「借金あり」は誰の借金か:持ち家と賃貸で変わる意味と交互作用

目次
  1. 借金の種類と心の健康
  2. 仮説を整理する
  3. シミュレーションの設定
  4. 分析の組み立てで変わる結論
  5. 単純傾斜分析で確かめる
  6. 借金額で見ると関連が逆になる
  7. 分析で何をするか
  8. 参考文献

調査で「借金がありますか」と尋ねると、持ち家の人のほうが「ある」と答えることが多くなります。持ち家の人の借金の多くは住宅ローンで、額も大きくなります。一方、賃貸の人が「ある」と答える借金は、消費者ローンやクレジットの支払いなど、担保のない借金であることが多いはずです。同じ「借金あり」という一つの変数に、性質の違う二つの集団が入っていることになります。

この記事ではこの状況を交互作用(効果修飾)の問題として整理し、単純なシミュレーションで、分析の組み立て方によって結論がどう変わるかを確かめます。

家の鍵を持つ人と、封筒を前に机に向かう人

借金の種類と心の健康

借金と健康の関連を調べた研究の多くは、担保のない借金を対象にしています。65本の研究をまとめたシステマティックレビューとメタアナリシスでは、担保のない借金は精神疾患(オッズ比3.24)、うつ病(2.77)、自殺(7.9)などと関連していました1。ただし、著者らは因果関係を確かめるのは難しいと述べています。

英国の世帯パネル調査(BHPS)を使った研究では、住宅ローン以外の借金があり、その額が大きい世帯主ほど、心理的な健康が良好と答える割合が低くなっていました2。住宅ローンとそれ以外の借金を分けて扱っている点が、この記事の問いに直接関係します。

住宅ローンも、払えなくなれば話は変わります。同じBHPSのデータで、住宅ローンの支払いが困難になったり滞納したりした世帯主では、一般的な経済的困窮による影響に加えて、精神的な健康が悪化していました3。米国の若年成人8,400人の調査では、資産に比べて借金が大きいことが、ストレス、うつ、自己評価の健康の悪さ、拡張期血圧の高さと関連していました4。マイアミの高齢者を中心とする調査では、借金があることがうつ、不安、怒りと関連し、その関連は「借金を返し終えられない」という不安で説明されていました5。

これらをつなぐと、健康への影響を左右しているのは、借金の種類と返済の見通しだと考えられます。持ち家か賃貸かは借金の種類の違いを映す目印として働いている可能性があります。

仮説を整理する

同じ「借金あり」に入る二つの集団
持ち家で借金あり
多くは住宅ローン。額は大きいが、家という資産と対になっていて、返済計画が決まっている
賃貸で借金あり
多くは消費者ローンなど担保のない借金。額は小さくても、返済の見通しが立ちにくい

仮説「借金あり」と心理的苦痛の関連の強さは、持ち家か賃貸かで異なる

疫学では、ある要因の効果が別の要因の値によって変わることを効果修飾、二つの要因を同時に変えたときの効果を問うことを交互作用と呼び分けます6。ここでの問いは「持ち家か賃貸かで、借金の効果が変わるか」なので、効果修飾の問いです。回帰モデルではどちらも積の項(借金あり×持ち家)で表します。

シミュレーションの設定

架空の1万人のデータを作りました。持ち家の人は60%です。持ち家の人の50%が住宅ローンを持ち、8%が担保のない借金を持ちます。賃貸の人の25%が担保のない借金を持ちます。調査で分かるのは、どちらかがあれば「借金あり」になる変数と、借金の合計額だけとします。

結果は心理的苦痛の尺度(K6)に見立てた連続量です。このデータでは、担保のない借金があると苦痛が3.0点上がり、住宅ローンは苦痛に影響しないように作っています。賃貸であること自体にも1.0点の上乗せを置きました。つまり、正解が分かっているデータです。

こうして作ると、「借金あり」の割合は持ち家で53%、賃貸で26%になりました。借金がある人の借金額の中央値は、持ち家で1,742万円、賃貸で76万円です。借金がある持ち家の人のうち、担保のない借金がある人は15%で、残りは住宅ローンだけです。

持ち家・賃貸と借金の有無ごとの心理的苦痛の平均(架空のデータ)
024684.94.1借金なし8.04.4借金あり心理的苦痛の平均賃貸持ち家

4つの組み合わせの平均を見ると、賃貸で借金がある人だけが高くなっています(8.0点)。持ち家の人では、借金があってもなくても4点台です。

分析の組み立てで変わる結論

同じデータに、組み立ての違う回帰モデルを当てはめました。

モデルごとの「借金あり」の係数(架空のデータ)
01234無担保の借金の真の効果 3.0借金ありだけ(粗)0.80持ち家で調整1.28賃貸の人での効果3.17持ち家の人での効果0.33「借金あり」の係数(95%信頼区間)
  • 「借金あり」だけを入れたモデルでは、係数は0.80でした。持ち家の人は借金がある割合が高く、もともと苦痛が低いので、借金の害が薄まって見えます。
  • 持ち家かどうかで調整すると1.28になりました。それでも、二つの集団の効果を平均した値にとどまります。
  • 積の項(借金あり×持ち家)を入れると、賃貸の人での効果は3.17、持ち家の人での効果は0.33になりました。積の項の係数は−2.84です。

積の項を入れて初めて、二つの集団の違いが見えてきます。賃貸の人での3.17は担保のない借金の真の効果3.0に近い値です。持ち家の人での0.33は、持ち家の人の借金のうち担保のない借金が15%しか含まれていないことを反映しています。

調整しただけのモデルの1.28はどちらの集団にも当てはまらない値です。このモデルの係数を「借金の効果」として報告すると、賃貸の人では害を過小に、持ち家の人では過大に伝えることになります。

単純傾斜分析で確かめる

積の項を入れたモデルから、調整変数の値ごとに説明変数の傾きを取り出して検定する方法を、単純傾斜分析(simple slope analysis)と呼びます。上の3.17と0.33は持ち家か賃貸かの値ごとに求めた「借金あり」の単純傾斜にあたります。

モデルを「苦痛 = b0 + b1×借金あり + b2×持ち家 + b3×借金あり×持ち家」と書くと、賃貸の人(持ち家=0)での傾きはb1、持ち家の人(持ち家=1)での傾きはb1+b3です。b1+b3の標準誤差は係数の分散共分散行列から√(Var(b1)+Var(b3)+2Cov(b1, b3))で求めます。b3の検定で分かるのは二つの傾きが違うかどうかで、持ち家の人での傾きが0と違うかは、この単純傾斜の検定で確かめます。

集団「借金あり」の傾き標準誤差95%信頼区間p値
賃貸3.170.112.95〜3.39<0.001
持ち家0.330.080.17〜0.49<0.001
持ち家と賃貸での「借金あり」の単純傾斜(架空のデータ)
3456789賃貸の傾き 3.17(95%信頼区間 2.95〜3.39)持ち家の傾き 0.33(95%信頼区間 0.17〜0.49)差 0.81差 3.65借金なし借金あり心理的苦痛(予測値)賃貸持ち家傾きの差 0.33−3.17=−2.84 が積の項の係数にあたる

持ち家の人での傾きも0とは言えませんが、大きさは賃貸の人の10分の1ほどです。持ち家の人の借金にも、担保のない借金が一部に混じっているためです。

説明変数と調整変数を入れ替えると、同じ交互作用を反対側から見ることもできます。借金がない人では、持ち家の人の苦痛は賃貸の人より0.81点低く、借金がある人では3.65点低くなります。この二つの差(−2.84)は積の項の係数と一致します。どちらの向きで示すかは研究の問いに合わせて選びます。

調整変数が所得や年齢のような連続量のときは、平均と平均±1標準偏差などの代表的な値で傾きを求めるか、傾きが有意になる調整変数の範囲を求めるジョンソン・ネイマン法を使います7。

借金額で見ると関連が逆になる

借金の有無の代わりに借金額を使うと、どうなるでしょうか。全員をまとめて、借金額で心理的苦痛を説明する回帰をすると、100万円あたりの係数は−0.03でした。借金が多いほど苦痛が小さいという、直感に反する結果です。

借金額の区分ごとの心理的苦痛の平均(借金がある人、架空のデータ)
024681050万未満50〜100万100〜300万300〜1000万1000〜2000万2000万以上賃貸持ち家借金額(借金がある人のみ)心理的苦痛の平均

区分ごとに見ると理由が分かります。賃貸の人の借金は数十万円から数百万円で、苦痛は8点前後です。持ち家の人の借金の多くは1,000万円を超える住宅ローンで、苦痛は4点台です。額の大きい人ほど住宅ローンの人が多くなるため、全体では右下がりの関連になります。

集団ごとに見た関連と、全体をまとめた関連が逆になる現象は、シンプソンのパラドックスとして知られています8。どちらの見方が正しいかは、データだけでは決まりません。ここでは、借金の種類が苦痛を生む仕組みを知っているので、集団に分けた見方が適切だと判断できます。

書類を二つのトレイに分けて整理する人

分析で何をするか

  1. 積の項を入れ、集団ごとの効果を示す。積の項の係数だけでなく、単純傾斜分析で持ち家の人と賃貸の人それぞれでの効果と信頼区間を表にします9。
  2. 借金の種類を測る。住宅ローン、自動車ローン、奨学金、消費者ローンを分けて尋ねれば、持ち家という目印に頼らずに済みます。
  3. 比率や返済の状況を見る。資産や所得に対する借金の比率4や、滞納の有無3は、苦痛との関連をより直接に表します。
  4. 尺度に注意する。積の項の有無は平均の差(加法スケール)で見るか、オッズ比(乗法スケール)で見るかで変わります。ロジスティック回帰を使うときは、両方のスケールで示すことが勧められています6,9。

シミュレーションのRのコードは次のとおりです。

set.seed(2026)
n <- 10000
own       <- rbinom(n, 1, 0.6)                                 # 1 = 持ち家
mortgage  <- ifelse(own == 1, rbinom(n, 1, 0.50), 0)          # 住宅ローン
unsecured <- rbinom(n, 1, ifelse(own == 1, 0.08, 0.25))        # 担保のない借金
debt      <- as.integer(mortgage == 1 | unsecured == 1)       # 調査で分かるのはこれだけ
k6        <- 4 + 1.0 * (1 - own) + 3.0 * unsecured + rnorm(n, 0, 3)

summary(lm(k6 ~ debt))          # 粗い関連
summary(lm(k6 ~ debt + own))    # 持ち家で調整
summary(lm(k6 ~ debt * own))    # 積の項を入れる

# 単純傾斜分析
m <- lm(k6 ~ debt * own)
b <- coef(m); V <- vcov(m)
b["debt"]                                  # 賃貸の人での傾き
b["debt"] + b["debt:own"]                  # 持ち家の人での傾き
sqrt(V["debt", "debt"] + V["debt:own", "debt:own"] + 2 * V["debt", "debt:own"])  # その標準誤差
summary(lm(k6 ~ debt * I(1 - own)))       # 基準を入れ替えると、debt の係数が持ち家の人での傾きになる

数値は乱数によって少し変わります。架空のデータなので、効果の大きさそのものには意味がありません。示したいのは、変数の中身が集団によって違うとき、分析の組み立てで結論が変わるという点です。

参考文献

  1. Richardson T, Elliott P, Roberts R. The relationship between personal unsecured debt and mental and physical health: a systematic review and meta-analysis. Clin Psychol Rev. 2013;33(8):1148-1162. https://doi.org/10.1016/j.cpr.2013.08.009
  2. Brown S, Taylor K, Wheatley Price S. Debt and distress: evaluating the psychological cost of credit. J Econ Psychol. 2005;26(5):642-663. https://doi.org/10.1016/j.joep.2005.01.002
  3. Taylor MP, Pevalin DJ, Todd J. The psychological costs of unsustainable housing commitments. Psychol Med. 2007;37(7):1027-1036. https://doi.org/10.1017/S0033291706009767
  4. Sweet E, Nandi A, Adam EK, McDade TW. The high price of debt: household financial debt and its impact on mental and physical health. Soc Sci Med. 2013;91:94-100. https://doi.org/10.1016/j.socscimed.2013.05.009
  5. Drentea P, Reynolds JR. Neither a borrower nor a lender be: the relative importance of debt and SES for mental health among older adults. J Aging Health. 2012;24(4):673-695. https://doi.org/10.1177/0898264311431304
  6. VanderWeele TJ, Knol MJ. A tutorial on interaction. Epidemiol Methods. 2014;3(1):33-72. https://doi.org/10.1515/em-2013-0005
  7. Preacher KJ, Curran PJ, Bauer DJ. Computational tools for probing interactions in multiple linear regression, multilevel modeling, and latent curve analysis. J Educ Behav Stat. 2006;31(4):437-448. https://doi.org/10.3102/10769986031004437
  8. Hernán MA, Clayton D, Keiding N. The Simpson's paradox unraveled. Int J Epidemiol. 2011;40(3):780-785. https://doi.org/10.1093/ije/dyr041
  9. Knol MJ, VanderWeele TJ. Recommendations for presenting analyses of effect modification and interaction. Int J Epidemiol. 2012;41(2):514-520. https://doi.org/10.1093/ije/dyr218