Editing Openai/69167928-aec4-800c-b8b5-08769bfaa2a1 (section)

=== 定量分析プラン（すぐ実行できる） — 手順と必要データ ===

短期的な相関だけで判断すると誤るため、下のような分析を推奨します。必要なら私が即座に実行します（データをウェブから取得→回帰・グラフ出力・CSV生成）。
# データ収集（月次）（可能期間：2018–2025年月次） - メーカー別新車販売（米国）月次（Toyota, Honda, Nissan, Subaru, Mazda, Lexus, Acura等）。※メーカー発表＋業界集計で揃える。 - サブプライム60日超延滞率（Fitch/Equifax/Equifaxの信用バンド別データ）。Reuters<ref>{{cite web|title=Reuters|url=https://www.reuters.com/business/autos-transportation/record-number-subprime-borrowers-miss-car-loan-payments-october-data-shows-2025-11-12/|publisher=reuters.com|access-date=2025-11-19}}</ref> - 中古車価格指数（Manheim/Black Book）。 - マクロ制御変数：30年物金利／政策金利（Fed Funds）／失業率／個人消費指数。
# 探索的分析：時系列プロット（販売台数 vs サブプライム延滞率）、相互相関（クロスコリログラム）でラグ関係を確認。
# 因果推論：ベクトル誤差修正モデル（VECM）またはVAR（ラグを入れて）で「どちらが先行しているか」を検定。Granger因果検定で方向性を見る。
# 回帰分析：メーカー別月次販売を従属変数、サブプライム延滞（lagged）、失業率、金利、在庫日数、Manheim指数を説明変数にするパネル回帰（固定効果）で感度を推定。
# ストレスシナリオ：延滞率＋1σ/＋2σが続いた場合の販売下押し幅をシミュレーション（感応度係数×ショック）。

成果物：時系列図、相互相関図、Granger検定結果、回帰表、ショックシミュレーション表（CSV/PNG/PDF）。