構造方程式モデリング（SEM）は、態度や認識など、直接観察できない概念を、測定可能な指標を用いてモデル化する上で有用である。このアプローチは、特にアンケート調査や生体センサーなど、多様な情報源からのデータを統合する場合に、人間の意思決定プロセスについてより深い洞察を得るために不可欠である。

構造方程式モデリング（SEM）は、観察変数と潜在変数との間の複雑な関係を分析するための統計的手法である。例えば心理経済学の分野において、SEMは、心理的要因や経済的要因の影響を受ける人間の行動や意思決定プロセスを理解するために、複数の概念を統合できる点で特に有用である。変数間の直接的な関係を評価する従来の回帰分析手法とは異なり、SEMは直接効果と間接効果の両方を評価することができ、さまざまな要因がどのように相互作用しているかについて包括的な全体像を提供する。

心理経済学の研究では、態度、認識、意図など、直接観察できない概念を扱うことがよくあります。SEM（構造方程式モデル）は、測定可能な複数の指標や観測変数を用いて、こうした潜在変数をモデル化するのに役立ちます。例えば、経済的ストレスがメンタルヘルスに与える影響を研究する場合、SEMを用いることで、収入、支出の傾向、ストレスレベル、心理的幸福感といった様々な側面を同時に考慮することができ、これらの変数間の相互作用を包括的に把握することが可能になります。

変数に関する章 ― 構造方程式モデリングにおける各変数の使い方

5つの異なる種類の変数（独立変数、従属変数、交絡変数、潜在変数、観測変数）間の関係を理解することは、正確で有意義なモデルを構築するための重要なステップの一つである。

独立変数（外生変数）：

これらは、モデル内の他の変数の影響を受けない変数です。これらは説明変数、あるいは原因と考えることができます。
SEMでは、独立変数は、他の変数を介して直接的または間接的に従属変数に影響を与えることがある。
例：教育（独立変数）が職務遂行能力（従属変数）に与える影響を検証した研究を考えてみましょう。この場合、教育は職務遂行能力に影響を与える予測変数となります。

従属変数（内生変数）：
- これらは、モデル内の他の変数の影響を受ける変数です。これらは結果や効果と見なすことができます。
- SEMにおいて、従属変数は媒介変数として機能し、他の従属変数に影響を与えることもある。
- 例：同じ研究において、職務遂行能力は教育の影響を受ける従属変数である。
交絡変数：
- これらは、独立変数と従属変数の両方に関連する変数であり、適切に調整されないと、両者の間に偽の関連性が生じる可能性があります。
- SEMでは、関心のある変数間の関係について偏った推定値を避けるために、交絡変数を考慮に入れる必要がある。
- 例：教育と職務遂行能力に関する研究において、心身の健康状態は、教育レベルと職務遂行能力の両方に影響を与える可能性があるため、交絡変数となり得る。

人はストレスを感じやすいため、メンタルヘルスの問題は学業成績や仕事のパフォーマンスの両方に影響を及ぼす可能性があります。

潜在変数：
- これらは、直接観測されるものではなく、観測された他の変数（指標変数）から推論される変数である。
- 潜在変数は、観測変数を引き起こすと仮定される基礎となる概念を表す。これらはSEMにおける中心的な概念であり、通常、パス図（次章参照）では円や楕円で表される。
- 潜在変数の例としては、知能、総合的な満足度、社会経済的地位、家族構成などが挙げられる。
観測変数（顕在変数）：
- 観測変数（顕在変数または指標とも呼ばれる）は、直接測定されるものであり、潜在変数を推論するために用いられるデータを提供する。これらは、調査、テスト、またはその他の測定機器（バイオセンサー）から得られる実際の回答や得点である。
- SEMでは、観測変数は潜在変数を測定するために用いられ（指標として機能する）、独立変数または従属変数としても機能する。

パス図を用いた構造方程式モデルの可視化

この例では、SEMをどのように視覚化できるかを示すために、非常にシンプルなパス図を選びました。

先ほどの例を引き続き取り上げ、教育（独立変数）が職務遂行能力（従属変数）に与える影響について検討していきます。ここで、予測変数としての教育が、結果変数としての職務遂行能力に与える影響のみを調査することも可能です。

しかし、より包括的な全体像を把握するためには、いくつかの特定変数を組み込むことも可能です。これらの変数を追加することで、教育や職務遂行能力が単なる絶対的な数値ではなく、個人の「教育」や「職務遂行能力」を構成する無数の要因が作用していることを評価することができます。

個人の教育や学歴には、公共図書館の利用機会（および利用意欲）、課外学習の機会、近隣の学校の質といった人口統計学的要因、さらには両親の社会経済的地位などの要因が影響を及ぼす可能性があります。また、通常はテストの点数によって数値化される過去の学業成績も要因となり得ますし、友人からの影響といった定量化が難しい変数も、個人の学歴に影響を与えることがあります。

これらは、総合的な教育水準を予測する個別の回帰分析である可能性がある。さらに、職務遂行能力は、これまでの教育だけでなく、職務そのものの評価に寄与する条件や動機にも影響を受けることを認識し、これらを定量化することで、職務遂行能力に寄与する変動のどれだけが教育のみに起因するかを把握すべきである。

これらすべての変数を「教育→職務遂行能力」という単純なモデルに組み込むと、次のような形になるでしょう。

なぜ構造方程式モデリングを使うのか？

従来の統計モデルは、通常、独立変数が従属変数に及ぼす直接的な影響の分析に重点を置いています。しかし、こうしたモデルでは、この関係に影響を及ぼしうる数多くの調整変数や媒介変数を十分に考慮しきれないことがよくあります。独立変数の効果を特定するためには、研究者は研究デザインの中で可能な限り多くの交絡変数を調整する必要がありますが、それによって研究の生態学的妥当性が低下する可能性があります。それにもかかわらず、変数同士が複雑な形で媒介作用や相互作用を及ぼすため、包括的かつ相互に関連したモデルにすべての変数を含めることが不可欠な場合もあります。

構造方程式モデルへの道のり

例：ミレニアル世代の慈善寄付の傾向

構造方程式モデル（SEM）への移行を示す例として、ミレニアル世代の慈善寄付の選択に関する研究を考えてみよう。対照実験では、研究者は対象を、例えばコペンハーゲンで生まれ育ち、年収が7万ユーロを超える35～40歳の個人といった、特定の人口統計学的グループに絞り込むことがある。そして、こうした人々が慈善活動に参加しているかどうか、またどのように参加しているかを調査する。

この焦点を絞ったアプローチにより、所得の増加と慈善活動への支出割合との間に直線的な関係が明らかになる可能性がある。しかし、調査対象を幅広い年齢層や様々な所得水準にまで拡大することで、研究者は世代間の違いと所得が慈善活動に及ぼす相互作用を検証することができる。

慈善団体への寄付という一見単純な行為は、その行動を可能にする何百もの個人的・社会的な要因が重なり合って成り立っている。

研究者が社会的見解などの他の潜在的な要因を考慮する場合、これらの変数を調整するか、あるいはより複雑な回帰モデルを構築する必要が生じます。例えば、コペンハーゲンのような多様性に富んだ国際都市社会における慈善活動の選択を分析するには、研究者は広範な人口統計学的情報を必要とします。これには、年齢、宗教的所属、政治的信条、ソーシャルメディアの利用状況、個人および世帯の収入、婚姻状況、子供の有無およびその年齢、職業分野などが含まれます。

バイオセンサーを用いて構造方程式の変数を強化する

バイオセンサーを構造方程式モデル（SEM）に統合することで、「観測変数」という次元が加わり、その能力が大幅に向上します。バイオセンサーは、心拍変動、皮膚電気伝導度、脳波などの生理的反応に関する、リアルタイムかつ客観的なデータを提供します。これらの測定値は、意思決定プロセスにおける心理的・経済的行動に伴う根本的な生物学的プロセスを理解する上で極めて重要です。バイオセンサーのデータをSEMに組み込むことで、研究者はより正確で精緻なモデルを構築することが可能になります。例えば、経済的困窮と心理的苦痛との関係を、生理的ストレス反応がどのように媒介しているかを解明することが可能になる。

SEMへのバイオセンサー導入手順

バイオセンサーデータと理論的枠組みの整合

まず、研究者は、バイオセンサーのデータが自身のモデルの理論的枠組みと整合していることを確認する必要があります。これには、関心のある潜在変数の指標として、生理学的測定値を検証することが含まれます。例えば、心拍変動はストレスの指標として、皮膚電気伝導度は感情的覚醒の指標として、それぞれ検証される可能性があります。

バイオセンサーデータと従来型データの統合

次に、バイオセンサーを通じて収集されたデータを、従来の調査データや観測データと統合する必要があります。これには、マルチモーダルなデータストリームを同期・分析するための高度なデータ処理技術が必要ですが、iMotionsを利用することでこのプロセスは簡素化されます。iMotionsは、多数のデータソースからのデータストリームをシームレスかつリアルタイムで同期させることを可能にするツールです。

例えば、研究者は、主観的なストレスレベルに関するアンケートデータを収集すると同時に、生体センサーを用いて心拍変動を測定することがある。課題は、これらの測定のタイミングと状況を確実に一致させることにある。

構造方程式モデルを用いた複雑な仮説の検証

データ統合が完了すれば、SEMを用いて、心理的変数、経済的変数、生理的変数間の関係に関する複雑な仮説を検証することが可能になる。例えば、研究者はSEMを用いて、経済的な不安がストレスの増大につながり、それがさらに生理的反応の変化を引き起こし、結果としてメンタルヘルスの問題に寄与するかどうかを検証することができる。別の例としては、暗黙的連合課題を用いて社会的・政治的志向を理解する場合が挙げられ、バイオセンサーで測定された生理的反応が、より深い洞察をもたらすことになる。

SEMにおいてバイオセンサーデータを活用する利点

SEMをバイオセンサーデータと組み合わせて使用することで、研究者は自己申告による調査データだけに頼るのではなく、間接的な測定値や生理的反応を根拠とすることができる。このアプローチには、いくつかの利点がある：

客観的な測定：バイオセンサーは、主観的な偏りや自己申告による不正確さの影響を受けない、客観的なリアルタイムデータを提供します。
豊富なデータ：心電図（ECG）を用いて測定されたストレスや、アイトラッキングを用いた嗜好などの生理学的データは、従来の方法では容易に捉えられない情報の層を加えることで、SEMモデルを充実させる。
精度の向上：バイオセンサーのデータを取り入れることで、より堅牢かつ高精度なモデルを構築することが可能となり、変数間の複雑な相互作用をより深く理解できるようになります。

利用例

このテーマはかなり複雑になり得るため、もう1つ例を挙げてみましょう。経済的不安がメンタルヘルスに与える影響を調査する研究を想定してみましょう。従来の方法では、経済的ストレスやメンタルヘルスの結果に関する自己申告データが用いられることが一般的です。しかし、生体センサーデータを統合することで、研究者は心拍変動や皮膚電気伝導度といった観測変数を追加し、生理的なストレス反応を測定できるようになります。その後、構造方程式モデル（SEM）を用いて、経済的不安が生理的ストレスの増加につながり、それがひいてはメンタルヘルスに影響を与えるかどうかを検証することができます。この包括的なアプローチにより、経済的不安が心理的ウェルビーイングに影響を与えるメカニズムについて、より包括的な理解が得られるのです。