本記事は、筆者が独自に作成した解答・解説です。
統計検定の問題は、当サイトでは掲載していません。
統計検定の問題や公式の解説は、公式問題集をご参照ください。
『統計検定1級 公式問題集[2019~2022年]』をAmazonで見る
- 本記事は、統計検定の公式の解答・解説ではありません。
- 内容の正確性には配慮していますが、誤りが含まれている場合があります。
- 統計検定®は一般財団法人統計質保証推進協会の登録商標です。
解答
[1]
構造方程式モデリング(SEM)は、複数の変数の関係を連立方程式で表し、そこから得られる観測変数の分散・共分散がデータにどの程度合うかを調べる方法である。 直接測定できる観測変数だけでなく、能力や特性のように直接には測れない潜在変数を含めることもできる。 図では四角の\(y_1,\ldots,y_9\)が観測変数、楕円の\(f_1\), \(f_2\), \(f_3\)が潜在変数であり、小さな円の\(e_1,\ldots,e_{11}\)は各式で説明しきれない変動を表す誤差である。 この図では、潜在変数と観測変数を結ぶ部分を測定モデル、潜在変数どうしの関係を表す部分を構造モデルという。 例えば、\(f_1\)から\(y_1\)への矢印は、\(y_1=0.654f_1+e_1\)という測定モデルの式に対応する。 係数\(0.654\)は因子負荷量であり、\(y_1\)のうち\(f_1\)によって説明される部分を表す係数である。
標準解は、観測変数と潜在変数の分散を\(1\)とする尺度で係数を表したものであり、非標準解は元の尺度で係数を表したものである。 誤差分散は、標準化された変数について、各式で説明に使う変数から説明されずに残る分散を表す。 図では潜在変数\(f_1\), \(f_2\), \(f_3\)の分散がいずれも\(1\)であり、観測変数の分散もほぼ\(1\)になっている。 図の測定モデルでは\(f_1\)と\(e_1\)は無相関なので、表示された推定値を用いると \[ \begin{aligned} \operatorname{Var}(y_1)&=0.654^2\operatorname{Var}(f_1)+\operatorname{Var}(e_1) \\ &=0.654^2+0.572=0.999716\approx 1 \end{aligned} \] となる。 同様に、\(y_2\)から\(y_9\)の分散も、対応する因子負荷量の二乗と誤差分散の和として計算すると、表示値の丸めの範囲で\(1\)となる。 したがって、潜在変数と観測変数の分散を\(1\)に揃えた標準解と考えられる。
[2]
直接効果は他の変数を経由しない関係、間接効果は他の変数を経由する関係を表す。 \(f_1\)から\(f_2\)へ向かう矢印の係数が直接効果であるから、その推定値は\(0.640\)である。 標準解でのこの係数は、モデルの上で\(f_1\)が\(1\)標準偏差だけ変化すると、\(f_2\)が直接には\(0.640\)標準偏差だけ変化することを表す。 \(f_1\)から別の変数を経由して\(f_2\)へ至る有向経路はないので、間接効果の推定値は\(0\)である。 総合効果は直接効果と間接効果の和であり、その推定値は\(0.640+0=0.640\)となる。
[3]
\(f_1\)から\(f_3\)への直接効果の推定値は\(0.014\)である。 間接効果を与える有向経路は\(f_1\to f_2\to f_3\)のみであるから、その推定値は経路上の係数の積 \[ 0.640\times0.032=0.02048\approx 0.020 \] となる。 総合効果の推定値は \[ 0.014+0.02048=0.03448\approx 0.034 \] である。 ここで近似値は小数第3位まで丸めている。
経路に沿う係数を掛け、経路間で足す理由は、構造方程式への代入から確かめられる。 図より\(f_2=0.640f_1+e_{10}\)であるから、これを\(f_3\)の式に代入すると \[ \begin{aligned} f_3&=0.014f_1+0.032f_2+e_{11} \\ &=0.014f_1+0.032(0.640f_1+e_{10})+e_{11} \\ &=(0.014+0.032\times0.640)f_1+0.032e_{10}+e_{11} \end{aligned} \] となる。 \(f_1\)の係数のうち、\(0.014\)が直接効果、\(0.032\times0.640\)が\(f_2\)を経由する間接効果であり、その和が総合効果である。
[4]
モデル内の他の変数から矢印を受け、その値が式の左辺として説明される変数を内生変数という。 図の内生変数\(f_2\), \(f_3\)の構造方程式を成分ごとに書くと \[ \begin{aligned} f_2&=0.640f_1+e_{10} \\ f_3&=0.014f_1+0.032f_2+e_{11} \end{aligned} \] となる。 \(f_1\)は他の潜在変数から矢印を受けない外生変数なので、指定された\(\boldsymbol{f}=\boldsymbol{A}\boldsymbol{f}+\boldsymbol{e}\)の形では、\(\boldsymbol{A}\)の第1行を\(0\)とし、\(\boldsymbol{e}\)の第1成分を\(f_1\)とする。 したがって \[ \boldsymbol{A}= \begin{pmatrix} 0&0&0\\ 0.640&0&0\\ 0.014&0.032&0 \end{pmatrix}, \qquad \boldsymbol{e}= \begin{pmatrix} f_1\\ e_{10}\\ e_{11} \end{pmatrix} \] である。 \(\boldsymbol{A}\)の第\(i\)行第\(j\)列は\(f_j\)から\(f_i\)への係数を表し、第1行の式は\(f_1=f_1\)となる。
[5]
同値モデルとは、パスの向きなどの構造は異なっていても、母数を対応させることで同じ観測変数の分散共分散行列を表せるモデルである。 すなわち、モデルが許容する分散共分散行列の集合が等しく、特定のデータで推定値がたまたま一致するという意味ではない。 同値モデルは、どのデータに対しても共分散構造への適合度が同じになるため、その適合度だけでは区別できない。 パス図の矢印はモデルとして仮定した関係を表し、データへの適合がよいことだけでその因果の向きが証明されるわけではない。 モデルの構造や因果の向きを選ぶには、対象についての理論や変数間の時間的順序など、共分散以外の根拠が必要となる。