mplus による構造方程式モデリング
DESCRIPTION
Mplus による構造方程式モデリング. 科学技術振興機構 尾崎幸謙. Mplus とは. 開発者は Bengt Muthen と Linda Muthen 構造方程式モデリング用のソフトウェア パス解析 確認的因子分析・探索的因子分析 平均構造・潜在曲線モデル 多母集団解析 潜在構造分析 2 段抽出モデル 潜在変数の非線形・交互作用モデル (f 2 , f 1 f 2 ) 非線形制約 順序カテゴリカルデータ・名義データ・計数データ・打ち切りデータ これらを混ぜて使うことが可能. 講習会の流れ. Mplus とは - PowerPoint PPT PresentationTRANSCRIPT
Mplus による構造方程式モデリング
科学技術振興機構尾崎幸謙
Mplus とは• 開発者は Bengt Muthen と Linda Muthen• 構造方程式モデリング用のソフトウェア
– パス解析– 確認的因子分析・探索的因子分析– 平均構造・潜在曲線モデル– 多母集団解析– 潜在構造分析– 2 段抽出モデル– 潜在変数の非線形・交互作用モデル (f2, f1f2)– 非線形制約– 順序カテゴリカルデータ・名義データ・計数データ・
打ち切りデータ– これらを混ぜて使うことが可能
講習会の流れ• Mplus とは• データの読み込み (DATA コマンド )• 変数に関する各種指定方法 (VARIABLE コマン
ド )• パス解析 (ON)• 確認的因子分析 (BY と @)• 平均構造 ([ ])• 多母集団解析• 潜在曲線モデル• 潜在構造分析• 2 段抽出モデル
分析モデル(MODEL コマンド )
データの読み込み① (DATA コマンド )
TITLE: this is an example of a SEM withcontinuous factor indicatorsDATA: FILE IS ex5.11.dat;VARIABLE: NAMES ARE y1-y12;MODEL: f1 BY y1-y3;f2 BY y4-y6;f3 BY y7-y9;f4 BY y10-y12;f4 ON f3;f3 ON f1 f2;
TITLE は書いても書かなくてもよい。日本語でも大丈夫
y1
y2
y3
y4
y5
y6
y12y11y10y9y7 y8
f1
f2
f3 f4
d3 d4
データの読み込み②データは欠損フラグ以外は数値であること。外部の ASCII ファイル ( メモ帳で開いて解釈できるファイル )に保存されていること。変数は 500まで。
データは Free フォーマットで,数値の間は,スペース,タブ,カンマで区切られる。
FILE IS の後に,データの所在位置を書く
① データとファイルが同じ場所にある場合,
FILE IS ex3.1.dat;
② データとファイルが別の場所にあり, c:\analysis に ex3.1.dat というデータファイルがある場合
FILE IS c:\analysis\ex3.1.dat;
データ形式 FILE IS
データの読み込み③
.( ドット ) を欠測フラグとした場合, Variable コマンドで,
MISSING = .;
とする。
欠測データ
変数 x1 は 9 と 99 が欠測フラグ,変数 y は 1 が欠測フラグのときにはMISSING ARE ethnic (9 99) y1 (1);
全ての変数で 9 が欠測フラグのときには,MISSING ARE ALL (9);
データの読み込み④相関・共分散行列の読み込み
DATA: FILE IS ex5.11.dat;TYPE IS COVARIANCE;VARIABLE: NAMES ARE y1-y4;
2.5
0.4 2.2
0.9 1.4 1.9
1.5 1.6 2.0 3.0
DATA: FILE IS ex5.11.dat;TYPE IS CORRELATION MEANS STDEVIATIONS;VARIABLE: NAMES ARE y1-y4;
1.3 1.4 0.6 0.7
1.2 1.0 1.6 0.9
1.0
0.4 1.0
0.9 0.5 1.0
0.5 0.6 0.7 1.0
平均標準偏差
相関行列
VARIABLE コマンドTITLE: 独立変数が 2 つの重回帰分析DATA: FILE IS ex3.11.dat;VARIABLE: NAMES ARE y1-y6 x1-x4;USEVARIABLES ARE y1 x1 x3;MODEL: y1 ON x1; y1 ON x3;
データファイル ex3.1.dat には変数が10 個 (y1,y2,y3,y4,y5,y6,x1,x2,x3,x4)あるが,分析ではそのうち 3 個(y1,x1,x3) を用いることを宣言する。
TITLE: 独立変数が 2 つの重回帰分析DATA: FILE IS ex3.1.dat;VARIABLE: NAMES ARE y1-y6 x1-x4;MODEL: y1 ON x1; y1 ON x3;とすると,どうなるか。
x1
x3
y1
e
パス解析①TITLE: 独立変数が 2 つの重回帰分析DATA: FILE IS ex3.11.dat;VARIABLE: NAMES ARE y1-y6 x1-x4;USEVARIABLES ARE y1 x1 x3;MODEL: y1 ON x1; y1 ON x3;OUTPUT: STAND;
x1
x3
y1
e
ON の右の変数から左の変数へパスが引かれる。 Y1 is regressed on x1
OUTPUT: STAND; は標準化推定値を出力するためのオプション。 R2 も出力されるようになる。
パス解析②TITLE: 独立変数が 2 つの重回帰分析DATA: FILE IS ex3.11.dat;VARIABLE: NAMES ARE y1-y6 x1-x4;USEVARIABLES ARE y1 x1 x3;MODEL: y1 ON x1; y1 ON x3;OUTPUT: STAND SAMP;
x1
x3
y1
e
X1 と x3 の相関を表す指定も,誤差変数に関する指定もない→ X1 と x3 の相関はデフォルトで仮定され, SAMP を追加することで出力される SAMPLE STATISTICS( 標本統計量 ) に出力される。誤差変数はデフォルトで仮定され,誤差分散が自由推定される。
潜在的な外生変数 ( 矢印が出る変数 ) 間の相関も自動で設定される。やや迷惑。
パス解析③TITLE: 独立変数が 2 つの重回帰分析DATA: FILE IS ex3.11.dat;VARIABLE: NAMES ARE y1-y6 x1-x4;MODEL: y1 ON x1; y1 ON x3;OUTPUT: STAND SAMP;
x1
x3
y1
e
MODEL に登場しない変数 y2, y3, y4, y5, y6, x2, x4 もモデルに含まれる変数になってしまい, ( 平均 ) ・分散・共分散が推定されてしまう。自由度が異なってしまい,誤った適合度が出力される。
パス解析の出力① ( 適合度 )TESTS OF MODEL FIT
Chi-Square Test of Model Fit
Value 0.000 Degrees of Freedom 0 P-Value 0.0000
Chi-Square Test of Model Fit for the Baseline Model
Value 596.506 Degrees of Freedom 2 P-Value 0.0000
CFI/TLI
CFI 1.000 TLI 1.000
Loglikelihood
H0 Value -2595.399 H1 Value -2595.399
Information Criteria
Number of Free Parameters 3 Akaike (AIC) 5196.797 Bayesian (BIC) 5209.441 Sample-Size Adjusted BIC 5199.919 (n* = (n + 2) / 24)
RMSEA (Root Mean Square Error Of Approximation)
Estimate 0.000 90 Percent C.I. 0.000 0.000 Probability RMSEA <= .05 0.000
SRMR (Standardized Root Mean Square Residual)
Value 0.000
パス解析の出力② ( 推定値 )MODEL RESULTS
Estimates S.E. Est./S.E. Std StdYX
Y1 ON X1 1.070 0.096 11.113 1.070 0.274 X3 3.234 0.099 32.555 3.234 0.803
Residual Variances Y1 5.288 0.334 15.811 5.288 0.303
R-SQUARE
Observed Variable R-Square
Y1 0.697
Estimates は非標準化推定値
S.E. は標準誤差
Est/ S.E. の絶対値が 1.96 以上ならば 5% で有意
Std パスの両側の変数のうち,潜在変数の分散を 1 にしたときの半標準化解
StdYX パスの両側の変数の分散を 1 にしたときの標準化解
パス解析の出力③ ( 標準化解 )
x1
x3
y1
e
x1
x3
y1
e
半標準化解 Std 標準化解 StdYX
太枠で囲った変数の分散を1とした場合の解
パス解析の練習問題① ( モデルの記述 )
問題:左下のパス解析を行うためには,以下のスクリプトの???をどのように記述すればよいか
DATA: FILE IS ex3.11.dat;VARIABLE: NAMES ARE y1-y6 x1-x4;USEVARIABLES ARE ??? ;MODEL: ???OUTPUT: STAND SAMP;
e1
e2
x1
y2
y1
x2
x3
y3
e3
パス解析の練習問題①答えDATA: FILE IS ex3.11.dat;VARIABLE: NAMES ARE y1-y6 x1-x4;USEVARIABLES ARE y1-y3 x1-x3;MODEL: y1 ON X1; y1 ON x2; y1 ON x3;y2 ON X1; y2 ON x2; y2 ON x3;y3 ON y1; y3 ON y2;OUTPUT: STAND SAMP;
DATA: FILE IS ex3.1.dat;VARIABLE: NAMES ARE y1-y6 x1-x4;USEVARIABLES ARE y1-y3 x1-x3;MODEL:y1 y2 ON x1 x2 x3;y3 ON y1 y2;OUTPUT: STAND SAMP;
あるいは
e1
e2
x1
y2
y1
x2
x3
y3
e3
パス解析の練習問題② ( 推定値 )問題:パス図中のパス係数・相関・誤差分散 ( 非標準化解 ) を推定値をもとにして埋めよ。
MODEL RESULTS
Estimates S.E. Est./S.E.
Y1 ON X1 0.992 0.043 22.979 X2 2.001 0.045 44.618 X3 3.052 0.045 68.274
Y2 ON X1 2.935 0.050 59.002 X2 1.992 0.052 38.556 X3 1.023 0.051 19.869
Y3 ON Y1 0.603 0.022 26.987 Y2 0.824 0.023 36.527
Residual Variances Y1 1.061 0.067 15.811 Y2 1.408 0.089 15.811 Y3 2.443 0.155 15.811
Covariances Y1 Y2 Y3 X1 X2 Y1 17.468 Y2 11.460 17.138 Y3 19.975 21.031 31.821 X1 1.037 3.380 3.065 1.145 X2 2.468 2.340 4.112 0.039 1.068 X3 3.419 1.121 2.679 -0.058 0.096
Covariances X3 ________ X3 1.076
e1
e2
x1
y2
y1x2
x3
y3
e3
e1
e2
x1
y2
y1
x2
x3
y3
e3
1.061
1.408
0.603
0.824
0.922
1.023
0.039
0.096
-0.058
2.001
2.935
3.052
1.992
2.443
パス解析 ( 従属変数が順序カテゴリカル )④
従属変数がカテゴリカルの場合には,デフォルトの推定方法は WLS になる。このときにはプロビット回帰を行っていることになる。推定方法を ML にする /TYPE=LOGISTIC にすると,ロジスティック回帰になる。
はい→ 2 点
どちらでもない→1点
いいえ→0点
x1
x3
u1
DATA: FILE IS ex3.4.dat;VARIABLE:NAMES ARE u1 x1 x3;
CATEGORICAL = u1;MODEL: u1 ON x1 x3;
ANALYSIS:ESTIMATOR = ML;またはANALYSIS:TYPE = LOGISTIC;
順序カテゴリカル
パス解析 ( 従属変数が順序カテゴリカル ) ⑤
MODEL RESULTS
Estimates S.E. Est./S.E.
U1 ON X1 1.023 0.121 8.460 X3 2.474 0.224 11.028
Estimates が大きいほど,独立変数の値が大きくなるにつれて,大きなカテゴリを取りやすくなると解釈する。
プロビット回帰の結果
x1
x3
u1
パス解析 ( 従属変数が名義変数 )⑥名義変数
携帯機種 A→0
携帯機種 B→ 1
携帯機種 C →2
携帯機種 C →3
TITLE: 独立変数が 2 つの場合の名義変数に対する多項ロジスティック回帰分析の例DATA: FILE IS nomial.dat;VARIABLE: NAMES ARE u1 x1 x2;NOMINAL IS u1;MODEL: u1#1 u1#2 u1#3 ON x1 x2;
X1: 年齢
X2: 前の機種を使った年数
共分散構造分析 Amos, Mplus編に例があります。
U#4(4 つ目のカテゴリ ) の推定値は 0として,相対的な値が推定される。
パス解析 ( 従属変数が名義変数 )⑦
Estimates S.E. Est./S.E.U1#1 ON X1 -0.124 0.147 -0.845U1#1 ON X2 0.535 0.181 2.954U1#2 ON X1 -0.225 0.115 -1.962U1#2 ON X2 -0.021 0.151 -0.138U1#3 ON X1 -0.271 0.126 -2.154U1#3 ON X2 -0.409 0.148 -2.763Intercepts U1#1 -0.314 0.247 -1.269 U1#2 0.626 0.193 3.250 U1#3 0.631 0.192 3.278
年齢が高いほど順に機種4(0.000) ・機種 1(-0.124) ・機種 2(-0.225) ・機種 3(-0.271) を選択しやすい。
前の機種を使った年数が長いほど順に機種 1 ・機種4 ・機種 2 ・機種 3 を選択しやすい。
「年齢」と「前の機種を使った年数」の影響を排除したときには、機種 3 ・機種2 ・機種 4 ・機種 1 の順で選択される傾向がある。
多項ロジスティック回帰の結果
U#4(4 つ目のカテゴリ ) の推定値は 0として,相対的な値が推定される。
パス解析 ( 欠測データ )⑧
DATA: FILE IS ex3.17.dat;VARIABLE: NAMES ARE u y x;CATEGORICAL IS u;MISSING IS y (999);ANALYSIS: TYPE = MISSING;ESTIMATOR = MLR;INTEGRATION = MONTECARLO;MODEL: y ON x;u ON y x;
x y
u
ey
eu
変数 y に欠測があり, 999 が代入されている。
パス解析その他⑧• 従属変数が計数データ:ポアソン回帰• 従属変数が打ち切りデータ: Censored
regression
確認的因子分析① (CFA)TITLE: 観測変数が連続変数の場合の確認的因子分析DATA: FILE IS ex5.1.dat;VARIABLE: NAMES ARE y1-y6;MODEL: f1 BY y1-y3;f2 BY y4-y6;f1; f2;
BY の左の潜在変数から右の変数へパスが引かれる。 F1 is measured by y1
F1 と f2 の間の相関は自動的に仮定される。
Y1 から y6 にかかる誤差変数も自動的に仮定される。
y1
y2
y3
y4
y5
y6
e1
e2
e6
e3
e5
e4
f1
f2
デフォルトでは,各因子から引かれるはじめの因子パタンは 1 に固定される。因子の分散は推定される。
変数名 ; は,その変数の分散を推定することを表す。ただし,本例の場合には, f1; f2; を書かなくとも,これらの分散は推定される。
確認的因子分析② ( カテゴリカル CFA)
TITLE: 観測変数が順序カテゴリカルデータの場合の確認的因子分析 ( カテゴリカル因子分析 )DATA: FILE IS ex5.2.dat;VARIABLE: NAMES ARE u1-u6;CATEGORICAL ARE u1-u6;MODEL: f1 BY u1-u3;f2 BY u4-u6;
u1
u2
u3
u4
u5
u6
f1
f2
推定法はロバスト WLS になる。
ピアソンの積率相関係数ではなく,テトラコリック相関・ポリコリック相関を用いて推定が行われる。
確認的因子分析③ (2次因子分析 )
TITLE: 2次因子分析DATA: FILE IS ex5.6.dat;VARIABLE: NAMES ARE y1-y12;MODEL: f1 BY y1-y3;f2 BY y4-y6;f3 BY y7-y9;f4 BY y10-y12;f5 BY f1-f4;
y1 y2 y3 y4 y5 y6 y7 y8 y9 y10 y11 y12
f1 f2 f3 f4
f5
構成概念間のパス解析①TITLE: this is an example of a SEM withcontinuous factor indicatorsDATA: FILE IS ex5.11.dat;VARIABLE: NAMES ARE y1-y12;MODEL: f1 BY y1-y3;f2 BY y4-y6;f3 BY y7-y9;f4 BY y10-y12;f4 ON f3;f3 ON f1 f2;
F1 と f2 は外生的な潜在変数だから,共分散が自動で設定される。
y1
y2
y3
y4
y5
y6
y12y11y10y9y7 y8
f1
f2
f3 f4
d3 d4
構成概念間のパス解析の出力① ( 適合度 )
TESTS OF MODEL FIT
Chi-Square Test of Model Fit
Value 53.704 Degrees of Freedom 50 P-Value 0.3344
Chi-Square Test of Model Fit for the Baseline Model
Value 1524.403 Degrees of Freedom 66 P-Value 0.0000
CFI/TLI
CFI 0.997 TLI 0.997
Loglikelihood
H0 Value -9646.960 H1 Value -9620.108
Information Criteria
Number of Free Parameters 28 Akaike (AIC) 19349.919 Bayesian (BIC) 19467.928 Sample-Size Adjusted BIC 19379.055 (n* = (n + 2) / 24)
RMSEA (Root Mean Square Error Of Approximation)
Estimate 0.012 90 Percent C.I. 0.000 0.032 Probability RMSEA <= .05 1.000
SRMR (Standardized Root Mean Square Residual)
Value 0.029
構成概念間のパス解析の出力② ( 推定値 )
MODEL RESULTS
Estimates S.E. Est./S.E. Std StdYX
F1 BY Y1 1.000 0.000 0.000 0.940 0.679 Y2 1.183 0.102 11.611 1.112 0.780 Y3 0.938 0.085 11.065 0.881 0.637
F2 BY Y4 1.000 0.000 0.000 0.942 0.660 Y5 0.870 0.086 10.105 0.820 0.644 Y6 0.891 0.089 10.024 0.840 0.633
F3 BY Y7 1.000 0.000 0.000 1.165 0.766 Y8 0.872 0.060 14.569 1.016 0.723 Y9 0.882 0.060 14.782 1.028 0.736
F4 BY Y10 1.000 0.000 0.000 0.927 0.646 Y11 0.826 0.096 8.595 0.765 0.625 Y12 0.682 0.085 7.975 0.632 0.521
F4 ON F3 0.473 0.057 8.342 0.595 0.595
F3 ON F1 0.563 0.072 7.849 0.454 0.454 F2 0.790 0.086 9.160 0.639 0.639
F2 WITH F1 -0.030 0.055 -0.545 -0.034 -0.034
Variances F1 0.884 0.121 7.310 1.000 1.000 F2 0.888 0.130 6.853 1.000 1.000
Residual Variances Y1 1.033 0.092 11.236 1.033 0.539 Y2 0.795 0.101 7.901 0.795 0.392 Y3 1.137 0.093 12.266 1.137 0.594 Y4 1.151 0.104 11.097 1.151 0.565 Y5 0.950 0.083 11.497 0.950 0.586 Y6 1.056 0.090 11.747 1.056 0.600 Y7 0.954 0.088 10.801 0.954 0.413 Y8 0.945 0.079 11.975 0.945 0.478 Y9 0.896 0.077 11.657 0.896 0.459 Y10 1.202 0.118 10.177 1.202 0.583 Y11 0.916 0.085 10.751 0.916 0.610 Y12 1.071 0.083 12.934 1.071 0.728 F3 0.550 0.091 6.054 0.405 0.405 F4 0.555 0.103 5.403 0.646 0.646
R-SQUARE
Observed Variable R-Square
Y1 0.461 Y2 0.608 Y3 0.406 Y4 0.435 Y5 0.414 Y6 0.400 Y7 0.587 Y8 0.522 Y9 0.541 Y10 0.417 Y11 0.390 Y12 0.272
Latent Variable R-Square
F3 0.595 F4 0.354
構成概念間のパス解析の出力③ ( 推定値 )
Estimates は非標準化推定値
S.E. は標準誤差
Est/ S.E. の絶対値が 1.96 以上ならば 5% で有意
Std パスの両側の変数のうち,潜在変数の分散を 1 にしたときの半標準化解
StdYX パスの両側の変数の分散を 1 にしたときの標準化解
MODEL RESULTS
Estimates S.E. Est./S.E. Std StdYX
F1 BY Y1 1.000 0.000 0.000 0.940 0.679 Y2 1.183 0.102 11.611 1.112 0.780 Y3 0.938 0.085 11.065 0.881 0.637
F3 ON F1 0.563 0.072 7.849 0.454 0.454 F2 0.790 0.086 9.160 0.639 0.639
標準化解
y1
y2
y3
y4
y5
y6
y9y7 y8
f1
f2
f3
半標準化解 Std
太枠で囲った変数の分散を1とした場合の解
標準化解 StdYX
y1
y2
y3
y4
y5
y6
y9y7 y8
f1
f2
f3
構成概念間のパス解析②
DATA: FILE IS ex5.11.dat;VARIABLE: NAMES ARE y1-y12;MODEL: f1 BY y1-y3;f2 BY y4-y6;f3 BY y7-y9;f4 BY y10-y12;f4 ON f3;f3 ON f1 f2;f1 WITH f2@0;
@ は固定母数を表す。
y1
y2
y3
y4
y5
y6
y12y11y10y9y7 y8
f1
f2
f3 f4
d3 d4
f1 と f2 の間に相関を仮定したくない場合
MIMIC モデル
y1
y2
y3
y4
y5
y6
x1
x2
x3
f1
f2
d1
d2
DATA: FILE IS ex5.8.dat;VARIABLE: NAMES ARE y1-y6 x1-x3;MODEL: f1 BY y1-y3;f2 BY y4-y6;f1 f2 ON x1-x3;f1 with f2;
f1 と f2 が,それらを測定するy1~y3 と y4~y6 以外には影響を与えない場合には, f1 と f2 の誤差 d1 と d2 の間の共分散はデフォルトで推定される。
DATA: FILE IS ex5.8.dat;VARIABLE: NAMES ARE y1-y6 x1-x3;MODEL: f1 BY y1-y3;f2 BY y4-y6;f1 f2 ON x1-x3;
間接効果DATA: FILE IS ex5.12.dat;VARIABLE: NAMES ARE y1-y12;MODEL: f1 BY y1-y3;f2 BY y4-y6;f3 BY y7-y9;f4 BY y10-y12;f4 ON f3;f3 ON f1 f2;MODEL INDIRECT: f4 IND f3 f2 f1;f4 IND f3 f1;
y1
y2
y3
y4
y5
y6
y12y11y10y9y7 y8
f1
f2
f3 f4
d3 d4
TOTAL, TOTAL INDIRECT, SPECIFIC INDIRECT, AND DIRECT EFFECTS
Estimates S.E. Est./S.E.
Effects from F1 to F4 Sum of indirect 0.254 0.044 5.702 Specific indirect F4 F3 F2 F1 -0.013 0.024 -0.541
F4 F3 F1 0.266 0.043 6.130
-0.034
0.563
0.790
0.473
多母集団解析①
y1
y2
y3
y4
y5
y6
f1
f2
y1
y2
y3
y4
y5
y6
f1
f2
男性 女性
rg1 rg2
多母集団解析②DATA: FILE IS ex5.14.dat;VARIABLE:NAMES ARE y1-y6 x1-x3 g;Usevariables are y1-y6 g;
GROUPING IS g (1=male 2=female);MODEL: f1 BY y1-y3;
f2 BY y4-y6; f1 with f2;MODEL female: f1 with f2;
VARIABLE: にグループを表す変数を含める。
GROUPING is の後にグループを
表す変数を記述する。
1つ目の MODEL: には各母集団で構成するモデルを記述する。
2 つ目の MODEL female: には母集団間で異なる部分を記述する。
デフォルトで,
因子パタンは母集団間で等値になる。
f1 と f2 の分散は母集団ごとに推定される。
誤差分散は母集団ごとに推定される。
f1 と f2 の共分散は母集団ごとに推定される。
多母集団解析③
DATA: FILE IS ex5.14.dat;VARIABLE: NAMES ARE y1-y6 x1-x3 g;Usevariables are y1-y6 g;
GROUPING IS g (1=male 2=female);MODEL: f1 BY y1-y3;
f2 BY y4-y6; ! f1 with f2;MODEL female: ! f1 with f2;
! はコメントアウトを表す。
f1 with f2 を除いても,デフォルトで独立変数間の共分散は仮定されるので,結果は前ページのスクリプトと同じ
多母集団解析③ ( 推定結果 )Group MALE
F1 BY Y1 1.000 0.000 0.000 Y2 1.015 0.021 47.435 Y3 0.680 0.019 36.626
F2 BY Y4 1.000 0.000 0.000 Y5 1.002 0.018 55.461 Y6 1.004 0.019 53.821
F1 WITH F2 2.426 0.183 13.238
Variances F1 3.067 0.219 13.995 F2 2.934 0.207 14.196
Residual Variances Y1 0.508 0.055 9.180 Y2 0.462 0.055 8.449 Y3 0.857 0.060 14.197 Y4 0.540 0.048 11.356 Y5 0.379 0.040 9.456 Y6 0.546 0.048 11.374
Group FEMALE
F1 BY Y1 1.000 0.000 0.000 Y2 1.015 0.021 47.435 Y3 0.680 0.019 36.626
F2 BY Y4 1.000 0.000 0.000 Y5 1.002 0.018 55.461 Y6 1.004 0.019 53.821
F1 WITH F2 2.347 0.162 14.528
Variances F1 2.330 0.157 14.805 F2 3.459 0.224 15.412
Residual Variances Y1 0.548 0.049 11.253 Y2 0.568 0.050 11.298 Y3 0.494 0.035 14.279 Y4 0.617 0.049 12.544 Y5 0.495 0.044 11.288 Y6 0.501 0.044 11.338
多母集団解析 (MIMIC)①
y1
y2
y3
y4
y5
y6
x1
x2
x3
f1
f2
y1
y2
y3
y4
y5
y6
x1
x2
x3
f1
f2
男性 女性
d1
d2
d1
d2
多母集団解析 (MIMIC) ②DATA: FILE IS ex5.14.dat;VARIABLE: NAMES ARE y1-y6 x1-x3 g;GROUPING IS g (1=male 2=female);MODEL: f1 BY y1-y3;f2 BY y4-y6;f1 f2 ON x1-x3;f1 with f2;MODEL female:f1 f2 ON x1-x3;f1 with f2;
DATA: FILE IS ex5.14.dat;VARIABLE: NAMES ARE y1-y6 x1-x3 g;GROUPING IS g (1=male 2=female);MODEL: f1 BY y1-y3;f2 BY y4-y6;f1 f2 ON x1-x3;MODEL female:
ON の部分はデフォルトで母集団ごとに推定されるので,結局下のスクリプトでも結果は同じ
平均・多母集団解析①
y1
y2
y3
y4
y5
y6
f1
f2
y1
y2
y3
y4
y5
y6
f1
f2
男性 女性
1
1 1
10
0
μ1
μ2
rg2rg1
平均・多母集団解析②DATA: FILE IS ex5.14.dat;VARIABLE:NAMES ARE y1-y6 x1-x3 g;Usevariables are y1-y6 g;GROUPING IS g (1=male 2=female);ANALYSIS: TYPE = MEANSTRUCTURE;MODEL: f1 BY y1-y3;
f2 BY y4-y6; [f1]; [f2];MODEL female: [f1]; [f2];
Group MALE Means F1 0.000 0.000 0.000 F2 0.000 0.000 0.000
Intercepts Y1 2.149 0.081 26.400 Y2 2.155 0.082 26.158 Y3 1.368 0.058 23.727 Y4 1.640 0.081 20.248 Y5 1.624 0.080 20.252 Y6 1.617 0.081 19.933
Group FEMALE Means F1 -0.301 0.104 -2.902 F2 -0.100 0.111 -0.902
Intercepts Y1 2.149 0.081 26.400 Y2 2.155 0.082 26.158 Y3 1.368 0.058 23.727 Y4 1.640 0.081 20.248 Y5 1.624 0.080 20.252 Y6 1.617 0.081 19.933
[ ] は平均あるいは切片を表す。
1 つ目の母集団の因子平均はデフォルトで 0 になる。
因子を測定する観測変数の切片はデフォルトで母集団間で等値になる。
平均・多母集団解析③DATA: FILE IS ex5.14.dat;VARIABLE:NAMES ARE y1-y6 x1-x3 g;Usevariables are y1-y6 g;GROUPING IS g (1=male 2=female);ANALYSIS: TYPE = MEANSTRUCTURE;MODEL: f1 BY y1-y3;
f2 BY y4-y6; ![f1]; [f2];MODEL female: ![f1]; [f2];
[f1]; [f2]; を書かなくとも,デフォルトで, 1 つ目の母集団の因子平均は 0 になり, 2 つ目以降の因子平均は推定される。
潜在曲線モデル①
0ヶ月 3ヶ月 6ヶ月 9ヶ月
S傾き
e1
i切片
e4e2 e3
1 11
1
21 3
0
発達の様子を少数の因子で説明する。固定母数を利用することで,因子の性質を決める。
切片は 0ヶ月時点での体重を表す。傾き因子からのパス係数が 1 つ違うと, ( このモデルでは ) それは 3ヶ月を表す。
「 6ヶ月 = i + 2×s + e2 」
赤ちゃんの体重の発達
潜在曲線モデル②
0ヶ月 3ヶ月 6ヶ月 9ヶ月
S傾き
e1
i切片
e4e2 e3
1 111
21 30
DATA: FILE IS ex6.1.dat;VARIABLE: NAMES ARE y11-y14;MODEL: i s | y11@0 y12@1 y13@2 y14@3;
デフォルトで,
切片因子と傾き因子の平均・分散,両者の間の共分散は推定される ( 切片因子と傾き因子は外生的な潜在変数 ) 。
観測変数の切片は 0
(Mplus では | はランダム係数を表す。 )
潜在曲線モデル③ ( 結果 )
MODEL RESULTS
Estimates S.E. Est./S.E.
I | Y11 1.000 0.000 0.000 Y12 1.000 0.000 0.000 Y13 1.000 0.000 0.000 Y14 1.000 0.000 0.000
S | Y11 0.000 0.000 0.000 Y12 1.000 0.000 0.000 Y13 2.000 0.000 0.000 Y14 3.000 0.000 0.000
S WITH I 0.133 0.033 4.057
Means I 0.523 0.051 10.153 S 1.026 0.025 40.268
Intercepts Y11 0.000 0.000 0.000 Y12 0.000 0.000 0.000 Y13 0.000 0.000 0.000 Y14 0.000 0.000 0.000
Variances I 0.989 0.089 11.097 S 0.224 0.023 9.891
Residual Variances Y11 0.475 0.059 7.989 Y12 0.482 0.040 11.994 Y13 0.473 0.047 10.007 Y14 0.545 0.084 6.471
潜在曲線モデル④ ( 別表現 )
| を使わずに潜在曲線モデルを記述する
0ヶ月
3ヶ月
6ヶ月
9ヶ月
S傾き
e1
i切片
e4
e2
e3
1 111
21 30
DATA: FILE IS ex6.1.dat;VARIABLE:NAMES ARE y11-y14;ANALYSIS: TYPE = MEANSTRUCTURE;MODEL:i by y11@1 y12@1 y13@1 y14@1;s by y11@0 y12@1 y13@2 y14@3;[y11@0]; [y12@0]; [y13@0]; [y14@0];[i]; [s];
潜在曲線モデル⑤ (2次の項 )
0ヶ月 3ヶ月 6ヶ月 9ヶ月
S傾き
e1
i切片
e4e2 e3
1 111
2130
q2次
0
1 4
9
DATA: FILE IS ex6.9.dat;VARIABLE: NAMES ARE y11-y14;MODEL: i s q | y11@0 y12@1 y13@2 y14@3;
潜在曲線モデル⑥ (説明変数 )
0ヶ月
3ヶ月
6ヶ月
9ヶ月
S傾き
e1
i切片
e4
e2
e3
1 111
21 30
x1母親の体
重x2 在胎週数
DATA: FILE IS ex6.10.dat;VARIABLE:NAMES ARE y11-y14 x1 x2 a31-a34;USEVARIABLES ARE y11-y14 x1 x2;MODEL: i s | y11@0 y12@1 y13@2 y14@3;
i s ON x1 x2;
潜在曲線モデル⑥ ( 結果 ) I ON X1 0.555 0.055 10.119 X2 0.731 0.056 13.019
S ON X1 0.265 0.025 10.436 X2 0.470 0.026 18.092
S WITH I 0.061 0.037 1.666
Intercepts Y11 0.000 0.000 0.000 Y12 0.000 0.000 0.000 Y13 0.000 0.000 0.000 Y14 0.000 0.000 0.000 I 0.568 0.055 10.316 S 1.009 0.025 39.575
Residual Variances Y11 0.554 0.074 7.459 Y12 0.696 0.056 12.496 Y13 0.580 0.057 10.169 Y14 0.703 0.100 7.010 I 1.071 0.103 10.438 S 0.193 0.023 8.292
ds
1
0ヶ月
3ヶ月
6ヶ月
9ヶ月
S傾き
e1
i切片
e4
e2
e3
1 111
21 30
x1母親の体
重x2 在胎週数
0.555
0.2650.731
0.470
di
1
0.568
1.009
潜在曲線モデル⑦ ( 結果 )
6 ヶ月 =i + 2×s + e3
i=0.568+0.555 母 +0.731 在 +di
s=1.009+0.265 母 +0.470 在 +ds0ヶ月
3ヶ月
6ヶ月
9ヶ月
S傾き
e1
i切片
e4
e2
e3
1 111
21 30
x1母親の体
重x2 在胎週数
0.555
0.2650.731
0.470
di
1
0.568
ds
1
1.009
6 ヶ月 =(0.568+0.555 母 +0.731 在 +di)
+ 2×(1.009+0.265 母 +0.470 在 +ds) + e3
6ヶ月時の期待値 =
(0.568+0.555母 +0.731 在 )
+ 2×(1.009+0.265母 +0.470 在 )
潜在曲線モデル⑧ ( 個人間で異なる測定時点 )
DATA: FILE IS ex6.12.dat;VARIABLE:NAMES ARE y1-y4 x a21-a24 a11-a14;usevariables are y1-y4 x a11-a14;TSCORES = a11-a14;ANALYSIS:TYPE = RANDOM;MODEL: i s | y1-y4 AT a11-a14; i s st ON x;
0ヶ月
3ヶ月
6ヶ月
9ヶ月
S傾き
e1
i切片
e4
e2
e3
1 111
21 30
X 在胎週数
0ヶ月,3ヶ月,6ヶ月,9ヶ月の測定時点は個人間で異なっているかもしれない。測定時点を表す変
数が a11-a14
潜在曲線モデル⑨ ( 結果 )MODEL RESULTS
Estimates S.E. Est./S.E.
I ON X 0.701 0.055 12.740
S ON X 0.335 0.027 12.289
S WITH I 0.090 0.050 1.820
Intercepts Y1 0.000 0.000 0.000 Y2 0.000 0.000 0.000 Y3 0.000 0.000 0.000 Y4 0.000 0.000 0.000 I 0.471 0.056 8.365
S 1.008 0.028 35.925
Residual Variances Y1 1.211 0.161 7.526 Y2 1.168 0.147 7.964 Y3 0.818 0.101 8.112 Y4 1.265 0.185 6.825 I 0.741 0.122 6.060 S 0.160 0.032 4.975
Mplus add on
• これ以降の潜在構造分析 (Latent Mixture Analysis, LCA) とマルチレベル分析 (Multilevel Analysis) を行うためには, Mplus のBase ソフトだけでなく, add on も購入する必要があります。
潜在構造分析• 潜在的な母集団 ( クラス ) を探索する方法 ( 質的
な因子 )• 多母集団解析で扱った母集団は明示的な母集団• マーケティングの分野では顧客の分類にしばし
ば使用される。• Mplus では
– 観測変数にカテゴリカルデータを扱うことが可能– 2 種類の潜在的な母集団を扱うことが可能– 潜在的な母集団間でパス解析を行うことが可能 (Late
nt Transition Analysis, LTA)
セミナーデータの重回帰分析DATA: FILE IS c14semidata.dat;VARIABLE: NAMES ARE x1 x2 x3 x4 x5 x6 x7;USEVARIABLES ARE x2 x5 x6 x7;MODEL:x5 ON x2 x6 x7;
2 つの集団で,
①.プレゼンが満足度に与える影響が異なるのではないか
②.満足度の切片は異なるのではないか
③.そんな潜在的な因子は理解度によってどの程度説明されるのだろうか。
セミナーデータ潜在構造分析①
2 つの集団で,
①.プレゼンが満足度に与える影響が異なるのではないか
②.満足度の切片は異なるのではないか
③.そんな潜在的な因子は理解度によってどの程度説明されるのだろうか。
①③
②
セミナーデータ潜在構造分析②
①③
②DATA: FILE IS c14semidata.dat;VARIABLE: NAMES ARE x1 x2 x3 x4 x5 x6 x7;USEVARIABLES ARE x2 x5 x6 x7;CLASSES = c (2);ANALYSIS: TYPE = MIXTURE;MODEL:%OVERALL% x5 ON x2 x6 x7; c#1 ON x2; !③%c#2% x5 ON x6; !①
%OVERALL% にはクラスで共通のモデルを記述する
c#1 ON x2; は③を指す。 c#1 はcの 1 つ目のクラスを指す。この回帰式はロジスティック回帰であり, c#2 に対しては切片と傾きが 0 に固定される。
%c#2% にはクラス2がクラス 1 と異なる部分を記述する。ここでは x6 からx5 への回帰係数が 2 つのクラスで異なる ( )① 。
X5 の切片は 2 つのクラスで異なることは明示されていないが,デフォルトでそのように仮定されている ( )② 。
セミナーデータ潜在構造分析③ ( 結果 )
TESTS OF MODEL FIT
Loglikelihood
H0 Value -186.501 H0 Scaling Correction Factor 0.962 for MLR
Information Criteria
Number of Free Parameters 9 Akaike (AIC) 391.002 Bayesian (BIC) 415.938 Sample-Size Adjusted BIC 387.487 (n* = (n + 2) / 24) Entropy 0.856
適合度・解釈可能性・分類確率により最適なクラス数を決定する
FINAL CLASS COUNTS AND PROPORTIONS FOR THE LATENT CLASS PATTERNSBASED ON ESTIMATED POSTERIOR PROBABILITIES
Latent Classes
1 48.57661 0.41167 2 69.42339 0.58833
CLASSIFICATION OF INDIVIDUALS BASED ON THEIR MOST LIKELY LATENT CLASS MEMBERSHIP
Class Counts and Proportions
Latent Classes
1 45 0.38136 2 73 0.61864
Average Latent Class Probabilities for Most Likely Latent Class Membership (Row)by Latent Class (Column)
1 2
1 0.983 0.017 2 0.060 0.940
クラス 2 よりも 1 の事後確率が高い人たちのクラス1に対する事後確率の平均は0.983 ,クラス 2 に対する事後確率の平均は 0.017
対角要素が大きいほど,分類がうまくされている
セミナーデータ潜在構造分析④ ( 結果 )MODEL RESULTS
Estimates S.E. Est./S.E.
Latent Class 1
X5 ON X2 0.143 0.055 2.598 X6 0.008 0.079 0.101 X7 0.101 0.071 1.434
Intercepts X5 0.729 0.308 2.365
Residual Variances X5 0.441 0.060 7.405
Latent Class 2
X5 ON X2 0.143 0.055 2.598 X6 0.132 0.129 1.025 X7 0.101 0.071 1.434
Intercepts X5 2.688 0.548 4.908
Residual Variances X5 0.441 0.060 7.405
Categorical Latent Variables
C#1 ON X2 -0.176 0.141 -1.247
Intercepts C#1 0.224 0.506 0.443
LOGISTIC REGRESSION ODDS RATIO RESULTS
Categorical Latent Variables
C#1 ON X2 0.838
ALTERNATIVE PARAMETERIZATIONS FOR THE CATEGORICAL LATENT VARIABLE REGRESSION
Parameterization using Reference Class 1
C#2 ON X2 0.176 0.141 1.247
Intercepts C#2 -0.224 0.506 -0.443
C#1 ON x2 が正の場合には, x2 が大きいほどクラス1 に所属する確率が高くなる。
Intercepts が正のときには, X2 の値が 0 のときには,クラス 1 に所属する確率が高い。
セミナーデータ潜在構造分析⑤ ( 解釈 )
C#1 ON X2 -0.176「理解度」が評価されているほどクラス 2 に所属しやすい
Latent Class 1 X5 ON X6 0.008
Latent Class 2 X5 ON X6 0.132
クラス 2 はクラス 1 に比べて、「プレゼン」が「満足度」に大きく影響
Latent Class 1Intercepts X5 0.729
Latent Class 2Intercepts X5 2.688
「理解度」「プレゼン」「講師対処」が 0 の場合に「満足度」を比較的高く評価するクラス
成長データに対する潜在構造分析①
クラスごとに
1.切片の平均が異なる
2.傾き (体重の伸び方 ) が異なる
3.ある病気へのかかりやすさが異なる
4.母親の身長が切片・傾きとともに,クラス所属確率に影響する
u は順序カテゴリカル変数
成長データに対する潜在構造分析②
DATA: FILE IS c14baby.dat;VARIABLE: NAMES ARE u y1 y3 y4 x;
USEV = u y1 y3 y4 x; CLASSES = c(2); CATEGORICAL = u;
ANALYSIS:TYPE = MIXTURE;MODEL: %OVERALL% i s | y1@0 y3@2 y4@3; i s ON x; c#1 ON x; %c#2% [u$1];
u は順序カテゴリカル変数なので,%c#2% で [u$1]; とすると,クラス 1 と2 で u の閾値が異なることになる。
成長データに対する潜在構造分析③
Latent Class 1Intercepts I 3.570 0.039 90.972 S 1.974 0.022 90.612Thresholds U$1 -1.059 0.206 -5.144
Latent Class 2Intercepts I 3.088 0.039 78.266 S 1.713 0.018 95.634Thresholds U$1 0.839 0.161 5.226
Categorical Latent VariablesC#1 ON X 1.019 0.209 4.864Intercepts C#1 -0.112 0.169 -0.665
クラス 1(3.570) はクラス 2(3.088) よりも出生時の体重が重く発達が早い(1.974 と 1.713)赤ちゃんが含まれ,ある病気にはかかり易い (-1.059 と0.839) 。また、母親の身長が高いほど、クラス 1 に所属する傾向があります (1.019)
閾値は IRT の困難度パラメタと同じようなもの。
U$1 はカテゴリ 0 とカテゴリ 1 の間の閾値であり,値が小さいほど,大きなカテゴリ ( この場合はカテゴリ 1) をとり易い。
健康診断データの潜在推移分析2006 年健康診断項目
2007 年健康診断項目
DATA: FILE IS c14health.dat;VARIABLE: NAMES ARE u11-u13 u21-u23 x; CATEGORICAL = u11-u13 u21-u23; CLASSES = c1 (2) c2 (2);ANALYSIS: TYPE = MIXTURE;MODEL: %OVERALL% c2#1 ON c1#1 x; c1#1 ON x;MODEL c1: %c1#1% [u11$1-u13$1*1] (1-3); c2#1 ON x; %c1#2% [u11$1-u13$1*-1] (4-6);MODEL c2: %c2#1% [u21$1-u23$1*1] (1-3); %c2#2% [u21$1-u23$1*-1] (4-6);
質的因子が複数ある場合には, MODEL c1 などとして,各質的因子に関するモデルを記述する。
2006 年の健康・不健康が2007 年の健康・不健康にどのように影響するか
喫煙量 (x) が両年の健康不健康にどのように影響するか
両年で閾値を等値にすることで,両年の健康・不健康クラスの意味を同じにする
2段抽出モデル①
東京都の小学生
A小 B小 ・・・・・ N小
30 名50 名 40 名・・・・・
小学校
( 1次抽出単位 )
小学生 ( 標本 ) (2次抽出単
位 )
2段抽出モデル②
世界の時計
ブランド A ブランド B ・・・・・ ブランド N
A3A2 N1 N2 N3・・・・・A1
ブランド
個々の時計
2段抽出モデル③2段抽出モデルの分析から,何が分かるか?
切片・パス係数を 1 つの値ではなく, 1次抽出単位間で値がバラつく因子として捉えることで
→ 1次抽出単位間の切片・パス係数の分散が分かる ( ブランド間の切片・パス係数の分散→ブランド間で切片・パス係数がどれくらいバラつくのか )
→ 1次抽出単位間で異なる切片・パス係数に対して ( パス解析・因子分析・潜在構造分析などの )分析を行うことが可能
データは,
個々の時計レベルでは
売り上げ (x5) ・機能性評価 (x1) ・デザイン評価 (x2) の3変数
ブランドレベルでは
ブランドイメージ (w) の1変数
Wイメージ
Y切片
s1傾き
s2傾き
ey e2
e1
X1機能性
y売り上げ
X2デザイン
eWithin
1次抽出単位内
Between
1次抽出単位間
2段抽出モデル④• 2段抽出モデルでは,分散共分散行列を
1次抽出単位内の分散共分散行列と1次抽出単位間の分散共分散行列に分けて分析を行う。
• 1次抽出単位内と1次抽出単位間それぞれでモデルを構成する。
• 1次抽出単位内の構造と, 1次抽出単位間の構造を検討することが可能
2段抽出モデル④ (1次抽出単位内のモデル )
見た目は,売り上げを機能性とデザインで説明する重回帰分析です。
●はランダムな係数を表す。ここでは,売り上げの切片と 2つの回帰係数がランダムになる。ランダムな係数とは,値が 1次抽出単位 ( 学校・ブランド )ごとに異なる係数のこと。
売り上げ =μb+α1b× 機能性 +α2b× デザイン +e
μb, α1b, α2b は b(1 次抽出単位,ブランド ) ごとに値が異なる切片・回帰係数
μb, α1b, α2b は 1 次抽出単位間の分析で因子として扱われる。
1 次抽出単位間の分析では μb, α1b, α2b を変数としてモデルに組み込むことが可能。
1次抽出単位内のモデルWithin level
X1機能性
y売り上げ
X2デザイン
e
2段抽出モデル⑤ (1次抽出単位間のモデル )1次抽出単位間のモデル
Between level
売り上げのランダム切片 μb は y
機能性からのランダム回帰係数 α1b は s1
デザインからのランダム回帰係数 α2b は s2
で表されている。
1 次抽出単位間の変数は w
因子として表現される y, s1, s2 を w が説明している。
ブランドイメージの高低によって,切片が異なるか
ブランドイメージの高低によって,機能性が売り上げに与える影響が異なるか
ブランドイメージの高低によって,デザインが売り上げに与える影響が異なるか
y(μb) = μy + βy×w + ey
S1(α1b) = μs1 + βs1×w + e1
S2(α2b) = μs2 + βs2×w + e2
Wイメージ
Y切片
s1傾き
s2傾き
ey e2
e1
1 1 1μs2
μy μs1
βs2βs1
βy
2段抽出モデル⑥ ( データ )
y( 売上 ) x1( 機能 ) x2( デザイン ) w( イメージ ) clus( ブランド )0.832 -0.522 0.359 0.939 1-0.468 -1.464 -0.758 0.939 12.714 2.930 2.456 0.939 1-1.063 0.310 -0.070 -1.165 2-0.752 0.266 1.473 -1.165 2-0.826 2.238 -0.154 -1.165 21.685 1.163 0.295 -1.165 2-0.454 -1.670 1.856 -1.165 20.185 -0.242 2.459 -1.165 20.080 0.316 -0.191 -1.165 2-0.435 -1.048 0.338 -1.165 2-2.587 2.683 -0.537 -1.165 2-2.613 -1.512 1.516 -0.944 3-1.385 1.478 -0.510 -0.944 30.382 0.468 2.592 -0.944 3
2段抽出モデル⑦DATA: FILE IS c14watch.dat;VARIABLE:NAMES ARE y x1 x2 w clus;WITHIN = x1 x2; BETWEEN = w; CLUSTER IS clus;ANALYSIS:TYPE = TWOLEVEL RANDOM;ALGORITHM = INTEGRATION;MODEL: %WITHIN% s2 | y ON x1; s1 | y ON x2; %BETWEEN% y s1 s2 ON w;
WITHIN はブランド内の変数を指定します。ここでは x1 「機能性」と x2 「デザイン」を指します。
BETWEEN はブランド間の変数を指し,ここでは w 「ブランドイメージ」になっています。
WITHIN で指定した変数は BETWEENでは使用されず,逆に BETWEEN で指定した変数は WITHIN では使用されません。 WITHIN でも BETWEEN でも指定されなかった変数は,両方で使用されます。
CLUSTER IS clus は、個々のブランドを識別する変数です。ブランドの ID と考えてください。 2 段抽出モデルではTYPE=TWOLEVEL とします。
2段抽出モデル⑧DATA: FILE IS c14watch.dat;VARIABLE:NAMES ARE y x1 x2 w clus;WITHIN = x1 x2; BETWEEN = w; CLUSTER IS clus;ANALYSIS:TYPE = TWOLEVEL RANDOM;ALGORITHM = INTEGRATION;MODEL: %WITHIN% s2 | y ON x1; s1 | y ON x2; %BETWEEN% y s1 s2 ON w;
%WITHIN% では「機能性」と「デザイン」から「売り上げ」への回帰係数がブランドによって異なることがモデル化されています。ランダム回帰係数を表す潜在変数は s1 と s2 です。切片はデフォルトでランダム切片とされ、 %BETWEEN% では潜在変数 y として表現されます。%BETWEEN% ではランダム切片とランダム回帰係数がブランドイメージ説明されることを表します。
Wイメージ
Y切片
s1傾き
s2傾き
ey e2
e1
X1機能性
y売り上げ
X2デザイン
eWithin
1次抽出単位内
Between
1次抽出単位間
2段抽出モデル⑨ ( 推定結果 )Within Level Residual Variances Y 1.046 0.116 8.994
Between Level S1 ON W 0.152 0.094 1.620
S2 ON W 0.827 0.144 5.760
Y ON W 0.459 0.147 3.117
Intercepts Y -0.004 0.158 -0.026 S2 0.656 0.139 4.725 S1 0.354 0.072 4.927
Residual Variances Y 0.818 0.189 4.327 S2 0.888 0.229 3.875 S1 0.006 0.054 0.113
「ブランドイメージ」の影響を排除したときには、「売り上げ」の切片は -0.004 ,「機能性」が 1単位上昇したときには「売り上げ」は 0.354上昇し、「デザイン」が 1単位上昇したときには「売り上げ」は 0.656上昇すると解釈されます。つまり、ブランドイメージを抜きにして考えれば、「機能性」よりも「デザイン」が売り上げに影響するということです。
Between Level の S1 ON W は「デザイン」から「売り上げ」への回帰係数を「ブランドイメージ」がどのように媒介するかを表します。ここでは正の値なので、「ブランドイメージ」が高いほど「デザイン」から「売り上げ」への回帰係数は大きくなると解釈されます。「機能性」の効果にも「ブランドイメージ」は影響するようですが、有意ではありませんでした。
μy
μs2
μs1
βy
βs1
βs2
e
eye2e1
潜在構造を加味した 2段抽出モデル
Wイメージ
Y切片
s1傾き
s2傾き
ey e2
e1
X1機能性
y売り上げ
X2デザイン
eWithin
1次抽出単位内
Between
1次抽出単位間
Within level あるいはBetween level に対して潜在構造分析を行う。
例えば, Between levelに対して潜在構造分析を行うと,ブランドイメージが傾きをよく媒介するクラス,あまり媒介しないクラスなどが抽出されることが期待される。
C
Tips for using Mplus
• Mplus に慣れるために– 解が分かっている分析例を Mplus で再分析– マニュアルの Example を活用する– マニュアルは Mplus の HP から無料ダウンロー
ド可能• 少し慣れてきたら Mplus の HP を利用する
– Mplus Discussion で調べたいことを検索する– 多数の論文
• 思い切って Muthen にメールする
Model コマンドのまとめ• ON の右の変数から左の変数へパスが引かれる。• BY の左の潜在変数から右の変数へパスが引かれる。• 変数名 ; はその変数の分散を推定することを表す。• 共分散・相関は WITH で示すが,外生変数間の相関はデ
フォルトで仮定される。• @ は固定母数を表す。• [ ] は平均あるいは切片を表す。• * は初期値を表す。• | はランダム係数を表す。• 名義変数のカテゴリは # で表す。• 順序カテゴリカル変数の閾値は $ で表す。