【統計検定1級】統計応用・人文科学 2021年 問3【解答】

最終更新:

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]

平均ベクトルを\(\boldsymbol{\mu}=\operatorname{E}[\boldsymbol{x}]\)とすると、因子分析のモデルは

\[ \boldsymbol{x}=\boldsymbol{\mu}+\boldsymbol{\Lambda}\boldsymbol{f}+\boldsymbol{\xi} \]

である。 ここで、\(\boldsymbol{f}\)は共通因子、\(\boldsymbol{\xi}\)は独自因子であり、\(\operatorname{E}[\boldsymbol{f}]=\boldsymbol{0}\), \(\operatorname{Var}(\boldsymbol{f})=\boldsymbol{I}_2\)とする。 モデルの期待値を取ると、\(\operatorname{E}[\boldsymbol{\xi}]=\boldsymbol{0}\)である。 また、共通因子と独自因子は無相関であり、独自因子どうしも無相関とする。 したがって、\(\operatorname{E}[\boldsymbol{f}\boldsymbol{\xi}^{T}]=\boldsymbol{0}\)であり、\(\operatorname{Var}(\boldsymbol{\xi})=\boldsymbol{\Psi}\)は対角行列である。 分散共分散行列は、交差項が\(\boldsymbol{0}\)になることから

\[ \begin{aligned} \operatorname{Var}(\boldsymbol{x}) &=\operatorname{E}[(\boldsymbol{\Lambda}\boldsymbol{f}+\boldsymbol{\xi}) (\boldsymbol{\Lambda}\boldsymbol{f}+\boldsymbol{\xi})^{T}] \\ &=\boldsymbol{\Lambda}\operatorname{E}[\boldsymbol{f}\boldsymbol{f}^{T}]\boldsymbol{\Lambda}^{T} +\boldsymbol{\Lambda}\operatorname{E}[\boldsymbol{f}\boldsymbol{\xi}^{T}] \\ &\quad +\operatorname{E}[\boldsymbol{\xi}\boldsymbol{f}^{T}]\boldsymbol{\Lambda}^{T} +\operatorname{E}[\boldsymbol{\xi}\boldsymbol{\xi}^{T}] \\ &=\boldsymbol{\Lambda}\boldsymbol{\Lambda}^{T}+\boldsymbol{\Psi} \end{aligned} \]

となる。 各変量の分散は\(1\)なので、この分散共分散行列が相関行列\(\boldsymbol{R}\)に一致する。

\(\boldsymbol{\Lambda}\boldsymbol{\Lambda}^{T}\)の各成分は、\(\boldsymbol{\Lambda}\)の対応する行どうしの内積で求められる。 例えば、第\((1,2)\)成分は\(0.7\times0.5+0.5\times0.7=0.70\)、第\((1,3)\)成分は\(0.7^2+0.5\times(-0.5)=0.24\)である。 行列を代入して計算すると、

\[ \begin{aligned} \boldsymbol{\Lambda}\boldsymbol{\Lambda}^{T} &=\begin{pmatrix} 0.7 & 0.5 \\ 0.5 & 0.7 \\ 0.7 & -0.5 \\ 0.5 & -0.7 \end{pmatrix} \begin{pmatrix} 0.7 & 0.5 & 0.7 & 0.5 \\ 0.5 & 0.7 & -0.5 & -0.7 \end{pmatrix} \\ &=\begin{pmatrix} 0.74 & 0.70 & 0.24 & 0 \\ 0.70 & 0.74 & 0 & -0.24 \\ 0.24 & 0 & 0.74 & 0.70 \\ 0 & -0.24 & 0.70 & 0.74 \end{pmatrix} \end{aligned} \]

となる。 \(\boldsymbol{\Psi}\)は対角行列なので、\(\boldsymbol{R}\)の非対角成分は\(\boldsymbol{\Lambda}\boldsymbol{\Lambda}^{T}\)と同じである。 また、各変量の分散は\(1\)なので、求める相関行列は

\[ \boldsymbol{R}=\boldsymbol{\Lambda}\boldsymbol{\Lambda}^{T}+\boldsymbol{\Psi} =\begin{pmatrix} 1 & 0.70 & 0.24 & 0 \\ 0.70 & 1 & 0 & -0.24 \\ 0.24 & 0 & 1 & 0.70 \\ 0 & -0.24 & 0.70 & 1 \end{pmatrix} \]

となる。 この結果から、独自因子の分散はいずれも\(1-0.74=0.26\)であり、\(\boldsymbol{I}_4\)を\(4\)次単位行列として\(\boldsymbol{\Psi}=0.26\boldsymbol{I}_4\)である。

[2]

\(\boldsymbol{\Lambda}\)の各列の二乗和はいずれも\(2\times(0.7^2+0.5^2)=1.48\)であり、2つの列の内積は

\[ 0.7\times0.5+0.5\times0.7 +0.7\times(-0.5)+0.5\times(-0.7)=0 \]

である。 よって、

\[ \boldsymbol{\Lambda}^{T}\boldsymbol{\Lambda} =\begin{pmatrix} 1.48 & 0 \\ 0 & 1.48 \end{pmatrix} \]

となる。 一般に、実行列\(\boldsymbol{A}\)に対して、\(\boldsymbol{A}^{T}\boldsymbol{A}\)と\(\boldsymbol{A}\boldsymbol{A}^{T}\)のゼロでない固有値は、重複度も含めて一致することが知られている。 実際、\(\lambda\ne0\)に対して\(\boldsymbol{A}^{T}\boldsymbol{A}\boldsymbol{u}=\lambda\boldsymbol{u}\)をみたすベクトル\(\boldsymbol{u} \neq \boldsymbol{0}\)を取ると、\(\boldsymbol{A}\boldsymbol{u}\ne\boldsymbol{0}\)であり、

\[ (\boldsymbol{A}\boldsymbol{A}^{T})(\boldsymbol{A}\boldsymbol{u}) =\boldsymbol{A}(\boldsymbol{A}^{T}\boldsymbol{A}\boldsymbol{u}) =\lambda(\boldsymbol{A}\boldsymbol{u}) \]

となる。 また、\(\boldsymbol{A}\boldsymbol{A}^{T}\boldsymbol{v}=\lambda\boldsymbol{v}\)から\(\boldsymbol{A}^{T}\boldsymbol{v}\)が\(\boldsymbol{A}^{T}\boldsymbol{A}\)の同じゼロでない固有値の固有ベクトルとなる。

この問題では\(\boldsymbol{\Lambda}^{T}\boldsymbol{\Lambda}\)の固有値が\(1.48\)(2重)なので、\(\boldsymbol{\Lambda}\boldsymbol{\Lambda}^{T}\)の非零固有値も\(1.48\)(2重)である。 実際、

\[ (\boldsymbol{\Lambda}\boldsymbol{\Lambda}^{T})\boldsymbol{\Lambda} =\boldsymbol{\Lambda}(\boldsymbol{\Lambda}^{T}\boldsymbol{\Lambda}) =1.48\boldsymbol{\Lambda} \]

であるから、\(\boldsymbol{\Lambda}\)の互いに直交する2つの列が、固有値\(1.48\)に対応する固有ベクトルである。 \(\boldsymbol{\Lambda}\boldsymbol{\Lambda}^{T}\)は\(4\)次の行列なので、残る2つの固有値は\(0\)となり、固有値は

\[ 1.48,\quad 1.48,\quad 0,\quad 0 \]

である。

[1]より\(\boldsymbol{R}=\boldsymbol{\Lambda}\boldsymbol{\Lambda}^{T}+0.26\boldsymbol{I}_4\)なので、\(\boldsymbol{\Lambda}\boldsymbol{\Lambda}^{T}\boldsymbol{v}=\lambda\boldsymbol{v}\)をみたす固有ベクトル\(\boldsymbol{v}\)に対して

\[ \boldsymbol{R}\boldsymbol{v}=(\lambda+0.26)\boldsymbol{v} \]

が成り立つ。 よって、\(\boldsymbol{R}\)の固有値は

\[ 1.74,\quad 1.74,\quad 0.26,\quad 0.26 \]

である。

[3]

第1、第2変量では2つの因子負荷量がともに正で大きさが近く、第3、第4変量では符号が反対で大きさが近い。 この2群がそれぞれ異なる因子に大きく負荷するように回転する。 回転行列と回転後の因子負荷量行列を

\[ \boldsymbol{T}(\theta)= \begin{pmatrix} \cos\theta & \sin\theta \\ -\sin\theta & \cos\theta \end{pmatrix}, \qquad \boldsymbol{\Lambda}_{*}=\boldsymbol{\Lambda}\boldsymbol{T}(\theta) \]

とする。 \(\boldsymbol{\Lambda}\)の各行に\(\boldsymbol{T}(\theta)\)を右から掛けると、

\[ \boldsymbol{\Lambda}_{*}= \begin{pmatrix} 0.7\cos\theta-0.5\sin\theta & 0.7\sin\theta+0.5\cos\theta \\ 0.5\cos\theta-0.7\sin\theta & 0.5\sin\theta+0.7\cos\theta \\ 0.7\cos\theta+0.5\sin\theta & 0.7\sin\theta-0.5\cos\theta \\ 0.5\cos\theta+0.7\sin\theta & 0.5\sin\theta-0.7\cos\theta \end{pmatrix} \]

となる。 第1、第2変量では\(\boldsymbol{\Lambda}_{*}\)の第1列の負荷量を、第3、第4変量では第2列の負荷量を小さくする。 第3行、第4行の第2列は、それぞれ第2行、第1行の第1列の符号を変えたものなので、これら4成分の二乗和は

\[ \begin{aligned} S(\theta) &=2\bigl\{(0.7\cos\theta-0.5\sin\theta)^2 +(0.5\cos\theta-0.7\sin\theta)^2\bigr\} \\ &=2\bigl\{0.74(\cos^2\theta+\sin^2\theta) -1.40\sin\theta\cos\theta\bigr\} \\ &=1.48-1.40\sin(2\theta) \end{aligned} \]

である。

これは\(\sin(2\theta)=1\)のときに最小値\(0.08\)をとるので、\(\theta=\pi/4\)とすればよい。 したがって、求める回転行列の一つは

\[ \boldsymbol{T}=\frac{1}{\sqrt{2}} \begin{pmatrix} 1 & 1 \\ -1 & 1 \end{pmatrix} \]

であり、回転後の因子負荷量行列は

\[ \begin{aligned} \boldsymbol{\Lambda}_{*} &=\begin{pmatrix} 0.7 & 0.5 \\ 0.5 & 0.7 \\ 0.7 & -0.5 \\ 0.5 & -0.7 \end{pmatrix} \frac{1}{\sqrt{2}} \begin{pmatrix} 1 & 1 \\ -1 & 1 \end{pmatrix} \\ &=\frac{1}{\sqrt{2}} \begin{pmatrix} 0.2 & 1.2 \\ -0.2 & 1.2 \\ 1.2 & 0.2 \\ 1.2 & -0.2 \end{pmatrix} \end{aligned} \]

となる。 各変量では一方の負荷量の絶対値が\(1.2/\sqrt{2}\approx 0.85\)、他方が\(0.2/\sqrt{2}\approx 0.14\)となり、2群に分かれた単純構造に最も近づく。

図の「第\(i\)変量」の点は、問題文の\(x_i\)の因子負荷量、すなわち\(\boldsymbol{\Lambda}\)の第\(i\)行を座標とする点であり、灰色の横軸・縦軸は\(\boldsymbol{\Lambda}\)の第1列・第2列の負荷量を表す。 \(\boldsymbol{\Lambda}_{*}\)の第\((i,k)\)成分は、\(\boldsymbol{\Lambda}\)の第\(i\)行と\(\boldsymbol{T}\)の第\(k\)列の内積である。 \(\boldsymbol{T}\)の第1列\((1,-1)^{T}/\sqrt{2}\)と第2列\((1,1)^{T}/\sqrt{2}\)は、もとの横軸と縦軸の向きを時計回りに\(45^\circ\)回転した単位ベクトルである。 したがって、この内積は点を色付きの軸へ正射影した座標であり、橙の軸上の座標が\(\boldsymbol{\Lambda}_{*}\)の第1列、青の軸上の座標が第2列の負荷量になる。 青で示した第1、第2変量の点は青の軸をはさんで対称な位置にあり、軸までの破線の長さ\(0.2/\sqrt{2}\)が第1列の負荷量の絶対値である。 橙で示した第3、第4変量の点と橙の軸についても同様である。 4つの点から近い方の色付きの軸までの距離(破線)はいずれも\(0.2/\sqrt{2}\)であり、その二乗和が\(S(\pi/4)=0.08\)である。 軸を\(45^\circ\)の位置から少し回すと、同じ群の一方の点は軸に近づき、他方は遠ざかるが、距離の二乗和\(S(\theta)\)は大きくなる。

灰色の軸:横軸は\(\boldsymbol{\Lambda}\)の第1列、縦軸は第2列。

橙の軸:\(\boldsymbol{\Lambda}_{*}\)の第1列。 青の軸:\(\boldsymbol{\Lambda}_{*}\)の第2列。

因子の順序や列全体の符号を変えても同じ単純構造を表す。 また、回転後の共通因子を\(\boldsymbol{f}_{*}=\boldsymbol{T}^{T}\boldsymbol{f}\)とすると、\(\boldsymbol{T}\boldsymbol{T}^{T}=\boldsymbol{I}_2\)より\(\boldsymbol{\Lambda}_{*}\boldsymbol{f}_{*}=\boldsymbol{\Lambda}\boldsymbol{f}\)、\(\operatorname{Var}(\boldsymbol{f}_{*})=\boldsymbol{T}^{T}\boldsymbol{T}=\boldsymbol{I}_2\)である。 \(\boldsymbol{\Lambda}_{*}\)の第\(k\)列は\(\boldsymbol{f}_{*}\)の第\(k\)成分への負荷量であり、\(\boldsymbol{\Lambda}_{*}\boldsymbol{\Lambda}_{*}^{T}=\boldsymbol{\Lambda}\boldsymbol{\Lambda}^{T}\)なので相関行列は変わらない。

[4]

この問題では各変量の分散が\(1\)に標準化されているので、全分散は\(4\)である。 共通因子の分散が\(1\)で互いに無相関であるこの因子分析モデルでは、第\(k\)因子によって説明される各変量の分散の和は、因子負荷量行列の第\(k\)列の二乗和である。 これを全分散\(4\)で割ったものが、第\(k\)因子の寄与率である。 [2]より各列の二乗和は\(1.48\)なので、2因子の累積寄与率は

\[ \frac{1.48+1.48}{4}=0.74 \]

である。

主成分分析では、\(\boldsymbol{R}\)の固有値を大きい順に用いる。 上位2つの固有値はいずれも\(1.74\)なので、2主成分の累積寄与率は

\[ \frac{1.74+1.74}{4}=0.87 \]

である。

どちらも全分散\(4\)で割るが、因子分析の累積寄与率の分子は共通因子によって説明される分散であるのに対し、主成分分析の分子は\(\boldsymbol{R}\)の上位2つの固有値の和であり、独自因子による分散も含む。 この問題では\(\boldsymbol{\Psi}=0.26\boldsymbol{I}_4\)なので、主成分分析の上位2つの固有値には、共通因子による分散\(1.48\)に独自因子による分散\(0.26\)がそれぞれ加わっている。 したがって、主成分分析の2主成分の累積寄与率は\(0.87\)であり、因子分析の2因子の累積寄与率\(0.74\)より、次の値だけ大きくなる。

\[ 0.87-0.74=\frac{2\times0.26}{4}=0.13 \]