられます。
  • 多数の変数を入れることは理論に基づく意図的な選択です。樹木ベースの手法は行列の逆行列計算をしないため、多重共線性(変数同士の強い相関)による係数の不安定化という問題を受けません。
  • 主成分分析のような次元削減は、変数を潜在成分に変換して解釈性を損なうため採用していません。
  • 著者らが強調するのは、予測精度そのものより「反事実予測の信頼性」です。分解の両成分は予測値から計算されるため、予測の偏りや不安定さはそのまま成分の推定に伝わります。
  • ベイズ最適化(20回)でハイパーパラメータ(モデルの設定値)を調整し、学習データとテストデータのR²の差から過学習の兆候が見られたため、「10エポック×10分割」の反復手続きで各観測の予測を学習外データとして複数回得ています。ある観測を予測するモデルの学習には、その観測を含めないという原則を守っています。
▼ 個人レベルの処置効果の変動を説明する分析
  • 各個人の処置効果の絶対値を従属変数として、新たなXGBoostモデルを学習させます(説明変数は性別以外の同じ変数)。
  • そのモデルに対してSHAP(Shapley additive explanation:ゲーム理論のシャープレイ値を用いて、各変数が予測にどれだけ貢献したかを公平に配分する手法、Lundberg et al. 2020)を適用し、変数ごとの寄与を求めます。
  • この分析は「モデルに依存した予測上の関連」をまとめるものであり、各特性の因果効果や社会的メカニズムを特定するものではないと明記されています。
  • 学習:テスト=9:1で、テストデータ約20万件に対してSHAPを1回計算しています。

■ 結果

▼ 記述的な男女差
  • 女性1,017,224件、男性893,988件。
  • 平均SWBは女性5.569、男性5.466で、差は0.103ポイント。
  • 分散の等しさを仮定しないウェルチのt検定で、この差は統計的に有意(p < 0.1%)でした。ただしこの検定は記述的比較のためだけに使われており、分解の基礎ではありません。
▼ モデルの予測性能
  • XGBoostの最良モデルのテストR²は女性で平均38.04%、男性で平均37.98%。学習R²はそれぞれ46.84%、53.29%で、過学習の存在が示されています。
  • 10エポック×10分割の反復予測では、女性モデル→女性で平均37.23%、男性モデル→男性で38.03%、反事実予測(他方の群への適用)でも36%台と安定しており、標準偏差は非常に小さい値でした。線形モデルに比べて精度と安定性が改善しています。

表2 10エポック×10分割によるXGBoostの予測性能(Table 2)

予測対象 使用モデル 平均テストR² 最大テストR² 最小テストR² 標準偏差
女性 女性モデル 37.23% 38.74% 36.62% 0.49%
男性 女性モデル 36.64% 36.68% 36.60% 0.02%
女性 男性モデル 36.18% 36.23% 36.13% 0.02%
男性 男性モデル 38.03% 38.67% 37.28% 0.23%

男性用・女性用それぞれのモデルを自分の群(事実的)と相手の群(反事実的)に当てはめたときの予測精度です。線形モデル(約33%)より高く、ばらつきも小さいことが分かります。
注:各行は学習:テスト=9:1で計算した100個のテストR²の要約。各観測は同じ性別のモデルで10回、他方の性別のモデルで100回予測される。
Miら(2026)のTable 2の数値をもとに、はぴテックが作成。出典:Mi et al. (2026). Humanities and Social Sciences Communications. https://doi.org/10.1057/s41599-026-09543-4

図2 従来の線形モデルに比べ、機械学習(XGBoost)はデータの

図2 従来の線形モデルに比べ、機械学習(XGBoost)はデータの説明力(R²)が男女いずれでも4ポイント前後高い。分解の成分は予測値から計算されるため、この改善が結果の信頼性を支える。
Miら(2026)の本文「Exogenous switching treatment effect model」節の線形モデルR²、およびTable 2(事実的予測の平均テストR²)の数値をもとに、はぴテックが作図。出典:Mi et al. (2026). Humanities and Social Sciences Communications. https://doi.org/10.1057/s41599-026-09543-4

▼ 全体の分解結果
  • 処置効果:女性群で0.185、男性群で0.178(いずれもp < 0.1%)。つまり女性でも男性でも、男性レジームで評価した方が女性レジームよりSWBが低く予測されます。
  • ベース異質性効果:−0.075、−0.082(いずれもp < 0.1%)。つまりどちらのレジームで評価しても、観察特性を踏まえると男性の方が高く予測されます。
  • レジーム固有の差(正)の方がベース異質性の差(負)より大きいため、女性の平均SWBが0.103ポイント高いという観察結果と整合します。

表1 男女別レジームによる事実的・反事実的予測と分解結果(Table 3)

性別グループ 女性レジームで予測 男性レジームで予測 処置効果(TE)
女性(Female population) 5.569 5.384 0.185***
男性(Male population) 5.645 5.466 0.178***
ベース異質性効果(BHE) −0.075*** −0.082***

同じ人々を女性用・男性用どちらの予測ルールで評価するかによる予測SWBの違い(処置効果)と、同じルールのもとでの男女差(ベース異質性効果)をまとめた表です。
注:値はキャントリルの梯子(0〜10)の予測SWB。TE=女性レジームでの予測−男性レジームでの予測。BHE=同じレジームでの女性の予測−男性の予測。***p < 0.1%。
Miら(2026)のTable 3の数値をもとに、はぴテックが作成。出典:Mi et al. (2026). Humanities and Social Sciences Communications. https://doi.org/10.1057/s41599-026-09543-4

図1 男女差は逆方向の2成分に分かれる。男性用ルールで評価すると予

図1 男女差は逆方向の2成分に分かれる。男性用ルールで評価すると予測が約0.18点低くなる一方(正の処置効果)、同じルールで比べると男性の方が約0.08点高く予測される(負のベース異質性効果)。
Miら(2026)のTable 3(Treatment and base heterogeneity effects)および本文「Overall base heterogeneity and treatment effects」の数値をもとに、はぴテックが作図。出典:Mi et al. (2026). Humanities and Social Sciences Communications. https://doi.org/10.1057/s41599-026-09543-4

▼ 時間的変化
  • 各年の推定値はすべてp < 0.1%でゼロと異なります。
  • 2つの処置効果成分は観測期間を通じて増加しており、ベース異質性成分は明確な傾向なく変動しています。
  • 国の構成変化の影響を確かめるため、1国ずつ除外して再推定する「leave-one-country-out」分析を行ったところ、処置効果の上昇傾向は狭い範囲に収まり、特定の国に左右されていないことが示されました。
  • 14波すべてで観測された51か国に限定した分析でも(観測数をプールする場合、国を等しく重みづけする場合の両方で)、処置効果の増加は確認されました。
▼ 国別の違い
  • 168の国・地域について推定し、大半は世界全体のパターン(男性レジームで低く予測、共通レジームでは男性が高い)に従います。
  • 例外として、香港、日本、韓国、インドネシア、シンガポール、マレーシア、クウェート、トルクメニスタン、コソボ、イエメン、ガンビア、アルジェリアでは、ベース異質性成分が女性にとって正でした。
  • ベナン、ブータン、ガーナ、チャド、トーゴでは、女性レジームの方が低く予測されました。
  • シエラレオネでは両成分とも世界全体と逆のパターンでした。
▼ 処置効果の大きさに関連する要因(SHAP分析)
  • 処置効果の絶対値を予測するモデルのテストR²は81.51%(学習R²は95.72%)。
  • 61変数のうち57変数の平均寄与が95%水準でゼロと異なりました。例外は「心配」「尊重されていると感じる」「教育への満足」「報道の自由」の4つ。
  • 寄与の大きい上位9変数と観察されたパターン:
  • 世帯所得:所得が高いほど寄与が低下し、高所得は処置効果の絶対値が小さいことと関連。
  • 食料不足:十分に食べられている回答者ほど寄与が大きい。
  • 婚姻状況:独身で正の寄与、離婚・死別・パートナー同居で小さいか負、既婚・別居はほぼゼロ。
  • 雇用:フルタイム労働者と、フルタイムを求めていないパートタイム労働者で寄与が小さく、他のカテゴリーで大きい。
  • 年齢:25〜30歳ごろにピーク。労働市場・パートナー関係・家族の移行が重なりやすい時期です。
  • 生活水準が改善しているという認識、後の調査年、地域で子どもが尊重されていないという認識、国の所得水準の低さも、より大きな寄与と関連していました。

図3 個人ごとの処置効果の大きさを説明する変数の寄与。世帯所得の寄

図3 個人ごとの処置効果の大きさを説明する変数の寄与。世帯所得の寄与が最も大きく(負:所得が高いほど差が小さい)、食料不足、婚姻状況、楽しみ、年齢が続く。
Miら(2026)のTable 4(Mean contributions of variables to treatment effects of gender、値は10³倍にスケール)の数値をもとに、はぴテックが作図。出典:Mi et al. (2026). Humanities and Social Sciences Communications. https://doi.org/10.1057/s41599-026-09543-4


■ 考察

▼ 「女性の幸福パラドックス」をどう捉え直すか
  • 女性の平均SWBが高いという記述的事実は、Wood et al. (1989) のメタ分析をはじめ多くの先行研究と一致します。
  • 先行研究では、女性の感情表現が社会的に受容されやすいこと(Batz & Tay 2018; Diener et al. 1999; Simon & Nath 2004)、性差別(Napier et al. 2020; Schmitt et al. 2014)、社会的役割の伝統性(Seedat et al. 2009)などが挙げられてきました。本研究では、これらは「レジーム固有のリターン成分」に関連しうるものと位置づけられます。
  • ホルモンやうつ病への脆弱性など生物学的・心理学的要因を論じる文献(Li & Graham 2017; Kuehner 2017; Parker & Brotchie 2010)は、女性のウェルビーイングが低いという予想につながりうるものですが、GWPにはこうした直接の測定がないため、本研究ではあくまで解釈上の背景として扱われています。
  • 結果が示すのは、共通レジームでは男性が高く予測される一方、男性レジームのもとでの予測は低くなるという「逆方向に働く2つの成分」です。平均の単純比較では、この2つが相殺されて見えなくなる可能性があります。
  • 著者らは、男性レジームでの予測が低いという結果について、男性の平均寿命の短さや「絶望死」(薬物過剰摂取、肝硬変、自殺)のリスク(Case & Deaton 2015)、性役割からの逸脱に対する社会的不承認(Eagly & Karau 2002)、男性稼ぎ手規範が男性の失業と離別リスクの関係に影響するという知見(Gonalons-Pons & Gangl 2021)、男らしさ規範への同調とメンタルヘルスの関係(Wong et al. 2017)などを文脈的解釈として参照しています。
  • ただし、推定された成分はグループ内の平均的な条件付き差であり、すべての男性・女性が同じ制約や見返りを経験することを意味しません。GWPは二値の性別と反復横断データであるため、交差性やグループ内の異質性を直接モデル化することはできません。
▼ 時間とともに処置効果が増大することについて
  • 増加傾向は1国除外分析やバランス国分析に対して頑健でしたが、反復横断デザインである以上、サンプル構成の変化による影響を完全に排除することはできません。
  • この増加はBlanchflower & Bryson (2024a) の複数の国際データでの知見と整合します。
  • 仮説的な説明として、女性の権利・メンタルヘルス・ジェンダー平等への意識の高まりが期待や回答行動を変えた可能性(Campbell et al. 2021; Heise et al. 2019)、技術変化や労働市場の再編が肉体労働や階層的権威と結びついた伝統的な男性役割に影響した可能性、伝統的な男性アイデンティティが社会規範と合わなくなる「役割の緊張」などが挙げられています。これらは今後の縦断的・制度的分析のための仮説として提示されています。
  • サハラ以南アフリカの一部で見られた例外については、長期の政治的不安定や地域紛争(Carmignani & Kler 2016)が関連する可能性が指摘されています。
▼ SHAP結果の解釈
  • 個人および国の所得が高いほど寄与が小さいという結果は、教育機会や社会経済的環境がジェンダー平等の認識に関わるという先行研究(Campbell et al. 2021)と整合的だとされています。
  • 食料が足りている人で寄与が大きいことは、Maslow (1943) の欲求階層説と並べて、基本的欲求が満たされると社会的役割に関わる差がより顕在化する可能性として解釈されています。
  • 独身で寄与が大きいことは、独身男性と独身女性に対する社会的・家族的期待の違い(Apostolou et al. 2020)と整合するとされます。
  • 年齢のピークが25歳前後であることは、思春期にはウェルビーイングの性差がほとんどないという報告(Esteban-Gonzalo et al. 2020; Li et al. 2025)と合わせて、役割に関わる圧力のタイミングの違いを反映している可能性が述べられています。
▼ 政策的な示唆
  • 制度の柔軟性、社会的・経済的・教育的資源への平等なアクセス、性役割圧力の軽減が、今後の政策評価の対象として妥当な領域だと述べられています。
  • 著者らは、一方の性を優先するのではなく、「観察特性の分布」と「レジーム固有のリターンの非対称性」の両方を考慮する多面的なアプローチが重要だとしています。
▼ 方法論的な貢献
  • ESTEMという構造化された枠組みで事実的・反事実的予測を生成し、男女別レジーム間の差を統計的に分解したこと。
  • 線形モデルに代えてXGBoostを用い、非線形関係に対応し予測性能を改善したこと。分解の両成分が予測値から導かれるため、この改善は結果の信頼性に直結します。
  • 複数エポック×複数分割の手続きで、各観測を学習外データとして繰り返し評価し、反事実予測の安定性を高める再現可能なワークフローを示したこと。

■ 限界と今後の課題

  • GWPは同じ人を追跡するパネルデータではなく、毎回異なる回答者を調査する反復横断データです。そのためESTEMの推定値は性別の因果効果ではなく、観察共変量を条件とした予測的分解であり、未測定の影響を除去できません。パネルデータがあれば個人内・ライフステージ間の変化を調べられます。
  • 変数の多くが二値(はい/いいえ)であり、国際比較には便利ですが測定の細かさと解釈の深さに限界があります。
  • 性別が二値で測られているため、ノンバイナリーのアイデンティティや性別内の異質性は分析できません。

■ 結論

  • 観察された男女のSWB差は、「共通の予測レジームで評価したときの男女差(男性にとって正)」と「レジーム固有のリターンの差(男性レジームのもとで予測が低い)」という2つの成分に統計的に分解できることが示されました。
  • 後者の成分は時間とともに増大し、推定される男女差を広げており、その大きさは国によって異なります。
  • 所得、年齢、婚姻状況、雇用状況が、レジーム固有のリターン成分の変動と最も強く関連する変数として特定されました。
  • 著者らは、これらの結果を男女どちらかを優先する根拠としてではなく、特性の分布とリターンの非対称性の両方を視野に入れて、すべての性別のウェルビーイング向上を考えるための二面的な視点として位置づけています。
論文紹介 ありのままに 主観的幸福・幸福測定文化と幸福・日本的幸福感情・レジリエンス

📮 毎週土曜の朝、メールで届きます

その週にご紹介したウェルビーイング研究のダイジェストを無料でお届けします。

確認メールのリンクで登録完了。いつでも配信停止できます。 📧 サンプルを見る

← 検索にもどる