「あんたはここでふゆと死ぬのよ」ミームは冬優子の人気に影響したのか？
はじめに
アイマス界隈では時々アイドルがおもちゃにされてインターネットミームになる。
これについての良し悪しはここでは議論しないが、これらのインターネットミームとしての流行がアイドル自体の人気に影響を及ぼしているかを今回検証する。
リサーチクエスチョン：インターネットミームとしての流行がゲーム内におけるアイドル自体の人気に影響を及ぼしているか
シャニマスエアプだと思われると嫌なので一応プロフィールを貼っておきます。
ファン数10億称号持ってないやつはエアプとかグレ7常駐以外はエアプと言われたら反論はできないです。
検証方法
今回はPカップの各順位（10位、100位、1000位、3000位）ボーダーが「あんたはここでふゆと死ぬのよ」ミーム及び「ふゆたちは空中戦じゃ分が悪すぎるでしょ……！」の流行の前後で変化しているかをDID(Difference in Difference)を利用して検証する。
DIDを利用した過去記事はこちら
Q.人気を示す指標としてPカップのボーダーを採用したのはなぜ？
A.流行が"ゲームをプレイするP"からの人気に影響を及ぼしているかを確かめたいから。
例えばPixivのタグ投稿数なども人気の指標として挙げられると思われるが、イラストに関しては"ゲームをプレイせずにTLを追うだけのP"も描けるという点から今回の指標に適していないと考えた。
データセット
各アイドルの2周年Pカップ（2020年4月開催）各順位ボーダー
各アイドルの2.5周年Pカップ（2020年10月開催）各順位ボーダー
Pixiv百科事典で「あんたはここでふゆと死ぬのよ」のデータを見る限り流行は2020年9月からであり、「ふゆたちは空中戦じゃ分が悪すぎるでしょ……！」発言が出たゴシップ・キャンディ-魔法の本とおかしな食べ物も10月開催のため2周年Pカップ以後、2.5周年Pカップ以前に流行したと考え前後比較のため上記2回のPカップのデータを利用した。
分析
目的変数：各アイドルの各順位ボーダーの対数をとったもの
説明変数：前後ダミー（2周年のボーダーの場合0、2.5周年のボーダーの場合1)、ミームダミー（冬優子のみ1、他アイドルは0）、ストレイライトダミー（ストレイライトの3人のみ1、他ユニットのアイドルは0）、限定登場ダミー（2周年～2.5周年の間で限定PSSRが出ている場合1、それ以外は0）、ランク（10位ボーダーの場合1、100位ボーダーの場合2、1000位ボーダーの場合3、3000位ボーダーの場合4）、DIDミームダミー（ミームダミー×前後ダミー）、DIDストレイライトダミー（ストレイライトダミー×前後ダミー）、DID限定登場ダミー（限定登場ダミー×前後ダミー）
モデル1:前後ダミー、ミームダミー、DIDミームダミー、限定登場ダミー、DID限定登場ダミー、ランク
モデル2:前後ダミー、ストレイライトダミー、DIDストレイライトダミー、限定登場ダミー、DID限定登場ダミー、ランク
モデル3:前後ダミー、ミームダミー、DIDミームダミー、ランク
モデル4:前後ダミー、ストレイライトダミー、DIDストレイライトダミー、ランク
Q.ボーダーの値の対数をとったのはなぜ？
A.対数とったらランク4つが線形に並んでてキレイだったから（4つのランクをダミー変数にするのが面倒くさかった）
Q.限定登場ダミーを入れたのはなぜ？
A.強い限定PSSRが出ると周回が安定してボーダーが上がると考えられるから
Q.ストレイライトダミーとミームダミー（及び各DIDダミー）を一緒にしないのはなんで？
A.独立じゃないから。ちなみにストレイライトダミーを入れた理由はシャニマスはユニットメインなのでユニットのアイドルの人気が出る→ユニットの人気が出るにつながる可能性を考えたから
並行トレンド仮定の確認
大体右肩下がりなので並行トレンドを仮定しても問題ないと思われる。（適当）
→本来は1.5周年から2周年の変化を見るべきですね。
結果
モデル1
OLS Regression Results
==============================================================================
Dep. Variable: border_log R-squared: 0.954
Model: OLS Adj. R-squared: 0.952
Method: Least Squares F-statistic: 610.3
Date: Thu, 18 Feb 2021 Prob (F-statistic): 2.05e-115
Time: 12:36:42 Log-Likelihood: -135.13
No. Observations: 184 AIC: 284.3
Df Residuals: 177 BIC: 306.8
Df Model: 6
Covariance Type: nonrobust
================================================================================
coef std err t P>|t| [0.025 0.975]
--------------------------------------------------------------------------------
const 22.8274 0.106 214.591 0.000 22.617 23.037
time -0.3514 0.091 -3.866 0.000 -0.531 -0.172
limited -0.0607 0.123 -0.493 0.623 -0.304 0.182
DID(limited) 0.2569 0.174 1.476 0.142 -0.087 0.600
meme 0.2783 0.278 1.002 0.318 -0.270 0.826
DID(meme) 0.1431 0.393 0.364 0.716 -0.632 0.918
rank_l -2.0459 0.034 -60.343 0.000 -2.113 -1.979
==============================================================================
Omnibus: 1.931 Durbin-Watson: 0.953
Prob(Omnibus): 0.381 Jarque-Bera (JB): 1.933
Skew: -0.191 Prob(JB): 0.380
Kurtosis: 2.673 Cond. No. 35.4
==============================================================================
Warnings:
[1] Standard Errors assume that the covariance matrix of the errors is correctly specified.
モデル2
OLS Regression Results
==============================================================================
Dep. Variable: border_log R-squared: 0.954
Model: OLS Adj. R-squared: 0.952
Method: Least Squares F-statistic: 607.3
Date: Thu, 18 Feb 2021 Prob (F-statistic): 3.12e-115
Time: 12:43:28 Log-Likelihood: -135.57
No. Observations: 184 AIC: 285.1
Df Residuals: 177 BIC: 307.6
Df Model: 6
Covariance Type: nonrobust
================================================================================
coef std err t P>|t| [0.025 0.975]
--------------------------------------------------------------------------------
const 22.8249 0.107 213.033 0.000 22.613 23.036
time -0.3489 0.092 -3.805 0.000 -0.530 -0.168
limited -0.0298 0.123 -0.243 0.808 -0.272 0.212
DID(limited) 0.1556 0.189 0.822 0.412 -0.218 0.529
rank_l -2.0459 0.034 -60.199 0.000 -2.113 -1.979
stray 0.0396 0.168 0.237 0.813 -0.291 0.370
DID(stray) 0.2650 0.258 1.025 0.307 -0.245 0.775
==============================================================================
Omnibus: 2.683 Durbin-Watson: 0.995
Prob(Omnibus): 0.261 Jarque-Bera (JB): 2.673
Skew: -0.248 Prob(JB): 0.263
Kurtosis: 2.680 Cond. No. 23.8
==============================================================================
Warnings:
[1] Standard Errors assume that the covariance matrix of the errors is correctly specified.
モデル3
OLS Regression Results
==============================================================================
Dep. Variable: border_log R-squared: 0.953
Model: OLS Adj. R-squared: 0.952
Method: Least Squares F-statistic: 910.8
Date: Thu, 18 Feb 2021 Prob (F-statistic): 8.92e-118
Time: 12:44:06 Log-Likelihood: -136.56
No. Observations: 184 AIC: 283.1
Df Residuals: 179 BIC: 299.2
Df Model: 4
Covariance Type: nonrobust
==============================================================================
coef std err t P>|t| [0.025 0.975]
------------------------------------------------------------------------------
const 22.8109 0.101 225.487 0.000 22.611 23.010
time -0.2814 0.078 -3.622 0.000 -0.435 -0.128
meme 0.2342 0.263 0.889 0.375 -0.286 0.754
DID(meme) 0.3299 0.373 0.885 0.377 -0.405 1.065
rank_l -2.0459 0.034 -60.211 0.000 -2.113 -1.979
==============================================================================
Omnibus: 1.239 Durbin-Watson: 0.940
Prob(Omnibus): 0.538 Jarque-Bera (JB): 1.340
Skew: -0.172 Prob(JB): 0.512
Kurtosis: 2.762 Cond. No. 32.9
==============================================================================
Warnings:
[1] Standard Errors assume that the covariance matrix of the errors is correctly specified.
モデル4
OLS Regression Results
==============================================================================
Dep. Variable: border_log R-squared: 0.953
Model: OLS Adj. R-squared: 0.952
Method: Least Squares F-statistic: 916.7
Date: Thu, 18 Feb 2021 Prob (F-statistic): 5.12e-118
Time: 12:44:33 Log-Likelihood: -135.99
No. Observations: 184 AIC: 282.0
Df Residuals: 179 BIC: 298.1
Df Model: 4
Covariance Type: nonrobust
==============================================================================
coef std err t P>|t| [0.025 0.975]
------------------------------------------------------------------------------
const 22.8175 0.102 222.991 0.000 22.616 23.019
time -0.3163 0.081 -3.894 0.000 -0.477 -0.156
rank_l -2.0459 0.034 -60.398 0.000 -2.113 -1.979
stray 0.0272 0.159 0.171 0.864 -0.287 0.341
DID(stray) 0.3780 0.225 1.681 0.095 -0.066 0.822
==============================================================================
Omnibus: 2.649 Durbin-Watson: 0.993
Prob(Omnibus): 0.266 Jarque-Bera (JB): 2.666
Skew: -0.253 Prob(JB): 0.264
Kurtosis: 2.698 Cond. No. 20.1
==============================================================================
Warnings:
[1] Standard Errors assume that the covariance matrix of the errors is correctly specified.
お分かりの通り、統計的に有意に影響が示されたのは前後ダミー(time)とランク(rank_l)の2つのみである。
よってインターネットミームとしての流行がゲーム内におけるアイドル自体の人気に影響を及ぼしているとは言えないことが分かった。
（余談ですが、介入前後のダミーってみんなどう記載しているのでしょうか？）
Q.つまりネットで流行しても人気は増えないってこと？
A.違います。「流行が人気に影響するとは言えない≠流行は人気に影響しない」です。
Q.じゃぁ今回の分析でいえることは？
A.2周年より2.5周年Pカップの方が平均的にボーダーが低かった。
結論
インターネットミームとしての流行がゲーム内におけるアイドル自体の人気に影響を及ぼしているとは言えない
感想
上の分析やった後、10位ボーダーの値を外したデータでも同じ分析しましたが結果は同じでした。データ見ると冬優子は100位ボーダー以外はボーダー上がってるのでいい結果が出るかと思いきや、統計的には示せませんでした。
有意水準90%という甘めの値だとモデル4でストレイに対して+の影響があると言えはしますが、モデル2では全然有意じゃないのでこれをもって影響があるというのはダメな気がします。
まぁ今回の分析は再現超簡単なので誰か他の変数入れるとか改善案あったらやってみてください。
あとTwitterにも書きましたが、お気持ち表明に対して「言っていることは分かるが言い方が良くない」というのはトーンポリシングなのでやめた方がいいと思います。
例の冬優子のnoteに対してトーンポリシングが行われているの非常に良くない。言いたいことは分かるが言い方が悪いというのは論点ずらしですよ。
— ☔IHALA☂️ (@VoiIa_VioIa) 2021年2月18日
個人的には「誤った認識が担当アイドルへの入り口になってほしくない」という感情は理解できますし。