0:00:00.000,0:00:05.004
ハイ。Statics Oneへお帰りなさい。[br]今日のトピックはメディエーション(媒介)分析。

0:00:05.004,0:00:10.022
この前の幾つかで重回帰分析について詳細に扱った。

0:00:10.022,0:00:15.053
最初は概念的に重回帰を学び、

0:00:15.053,0:00:20.000
そこで回帰方程式に複数の回帰係数がある時に

0:00:20.000,0:00:25.017
それをどう解釈するかを学んだ。[br]そして行列の代数について見ていき、

0:00:25.017,0:00:30.061
一つの方程式で複数の予測変数の回帰係数を一度に

0:00:30.061,0:00:35.085
計算出来るようになった。[br]今日のレクチャーとこの後の2つのレクチャーでやっていく事は、

0:00:35.085,0:00:41.014
社会科学の分野で特に人気な特定の種類の重回帰分析について

0:00:41.014,0:00:46.023
より詳しく見ていく。[br]今日のレクチャー10ではメディエーション分析をやっていく。

0:00:46.023,0:00:50.097
次のレクチャー11ではモデレーション分析をやっていく。

0:00:50.097,0:00:56.074
そしてレクチャー12では媒介分析とモデレーション分析を両方

0:00:56.074,0:01:02.084
Rでやっていく。そういう訳で今日のフォーカスはメディエーション分析。[br]そして今日のレクチャーは2つのセグメントに分けた。

0:01:02.084,0:01:08.011
最初のセグメントではメディエーション分析をするのに、

0:01:08.011,0:01:13.018
いわゆる回帰アプローチを取る。[br]2つ目のセグメントではパスモデル、または

0:01:13.018,0:01:18.071
パス分析と呼ばれるアプローチを取る。[br]最初のセグメントでは

0:01:18.071,0:01:28.082
メディエーション分析をする為に回帰アプローチだけでいく。[br]最初にメディエーションとモデレーションの違いを

0:01:28.082,0:01:33.074
はっきりさせたい。[br]というのは、このトピックをこれまで

0:01:33.074,0:01:39.007
大学院のコースで何度も教えてきたけれど、、、[br]そうそう、

0:01:39.007,0:01:44.067
普段入門コースではこの話はしないけど、

0:01:44.067,0:01:50.020
Satics Oneでは入れる事にした、とても良く使われる手法だからね。

0:01:50.020,0:01:55.068
あー、そうだ。で、大学院レベルのコースで何度も教えてきたのだが、

0:01:55.068,0:02:00.047
多くの院生がメディエーション(媒介）とモデレーションの区別をつけるのに苦労してる。

0:02:00.047,0:02:05.045
どっちの分析がある種類のデザインや

0:02:05.045,0:02:10.024
検証したい仮説に適切なのか？[br]だから最初にこの区別をクリアにしておきたい。

0:02:10.024,0:02:15.050
メディエーションとモデレーション。[br]既に述べたように、今日は

0:02:15.050,0:02:20.057
メディエーションについて話す。次のレクチャーでモデレーション。[br]その次に両方を一緒にRでやる。

0:02:20.057,0:02:26.073
その区別をする為に、これら2つの丁度よい絵がある。

0:02:26.073,0:02:32.025
メディエーション（媒介）やメディエータという言葉の意味について考えてみてくれ。

0:02:32.025,0:02:38.016
この絵が描いているのは、この真ん中の所、メディエータ（調停人）の人がいる。

0:02:38.016,0:02:44.038
これら2つの異なる意見を持つ人がコミュニケートして、

0:02:44.038,0:02:50.052
この真ん中の人がこの二人の人の仲を取り持つ。

0:02:50.052,0:02:56.087
統計的には、我々がやるのは、2つの相関があるかもしれない変数を

0:02:56.087,0:03:02.099
調べる、という事。例えばXとYとする。[br]そんな例をここまでたくさん見てきた。

0:03:02.099,0:03:09.012
そこではXとYの相関を見てきた。

0:03:09.012,0:03:14.088
そこからさらに、もう一つの変数が見つけられるかを見てみる、という所が新しい。[br]それをMと呼ぼう。それがXとYの関係を

0:03:14.088,0:03:21.078
メディエート（仲介）している。[br]もしそれが見つけられるなら、XとYをつなぐメカニズムについて、

0:03:21.078,0:03:28.008
何かが言える。[br]そんな訳でこれは社会科学で人気の手法だ。

0:03:28.008,0:03:33.057
何故ならたくさんの社会科学の領域で、

0:03:33.057,0:03:38.084
彼らは観察研究に依拠せざるを得ない。[br]彼らはランダム化実験が出来ない。

0:03:38.084,0:03:44.004
だからこの相関から因果を推測する問題がある。

0:03:44.004,0:03:49.045
もし、メディエーションを示す事が出来たら、ちょっとだけ

0:03:49.045,0:03:55.037
強い因果の議論に近づける。[br]それがただの相関だけなら、まだそこまでは行けない。

0:03:55.037,0:04:03.048
でもそれは、モデレーションと区別するのには役に立つ。

0:04:03.048,0:04:10.064
ここに、画像の下の所でモデレートしている絵がある。

0:04:10.064,0:04:16.044
モデレータ（議長）は議論の全体をコントロールする。[br]モデレータはこの人間達の

0:04:16.044,0:04:22.066
一人の人に直接影響を与える。

0:04:22.066,0:04:29.023
統計的に変数同士の関係と同様に。[br]だからもしXとYに相関がある、と我々が言っても、

0:04:29.023,0:04:36.048
モデレータは、

0:04:36.048,0:04:42.027
いや、私の屋根の下ではそんなの無い、と言ったり出来る。[br]または、その相関を増加させよう、

0:04:42.027,0:04:47.098
その関係はとても重要と私が思うから、と言ったりも出来る。[br]つまりモデレータは他の関係に影響を与えたり、

0:04:47.098,0:04:56.070
制御したりする。[br]たくさんの院生はこのメディエーション分析や

0:04:56.070,0:05:01.050
モデレーション分析で頭を悩ませるが、私の考えではそれは、

0:05:01.050,0:05:06.092
それはたくさんの要素を詰めすぎるからだ。[br]だから私はこのナイスで短い省略形、

0:05:06.092,0:05:11.091
高校のサッカーコーチが良く私に言った、KISS (Keep It Simple, Stupid, シンプルにしておく方が良いという諺）

0:05:11.091,0:05:16.077
に立ち戻る。[br]試合を大げさにやり過ぎたり、何かについて喧嘩しすぎたときには

0:05:16.077,0:05:21.039
彼はいつも、「KISSの法則を使え」と言った。[br]シンプルにしておきなさい。

0:05:21.039,0:05:25.095
KISSの法則を使え。[br]ここでは我々は四つの変数しか扱わない。

0:05:25.095,0:05:30.014
これはそんなに複雑じゃない。[br]コースの後半では四つの変数よりももっと多くの

0:05:30.014,0:05:33.081
デザインをする事になる。[br]Statics Oneより先のコースまで行くと、

0:05:33.081,0:05:39.046
もっと複雑なデータセットを扱う事になる。

0:05:39.046,0:05:46.017
でもここでは多くとも4つの変数だけ。[br]このメディエーション分析では三変数のみ。

0:05:46.017,0:05:52.013
シンプルに保て。[br]4つの変数だけある。XとYをこれまで同様

0:05:52.013,0:05:57.018
予測変数と結果変数を表すのに使う。[br]この例で、このセグメントでは、

0:05:57.018,0:06:02.035
予測変数と結果変数を使っていくが、

0:06:02.035,0:06:07.026
Xを本当の意味での独立変数、

0:06:07.026,0:06:12.050
ランダム化実験の物として使い、その上でメディエーション分析を行う、という事も考えられるのは

0:06:12.050,0:06:17.061
心にとめておきなさい。[br]そして実際Rでメディエーション分析を実演するレクチャーでは、そうする。

0:06:17.061,0:06:22.074
しかしここでは、それらを予測変数と結果変数に留めておく。[br]Mをメディエーターとして使う。

0:06:22.074,0:06:29.079
Zはモデレータ変数。[br]この最初のセグメントで扱う例は、

0:06:29.079,0:06:35.050
Xを何らかの心理学的特性、たとえば外向性として、

0:06:35.050,0:06:40.060
それが幸福と相関しているか、という物。[br]実際多くの研究で真と出てる。

0:06:40.060,0:06:45.082
正の相関が見て取れる。[br]つまりより外向的な方が、

0:06:45.082,0:06:50.081
より幸せ、と異なる種類の尺度で出てる。[br]ではどんなメディエーターや

0:06:50.081,0:06:56.034
メカニズムが考えられるか？[br]今このデータを作り上げた。

0:06:56.034,0:07:02.025
私はRでデータをシミュレートした。[br]一つ考えられるメカニズムは、

0:07:02.025,0:07:08.030
単に人生経験が多様なだけ、という物。[br]もしあなたが外向的なら、より幅広い経験を得るかもいれない。

0:07:08.030,0:07:13.091
より多様な人生経験。

0:07:13.091,0:07:19.067
それらは相関があるかもしれず、それが結果としてより幸福なのかも。

0:07:19.067,0:07:24.037
次のレクチャーでやる事としては、今日はこの変数には関与しませんが、

0:07:24.037,0:07:29.002
それは、その関係にモデレータ変数を考えてみる事だ。

0:07:29.002,0:07:35.078
つまり、社会経済的なステータスがその関係をモデレートしてるかもしれない。

0:07:35.078,0:07:40.058
つまり、この絵に描いたように、外向性が

0:07:40.058,0:07:46.025
幸福と正に相関するのは、SCS（社会経済的ステータス）が高い人だけにあてはまるのかもしれない。

0:07:46.025,0:07:50.091
SCSが低い、もの凄く低いと、

0:07:50.091,0:07:56.031
外向的で様々な人生の経験を積んでいると、

0:07:56.031,0:08:01.072
負の人生経験を積む事になり、より低い幸福度になるかも。[br]だから社会経済的なステータスは、

0:08:01.072,0:08:07.056
その関係をモデレートするかもしれない、メディエートではなく。（モデレートは仕切る感じでメディエートは調整する感じ）

0:08:07.056,0:08:12.092
さて、メディエーション分析をする時は、

0:08:12.092,0:08:18.084
XとYが相関する事を知っていて、しかしより踏み込んで何故その相関が存在するかを

0:08:18.084,0:08:24.048
知りたい時だ。[br]それらの変数が何故相関しているか？

0:08:24.048,0:08:30.061
何故それらの変数が相関しているかのメカニズムを説明出来るか？[br]我々は既に単回帰から、少し前の講義でやったように、

0:08:30.061,0:08:35.084
XとYが相関していると、XからYが予測出来る。

0:08:35.084,0:08:43.092
そしてここに単回帰の方程式がある。[br]今メディエータ変数を追加すると、

0:08:43.092,0:08:50.014
結果として3つの回帰式を得る事になる。

0:08:50.014,0:08:56.036
その内2つを見ていく。[br]最初の式で、メディエータ変数「から」

0:08:56.036,0:09:02.052
予測出来る。[br]二番目はメディエータ変数「を」Xから予測出来る。

0:09:02.052,0:09:08.019
つまり最初の回帰式ではこの部分を取り除いた。

0:09:08.019,0:09:14.018
Yをメディエータから予測出来る、と言っている。[br]二番目の回帰式では、

0:09:14.018,0:09:19.043
この部分を取り除いた。[br]この式で言っているのは、

0:09:19.043,0:09:25.044
メディエータをXから予測出来る、という事。[br]しかしこの、パス図の全体を取り込む為には、

0:09:25.044,0:09:32.064
そしてそれは次のセグメントでやる事でもあるが、しなくてはいけない事は、

0:09:32.064,0:09:41.033
両方の予測変数を一つの回帰方程式に入れる事。[br]これがいわば、フルのモデルだ。

0:09:41.033,0:09:48.047
メディエーターと元の予測変数が両方入ってる。

0:09:48.047,0:09:55.020
そこで質問は、メディエータを追加した後には

0:09:55.020,0:10:02.099
Xの予測の妥当性または予測の価値に、何が起こるか？という事。[br]もしXとYがメディエータの為に相関していたのなら、

0:10:02.099,0:10:09.039
このスライドで言ったように、という事だが、もしそうなら、Xはもはや有意では無いはず。

0:10:09.039,0:10:15.097
何故ならYの変動の内Xが寄与している部分は全て

0:10:15.097,0:10:22.097
メディエータが説明しているはずだから。[br]だからXはもはやYの有意な予測変数では無くなっているはず。

0:10:22.097,0:10:29.055
質問に答える為にこの下を見る。[br]回帰係数B2はもはや、

0:10:29.055,0:10:39.021
有意では無い、もしフルのメディエーションのケースなら。[br]しかし、こういう可能性も考えられる。

0:10:39.021,0:10:45.031
B2、つまりXの回帰係数はいまだ有意だが、

0:10:45.031,0:10:51.028
より小さく、弱くなっている、というケース、

0:10:51.028,0:10:56.087
それのみで回帰式に入っていた時よりも。

0:10:56.087,0:11:02.030
その場合は、パーシャルなメディエーションだという証拠を得た事になる。[br]つまりメディエーション分析をした時には、

0:11:02.030,0:11:07.037
3通りの結果の可能性がある。[br]メディエーションの証拠が全く得られない場合、

0:11:07.037,0:11:12.038
またはフルの証拠が得られる場合、[br]そうでなければ、部分的な証拠だけが得られる場合がある。

0:11:12.038,0:11:18.020
その例をお見せしよう。[br]繰り返しになるが、ここに赤文字で注意を置いた。

0:11:18.020,0:11:24.018
次のセグメントでは、これらのパスモデルを描いていくが、

0:11:24.018,0:11:30.031
そこでは矢印は普通は因果関係を表す。[br]でも少なくともこの例に関しては、

0:11:30.031,0:11:35.067
単にデータの相関を扱っているに過ぎない。[br]だから

0:11:35.067,0:11:41.070
相関関係が因果関係を意味しない、という標語は引き続き当てはまる。[br]さらに、この大学院レベルのクラスで言っておきたいのは、

0:11:41.070,0:11:47.046
統計的なメディエーションと真の因果的なメディエーションには

0:11:47.046,0:11:52.087
大きな違いがあるということである。[br]したがって、統計的な意味で完全なメディエーションの[br]証拠を得られたかもしれない。

0:11:52.087,0:11:57.055
しかし、単なるクロスセクションの相関データを[br]扱っているにすぎないのであれば、

0:11:57.055,0:12:03.041
因果性に関する強い主張を何かできている、[br]というわけではない。

0:12:03.041,0:12:10.004
オーケー。[br]では実際にどうメディエーションをどう検証して

0:12:10.004,0:12:16.056
実装するか？それは3つの回帰モデルを実行していく事によって。[br]レクチャー12で

0:12:16.056,0:12:22.083
ステップバイステップでRでスクリプトを書きながらやる。[br]ここでは、ただ駆け足で軽く見ていくだけに留める。

0:12:22.083,0:12:28.014
これらが実行したい3つの回帰方程式だ。

0:12:28.014,0:12:33.037
lmはRの関数で、LinearModel（線形モデル）を表す。[br]一つは、ただ単純に

0:12:33.037,0:12:38.061
XとYの直接の関係を示す。[br]明らかにメディエートとは

0:12:38.061,0:12:43.098
関係が無くてはならない。[br]それを確認する為、Xとメディエータの関係を見る。

0:12:43.098,0:12:50.089
その後、このフルのモデルを実行する。[br]問題は予測変数の妥当性、つまり

0:12:50.089,0:13:02.000
Xの予測における価値が、Mを加えた後でどうなるか。

0:13:02.000,0:13:07.020
フルのメディエーションを得る為に、最初はこの2つを見る。[br]この最初の2つの単回帰の方程式。

0:13:07.020,0:13:12.058
明らかに、Xは有意な予測変数であって欲しい。

0:13:12.058,0:13:17.084
メディエーション分析をするには、まずXが有意な予測変数でなくてはならない。

0:13:17.084,0:13:23.036
XはYの有意な予測変数でなくてはならない。[br]XはMの有意な予測変数である必要もある。

0:13:23.036,0:13:28.062
それらが前提条件。[br]もし成り立たなければ、メディエーション分析は出来ない。

0:13:30.056,0:13:37.027
この最後の回帰方程式では、Mは有意であるべき。[br]Xがどうあるべきかは、いろいろ有り得る。

0:13:37.027,0:13:42.055
Xが有意で無くなるなら、

0:13:42.055,0:13:48.021
0になるなら、それはフルのメディエーションである、という証拠となる。

0:13:48.021,0:13:54.039
つまり、Xの直接効果は完全に消えてしまった。

0:13:54.039,0:13:59.098
だが有意なメディエーターに対してもXは有意のままたりえる。[br]その場合はパーシャル（部分的）なメディエーションである、という証拠となる。

0:13:59.098,0:14:07.014
この例に戻って、幾つかの数字を実際に見て、

0:14:07.014,0:14:14.038
もっと具体的にしていこう。[br]前にも言った通り、

0:14:14.038,0:14:19.030
Rでデータを作った。[br]これらはシミュレートしたデータ。188人の被験者が居て、

0:14:19.030,0:14:24.042
これはナイスな大きな例だ、で、彼らを調査している。[br]このレクチャーでは社会経済的なステータスは

0:14:24.042,0:14:29.090
空白のままにしてある。[br]それは次のレクチャーで。

0:14:29.090,0:14:35.053
この時点では3つの指標だけある。[br]幸福、外向性、人生経験の多様性。

0:14:35.053,0:14:40.079
それらのスコアは単純に1から5までの尺度とする。

0:14:40.079,0:14:46.064
より高いスコアはより幸せ、より外向的、より多様な人生経験。

0:14:46.064,0:14:52.092
これら3つが全て正の相関だと想定している。[br]最初の2つの単回帰のモデルの結果は、

0:14:52.092,0:14:59.023
こうなる。[br]幸福を外向性から予測すると、

0:14:59.023,0:15:04.067
標準化していない回帰係数は0.28となる。

0:15:04.067,0:15:10.067
それが意味する所は一単位の外向性の上昇に対して、

0:15:10.067,0:15:17.079
幸福度の尺度で0.28だけの上昇を予測している。[br]そして外向性が0だと、

0:15:17.079,0:15:24.045
幸福度は2.19となると予測している。[br]例えば外向性が4の誰かを考えてみよう。

0:15:24.045,0:15:29.075
その人は、4掛ける0.28が1をちょっと越える位で、そこに2.19を足すのだから、

0:15:29.075,0:15:35.019
3.3とか3.4くらい。[br]だから外向性が高ければ、

0:15:35.019,0:15:41.030
少しだけ幸福度が高い、または幸福度の予測されるスコアは高くなる。

0:15:41.030,0:15:47.041
それらは正の相関を持っている。[br]人生経験の多様さも同様。

0:15:47.041,0:15:52.066
だから最初の2つの条件は満たしている。[br]Xが結果変数に対して有意な予測変数で、

0:15:52.066,0:16:00.016
しかもメディエータ変数も有意に予測している。[br]ではフルのモデルを見てみよう。

0:16:00.016,0:16:07.054
それは下のここにある。[br]見て取れる事として、外向性と人生経験の多様性の

0:16:07.054,0:16:13.074
回帰係数はどちらも有意。[br]そしてそれらを

0:16:13.074,0:16:19.029
単回帰にそれぞれ入れた場合と比較すると、

0:16:19.029,0:16:25.049
そんなには低下していない。

0:16:25.049,0:16:32.062
外向性は0.28から0.22へ、多様性は、、、

0:16:32.062,0:16:39.035
他の方を持ってないや。それが0.19になった。[br]これら予測変数と結果変数の関係の傾きは、

0:16:39.035,0:16:45.067
それらを個々に予測変数として入れた場合と比較して、

0:16:45.067,0:16:52.024
そんなに落ちてない。[br]ここで見ているのは、パーシャルなメディエーションの証拠という事になる。

0:16:52.024,0:16:58.064
何故ならダイレクトなパスは0には落ちてない。

0:16:58.064,0:17:04.039
実の所ちょっとしか落ちてない。[br]当初のナイスな正の傾きから、

0:17:04.039,0:17:09.075
僅かしか落ちていない。

0:17:09.075,0:17:16.012
この結果を解釈する為に、まず回帰式に戻る。[br]外向性と幸福度は

0:17:16.012,0:17:22.036
正の相関。[br]人生経験の多様性はその関係を部分的にだけ

0:17:22.036,0:17:29.009
メディエートしている。[br]何故ならここの値、0.22は、

0:17:29.009,0:17:36.056
0.28からちょっとしか落ちていない。[br]もしこれが0まで落ちていたら、

0:17:36.056,0:17:44.003
それはフルなメディエーションの証拠となるのだが。[br]次のセグメントでは、同じ例を、

0:17:44.003,0:17:49.050
パスモデル形式で行う。[br]そしてそれを全部グラフィカルに示す。

0:17:49.050,0:17:54.049
その事は関係を見て理解するのに役に立つと思う。

0:17:54.049,0:17:59.040
それを私のお気に入りのモデル達の中に見る事になる。

0:17:59.040,0:18:04.080
その為に、もう一度この例をパス分析のアプローチでやる。

0:18:04.080,0:18:07.044
それが次のセグメントのトピック。