1 基本概念
交互作用項は、ある説明変数の影響が、別の説明変数の値や区分によって変わる場合に導入されるモデル要素である。単独の効果を表す主効果だけでは説明しにくい、条件付きの関係や組み合わせによる増幅・減弱を扱うために用いられる。統計学では、現象が「どの変数にどれだけ依存するか」を記述する手段として重要である。
1.1 定義
交互作用項とは、二つ以上の変数が同時に関係するときに生じる追加的な効果を表す項である。典型的には、変数の積としてモデルに組み込まれる。たとえば、Aの効果がBの水準によって変化するなら、A、Bに加えてA×Bを入れることで、その変化を表現できる。
1.2 主効果との関係
主効果は、他の変数の影響を平均化したうえでの個別の寄与を表す。一方、交互作用項は、その寄与が相手の変数に応じてどのように変わるかを示す。交互作用がある場合、主効果は「全体に共通する傾向」にとどまり、局所的な振る舞いは交互作用項によって補われる。
1.3 交互作用の種類
交互作用は、効果の測り方によっていくつかに分けられる。代表的なのは、差として捉える加法的交互作用と、比として捉える乗法的交互作用である。どちらを重視するかは、研究分野や解釈したい尺度によって異なる。
1.3.1 加法的交互作用
加法的交互作用は、二つの要因を同時に持つことで、個々の効果を足し合わせた場合と比べてどれだけずれるかに注目する。公衆衛生や疫学などでは、リスク差の観点から扱われることが多い。効果の上乗せや相殺を直感的に示しやすい。
1.3.2 乗法的交互作用
乗法的交互作用は、個別効果の積からどの程度外れるかを見る考え方である。比率尺度を使うモデル、特に対数リンクを伴う枠組みと相性がよい。効果が相互に強め合うか、逆に抑え合うかを比の変化として捉えられる。
2 数学的表現
交互作用項は、数式では通常、説明変数同士の積として現れる。カテゴリ変数を含む場合は、ダミー変数や指示変数を用いて表現する。こうした記法により、モデルは単調な直線では表せない構造を持つデータにも対応できる。
2.1 回帰モデルにおける表記
線形回帰では、しばしば y = β0 + β1x1 + β2x2 + β3x1x2 + ε の形で書かれる。ここでx1x2が交互作用項であり、β3がその強さを示す。β3が0でないとき、x1の傾きはx2の値によって変化する。
2.2 分散分析における表記
分散分析では、要因Aと要因Bの組み合わせによる平均の変化を交互作用として表す。二要因分散分析では、A、B、A×Bの効果を分けて検討する。これにより、各要因が独立に働くのか、それとも組み合わせで結果が変わるのかを判定しやすい。
2.3 変数の積による表現
連続変数同士の場合、交互作用項は単純な積で作ることが多い。カテゴリ変数が関わるときは、複数のダミー変数を用いて対応する積を作成する。前処理の方法によって数値の見え方は変わるが、中心的な考え方は「一方の変数の効果を他方で修飾する」点にある。
3 統計モデルでの利用
交互作用項は、多くの統計モデルで柔軟性を高めるために導入される。特に、説明変数の影響が一様でない場面では、単独の効果だけでは不十分である。モデルに交互作用を加えることで、観測されたパターンをより忠実に再現できる。
3.1 線形回帰
線形回帰では、傾きが一定でない関係を表すために交互作用が用いられる。たとえば、学習時間の効果が年齢によって異なる場合、両者の積を入れることでその差を示せる。結果として、ある変数の増加が別の変数の条件下でどの程度効くかを推定できる。
3.2 ロジスティック回帰
ロジスティック回帰では、目的変数が二値であっても交互作用を扱える。ここでは、ある要因が発生確率に与える影響が他の要因で変わる状況を表現する。推定結果はオッズ比の変化として解釈されることが多い。
3.3 一般化線形モデル
一般化線形モデルでは、応答変数の分布に応じてさまざまなリンク関数を選べるため、交互作用の適用範囲が広い。計数データ、割合データ、二値データなどにも対応しやすい。変数の組み合わせが結果の尺度にどう現れるかを整理する際に役立つ。
3.4 分散分析
分散分析では、交互作用は群ごとの平均差が別の要因で変わるかを確認する中心的な要素である。主効果だけでは見落とされる関係が、交互作用の検定によって明らかになることがある。特に実験計画法では、要因配置の理解に欠かせない。
4 解釈と注意点
交互作用項は有用だが、解釈を誤ると結論が不安定になる。主効果と交互作用は切り離せない場合が多く、どの基準点を取るかでも意味が変わる。実務では、推定値だけでなく、予測値や図示を併用して読むことが望ましい。
4.1 係数の解釈
交互作用の係数は、他の変数が1単位変化したときに傾きがどれだけ変わるかを示すことが多い。ただし、変数の尺度や符号の取り方で意味は変化する。したがって、係数単独ではなく、周辺効果や条件付き効果として解釈するほうが適切である。
4.2 交互作用の有無の判定
交互作用の有無は、係数の推定値や検定統計量、モデル比較によって判断する。実際には、統計的有意性だけでなく、効果の大きさや実質的な重要性も確認する必要がある。サンプルサイズが大きいと小さな差でも検出されやすいため、解釈には注意が要る。
4.3 変数中心化の影響
連続変数を中心化すると、交互作用項そのものは変わらなくても、主効果の解釈がしやすくなる場合がある。基準点が平均値付近へ移るため、係数がより自然な意味を持つことがある。ただし、中心化は交互作用の存在自体を消すものではない。
4.4 多重共線性との関係
交互作用項を入れると、元の変数との相関が高くなり、多重共線性が強まることがある。これにより、係数推定のばらつきが増える場合がある。診断には分散膨張係数などが使われるが、共線性があるからといって交互作用をただちに除くべきとは限らない。
5 応用例
交互作用項は、複数の条件が同時に結果へ影響する場面で広く使われる。単純な平均差や直線関係では把握しにくい現象を、より細やかに記述できる点が利点である。研究分野ごとに、強調される尺度や解釈の枠組みは異なる。
5.1 社会科学での応用
社会科学では、教育、所得、性別、年齢などが組み合わさって態度や行動に影響するかを調べる際に用いられる。ある政策の効果が集団ごとに異なる場合、その差を交互作用で示せる。社会的条件による影響の違いを明らかにするための基本的な道具である。
5.2 自然科学での応用
自然科学では、温度と圧力、濃度と時間のように、複数の物理量が相互に作用する事象を表すのに使われる。反応速度や測定値が一方の条件で変わるとき、交互作用項が説明力を高める。実験条件の組み合わせ効果を整理する際にも有効である。
5.3 医学・生物統計での応用
医学や生物統計では、治療法の効果が患者属性や併用薬によって変わる場合に交互作用が重要になる。薬剤と遺伝的背景、介入と年齢層の組み合わせなどが典型例である。個別化医療の分析では、こうした相違を捉えるために広く利用される。
5.4 工学・経済学での応用
工学では、材料特性と環境条件の組み合わせが性能に及ぼす影響を評価するのに使われる。経済学では、政策変数と景気指標、価格と所得水準のような関係を調べる際に役立つ。どちらの分野でも、要因が独立に働くとは限らないため、交互作用は実務上の説明力を高める。