1 概要と基本概念
構造方程式モデリングは、観測データと直接観測しにくい潜在的概念との関係を、統計モデルとして同時に扱う方法である。複数の変数間の関連を一つの枠組みにまとめ、測定の誤差を考慮しながら、仮説の整合性を検討できる点に特徴がある。社会科学や行動科学を中心に、理論と実証を結びつける手段として広く用いられている。
1.1 定義
この手法は、測定モデルと構造モデルを組み合わせ、観測変数から潜在変数を推定し、さらに潜在変数どうしの関係を分析する統計的枠組みを指す。単一の回帰式に限らず、複数の方程式を連立させて扱えるため、複雑な理論構造を表現しやすい。
1.2 目的
主な目的は、理論上想定される因果的な関係や測定の妥当性をデータに照らして検討することである。加えて、複数の尺度をまとめて扱うことで、各変数に含まれる誤差を明示的に処理し、推定の精度を高めることができる。
1.3 他の統計手法との関係
構造方程式モデリングは、回帰分析、因子分析、経路分析の考え方を統合した発展形とみなされることが多い。個々の手法の長所を併せ持つ一方で、モデル設定の自由度が高いため、理論的な裏づけが重要になる。
1.3.1 回帰分析との違い
回帰分析は、通常、ある従属変数を説明変数で予測する関係に重点を置く。これに対して構造方程式モデリングでは、複数の従属関係を同時に扱い、しかも潜在変数を組み込めるため、より広いモデル化が可能である。
1.3.2 因子分析との違い
因子分析は、観測変数の背後にある共通因子を抽出することを目的とする。構造方程式モデリングでは、その考え方を測定モデルとして取り込みつつ、因子間の関係まで含めて検討する点が異なる。
1.3.3 経路分析との関係
経路分析は、観測変数間の直接的な関係を図式化して推定する方法である。構造方程式モデリングはこれを拡張し、潜在変数や測定誤差を組み込むことで、理論モデルをより柔軟に表現できる。
2 理論的基盤
この分析法の基礎には、観測できる数値の背後にある概念構造を明示的に扱うという考え方がある。変数の役割を整理し、どの要素が測定され、どの要素が推定されるのかを区別することが、モデルの設計において重要となる。
2.1 潜在変数
潜在変数は、直接測定できない心理特性、態度、能力、満足度のような概念を表す。複数の観測指標を通じて間接的に推定されるため、理論上の構成概念を扱うのに適している。
2.2 観測変数
観測変数は、実際に測定された回答、得点、記録値などである。潜在変数を表現する指標として使われることが多いが、単独でもモデルに組み込まれる場合がある。
2.3 誤差項
誤差項は、観測値に含まれる未説明部分を示す。測定誤差や偶然変動を表し、モデルの中で明示的に扱うことで、関係の推定をより現実に近づける役割を果たす。
2.4 因果関係の仮説
構造方程式モデリングでは、変数間の関係を単なる相関ではなく、方向性をもつ仮説として設定することが多い。ただし、統計的な推定結果は因果を自動的に証明するものではなく、理論と研究設計に依存する。
2.4.1 直接効果
直接効果は、ある変数が別の変数に媒介を介さず直接与える影響を指す。パス係数として表されることが多く、モデルの中心的な関係を構成する。
2.4.2 間接効果
間接効果は、中間変数を経由して生じる影響である。媒介関係を表す際に重要で、ある説明変数が最終結果へどう波及するかを示すのに役立つ。
2.4.3 総合効果
総合効果は、直接効果と間接効果を合わせた全体的な影響をいう。変数間の結びつきを総括的に理解するために用いられる。
3 モデルの構成
構造方程式モデリングでは、理論を数式と図式に置き換え、どの変数がどのように結びつくかを明示する。測定の部分と構造の部分を分けて考えることで、仮説のどの側面を検証しているかが明確になる。
3.1 測定モデル
測定モデルは、潜在変数と観測指標の関係を定義する部分である。尺度が適切に構成されているかを確認する役割を持ち、分析全体の基盤となる。
3.1.1 反映指標
反映指標は、潜在変数が観測値に反映されると考える指標である。心理尺度の多くはこの考え方に基づき、共通する背後概念の現れとして各項目を解釈する。
3.1.2 形成指標
形成指標は、複数の観測変数が集まって潜在概念を構成するとみなす指標である。反映型とは逆の発想であり、各指標の寄与が概念の定義に関わる。
3.2 構造モデル
構造モデルは、潜在変数どうし、あるいは観測変数を含む変数間の関係を定める部分である。説明と予測の骨格を与え、理論仮説がどのように組み立てられているかを表す。
3.3 パス図
パス図は、モデルを矢印と図形で示した表現である。変数の役割や因果方向を視覚的に整理でき、モデル全体の理解や共有を助ける。
3.4 仮説設定
仮説設定では、どの変数をモデルに含め、どのような関係を検証するかを決める。理論的根拠をもとに、分析可能な形へ具体化する作業が中心となる。
3.4.1 変数の選定
変数の選定では、研究目的に照らして必要な構成概念と指標を選ぶ。過不足のない設計が重要で、不要な変数の追加は解釈を複雑にする。
3.4.2 経路の設定
経路の設定は、どの変数からどの変数へ矢印を引くかを決める段階である。理論的な順序や媒介関係を踏まえ、仮定する作用の流れを明示する。
3.4.3 制約条件の設定
制約条件の設定では、特定の係数を固定したり、複数のパラメータに同じ値を課したりする。識別性の確保や理論仮説の表現に用いられる。
4 推定と計算
モデルを定めた後は、実際のデータに基づいてパラメータを求める。推定法の選択は結果に影響するため、データの性質や研究目的に応じて慎重に決める必要がある。
4.1 推定の考え方
推定では、観測された共分散構造とモデルが示す共分散構造のずれを最小化するように係数を求める。完全に一致しない場合でも、理論的に許容できる範囲で近似することが目標となる。
4.2 最尤法
最尤法は、観測データが得られる確率を最大にするパラメータを選ぶ手法である。標準的な推定法として広く使われ、条件が整えば効率的な推定が期待できる。
4.3 最小二乗法
最小二乗法は、モデルが予測する値と実測値の差の二乗和を小さくするように推定する。分布仮定が厳しくない場面で検討されることがあり、頑健な扱いと組み合わせることもある。
4.4 ベイズ推定
ベイズ推定は、事前分布とデータから得られる情報を統合して未知パラメータを推定する。小標本や複雑なモデルで有用なことがあり、事前知識を反映できる点に特徴がある。
4.5 標本サイズの考慮
標本の大きさは、推定の安定性や適合度の信頼性に直結する。モデルが複雑になるほど必要な事例数は増えやすく、設計段階での検討が欠かせない。
4.5.1 標本の十分性
標本の十分性は、推定に必要なデータ量が確保されているかを指す。小さすぎる場合、係数の不安定化や収束不良が起こりやすい。
4.5.2 欠測値の扱い
欠測値の扱いでは、単純な削除だけでなく、補完や尤度に基づく方法が検討される。欠測の発生機構によって、望ましい処理法は異なる。
5 モデル適合度
適合度は、モデルがデータをどの程度よく説明しているかを示す指標群である。単一の数値だけで判断せず、複数の指標や理論的妥当性を総合して評価することが求められる。
5.1 適合度指標の種類
適合度指標には、モデル全体のズレを示すもの、比較対象よりどれだけ改善したかを示すもの、複雑さを考慮するものがある。それぞれ役割が異なるため、組み合わせて用いるのが一般的である。
5.1.1 絶対適合度
絶対適合度は、モデル単独の当てはまりを評価する。観測された構造とモデル予測の一致度を直接的に見る指標が含まれる。
5.1.2 増分適合度
増分適合度は、基準となる単純モデルと比べてどれだけ改善したかを示す。提案モデルの相対的な優位性を判断する際に利用される。
5.1.3 簡約適合度
簡約適合度は、モデルの複雑さを抑えつつ適合を評価する。不要な自由度を増やしすぎないかを確認するうえで有用である。
5.2 解釈の方法
適合度の解釈では、数値の良し悪しだけでなく、理論との整合性や推定の安定性も見る必要がある。指標が良好でも、理論的に不自然なモデルは採用すべきではない。
5.3 モデル修正
モデル修正は、初期モデルの不適合を改善するために構造や誤差相関を見直す作業である。ただし、適合度向上を目的に修正を重ねると、理論的意味が薄れるおそれがある。
5.3.1 修正指標
修正指標は、特定の制約を緩めた場合に適合がどれだけ改善するかを示す。修正候補を探す手がかりになるが、機械的に採用するのは適切でない。
5.3.2 交差妥当化
交差妥当化は、修正したモデルを別の標本で検証する考え方である。偶然の当てはまりを避け、一般化可能性を確かめるために重要である。
6 データ前処理
分析の前段階では、データの性質を整え、推定に不都合な要因を確認する。前処理の質は結果に大きく影響するため、見落としを避けることが大切である。
6.1 尺度水準
尺度水準は、変数が名義尺度、順序尺度、間隔尺度、比例尺度のどれに当たるかを示す。適切な推定法や相関の扱いを選ぶための基礎情報となる。
6.2 正規性の確認
正規性の確認では、変数分布や残差の偏りを調べる。大きな歪みがあると、推定や適合度の評価に影響することがある。
6.3 外れ値の処理
外れ値は、他の観測値から大きく離れたデータである。入力ミスか真の特殊値かを見極めたうえで、必要に応じて処理方法を選ぶ。
6.4 欠測データの処理
欠測データは、質問未回答や記録欠落などによって生じる。欠測が無作為かどうかを考え、分析への影響を抑える方法を選択することが求められる。
6.5 共分散行列と相関行列
共分散行列と相関行列は、変数間の関係をまとめて表す基礎資料である。どちらを用いるかは変数の尺度や研究目的によって異なる。
7 妥当性と信頼性
測定がどの程度一貫しており、対象概念を適切に捉えているかは、構造方程式モデリングの重要な検討事項である。信頼性は安定性に、妥当性は意味の正しさに関わる。
7.1 信頼性の評価
信頼性の評価では、測定結果がどれほど安定しているかを確認する。尺度の項目群が同じ概念を一貫して反映しているかを把握するために行われる。
7.1.1 内的一貫性
内的一貫性は、尺度の各項目が互いにどの程度整合しているかを示す。まとまりのある項目群であれば、同一概念を測っている可能性が高い。
7.1.2 再検査信頼性
再検査信頼性は、同じ対象に時間を置いて同じ尺度を適用したときの安定性である。得点の再現性を見る際に用いられる。
7.2 妥当性の評価
妥当性の評価は、尺度やモデルが意図した概念を適切に表しているかを確認する。信頼性が高くても、目的概念を誤って測っていれば妥当とはいえない。
7.2.1 内容的妥当性
内容的妥当性は、尺度の項目が概念の主要な側面を十分に含んでいるかを示す。理論的定義との対応が重視される。
7.2.2 収束的妥当性
収束的妥当性は、同じ概念を表す指標どうしが高く関連する程度を指す。類似した測定が互いに近い結果を示すかで判断する。
7.2.3 弁別的妥当性
弁別的妥当性は、異なる概念が区別して測定されているかを示す。似た尺度同士でも、同一視できないことを確認する必要がある。
8 応用分野
構造方程式モデリングは、潜在的な態度や能力を扱う分野で特に有効である。理論モデルを検証しながら、複数の測定項目を統合できる点が広く評価されている。
8.1 心理学
心理学では、知能、動機づけ、抑うつ、満足度などの見えにくい特性の分析に用いられる。質問紙尺度の検証や、媒介関係の検討に適している。
8.2 教育学
教育学では、学習成果、学習意欲、授業評価、教育効果などの研究に使われる。学力テストと態度尺度を組み合わせた分析にも向いている。
8.3 経営学
経営学では、組織コミットメント、職務満足、リーダーシップ、顧客価値などを扱う。複数の構成概念が連鎖するモデルを検証しやすい。
8.4 マーケティング
マーケティングでは、ブランド態度、購買意図、顧客満足、ロイヤルティの関係を調べる。消費者の意識構造を理論的に整理する用途が多い。
8.5 社会学
社会学では、社会的支持、地位意識、価値観、参加行動などの分析に利用される。複合的な社会現象を、測定と構造の両面から検討できる。
8.6 公衆衛生学
公衆衛生学では、健康行動、生活の質、自己効力感、予防意識の研究に応用される。行動変容の要因を多段階で捉える際に役立つ。
9 結果の報告
分析結果の報告では、推定された値や適合度を読み手が再現可能な形で提示することが重要である。図や表を適切に使い、仮説との対応を明確に示す必要がある。
9.1 推定値の提示
推定値の提示では、係数、標準誤差、信頼区間などを明示する。どのパラメータがどの程度の大きさを持つかを確認できるようにする。
9.2 標準化係数
標準化係数は、変数の尺度をそろえて比較しやすくした値である。異なる単位の変数間で影響の強さを見比べる際に有用である。
9.3 有意性の検討
有意性の検討では、係数が偶然の変動で説明しにくいかを判断する。とはいえ、有意であることと実質的に重要であることは同義ではない。
9.4 図表による示し方
図表による示し方では、パス図、推定表、適合度一覧を組み合わせる。視覚的な整理により、モデルの全体像と主要結果を把握しやすくなる。
9.5 再現可能性の確保
再現可能性の確保には、使用したデータ処理、推定法、ソフトウェア設定、修正の経緯を明記することが含まれる。分析手順が追跡できれば、別の研究者による検証が容易になる。
10 限界と留意点
この方法は強力だが、万能ではない。統計的な当てはまりが良くても、理論の質やデータの条件が不十分なら、結論の信頼性は低下する。
10.1 因果推論の制約
構造方程式モデリングは因果関係を示唆できるが、観察研究だけでは因果を厳密に確定できない。時間順序、操作、交絡の管理など、研究設計上の条件が必要である。
10.2 モデルの過適合
過適合は、標本に合わせすぎた結果、別のデータでは再現しにくくなる状態である。修正指標に依存しすぎると、理論よりデータへの追随が強くなりやすい。
10.3 サンプル依存性
サンプル依存性は、推定結果や適合度が標本の特性に左右される性質をいう。異なる集団や時期で同じモデルが成立するとは限らない。
10.4 測定誤差の影響
測定誤差は、係数の過小評価や関係の歪みを招くことがある。モデル内で誤差を扱える点は利点だが、誤差の存在自体を完全に消すことはできない。
10.5 理論先行の重要性
理論先行の重要性は、分析の前に概念の定義と関係仮説を十分に練るべきだという点にある。統計手法は理論を置き換えるものではなく、仮説を検証するための道具として位置づけられる。