1
00:00:00,000 --> 00:00:05,004
ハイ。Statics Oneへお帰りなさい。
今日のトピックはメディエーション(媒介)分析。

2
00:00:05,004 --> 00:00:10,022
この前の幾つかで重回帰分析について詳細に扱った。

3
00:00:10,022 --> 00:00:15,053
最初は概念的に重回帰を学び、

4
00:00:15,053 --> 00:00:20,000
そこで回帰方程式に複数の回帰係数がある時に

5
00:00:20,000 --> 00:00:25,017
それをどう解釈するかを学んだ。
そして行列の代数について見ていき、

6
00:00:25,017 --> 00:00:30,061
一つの方程式で複数の予測変数の回帰係数を一度に

7
00:00:30,061 --> 00:00:35,085
計算出来るようになった。
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、

8
00:00:35,085 --> 00:00:41,014
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

9
00:00:41,014 --> 00:00:46,023
より詳しく見ていく。
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。

10
00:00:46,023 --> 00:00:50,097
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。

11
00:00:50,097 --> 00:00:56,074
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

12
00:00:56,074 --> 00:01:02,084
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。
そして今日のレクチャーは2つのセグメントに分けた。

13
00:01:02,084 --> 00:01:08,011
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、

14
00:01:08,011 --> 00:01:13,018
いわゆる回帰アプローチを取る。
2つ目のセグメントではパスモデル、または

15
00:01:13,018 --> 00:01:18,071
パス分析と呼ばれるアプローチを取る。
最初のセグメントでは

16
00:01:18,071 --> 00:01:28,082
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。
最初にメディエーションとモデレーションの違いを

17
00:01:28,082 --> 00:01:33,074
はっきりさせたい。
というのは、このトピックをこれまで

18
00:01:33,074 --> 00:01:39,007
大学院のコースで何度も教えてきたけれど、、、
そうそう、

19
00:01:39,007 --> 00:01:44,067
普段入門コースではこの話はしないけど、

20
00:01:44,067 --> 00:01:50,020
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。

21
00:01:50,020 --> 00:01:55,068
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、

22
00:01:55,068 --> 00:02:00,047
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。

23
00:02:00,047 --> 00:02:05,045
どっちの分析がある種類のデザインや

24
00:02:05,045 --> 00:02:10,024
検証したい仮説に適切なのか？
だから最初にこの区別をクリアにしておきたい。

25
00:02:10,024 --> 00:02:15,050
メディエーションとモデレーション。
既に述べたように、今日は

26
00:02:15,050 --> 00:02:20,057
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。
その次に両方を一緒にRでやる。

27
00:02:20,057 --> 00:02:26,073
その区別をする為に、これら2つの丁度よい絵がある。

28
00:02:26,073 --> 00:02:32,025
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。

29
00:02:32,025 --> 00:02:38,016
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。

30
00:02:38,016 --> 00:02:44,038
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、

31
00:02:44,038 --> 00:02:50,052
この真ん中の人がこの二人の人の仲を取り持つ。

32
00:02:50,052 --> 00:02:56,087
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

33
00:02:56,087 --> 00:03:02,099
調べる、という事。例えばXとYとする。
そんな例をここまでたくさん見てきた。

34
00:03:02,099 --> 00:03:09,012
そこではXとYの相関を見てきた。

35
00:03:09,012 --> 00:03:14,088
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。
それをMと呼ぼう。それがXとYの関係を

36
00:03:14,088 --> 00:03:21,078
メディエート（仲介）している。
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、

37
00:03:21,078 --> 00:03:28,008
何かが言える。
そんな訳でこれは社会科学で人気の手法だ。

38
00:03:28,008 --> 00:03:33,057
何故ならたくさんの社会科学の領域で、

39
00:03:33,057 --> 00:03:38,084
彼らは観察研究に依拠せざるを得ない。
彼らはランダム化実験が出来ない。

40
00:03:38,084 --> 00:03:44,004
だからこの相関から因果を推測する問題がある。

41
00:03:44,004 --> 00:03:49,045
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

42
00:03:49,045 --> 00:03:55,037
強い因果の議論に近づける。
それがただの相関だけなら、まだそこまでは行けない。

43
00:03:55,037 --> 00:04:03,048
でもそれは、モデレーションと区別するのには役に立つ。

44
00:04:03,048 --> 00:04:10,064
ここに、画像の下の所でモデレートしている絵がある。

45
00:04:10,064 --> 00:04:16,044
モデレータ（議長）は議論の全体をコントロールする。
モデレータはこの人間達の

46
00:04:16,044 --> 00:04:22,066
一人の人に直接影響を与える。

47
00:04:22,066 --> 00:04:29,023
統計的に変数同士の関係と同様に。
だからもしXとYに相関がある、と我々が言っても、

48
00:04:29,023 --> 00:04:36,048
モデレータは、

49
00:04:36,048 --> 00:04:42,027
いや、私の屋根の下ではそんなの無い、と言ったり出来る。
または、その相関を増加させよう、

50
00:04:42,027 --> 00:04:47,098
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。
つまりモデレータは他の関係に影響を与えたり、

51
00:04:47,098 --> 00:04:56,070
制御したりする。
たくさんの院生はこのメディエーション分析や

52
00:04:56,070 --> 00:05:01,050
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、

53
00:05:01,050 --> 00:05:06,092
それはたくさんの要素を詰めすぎるからだ。
だから私はこのナイスで短い省略形、

54
00:05:06,092 --> 00:05:11,091
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）

55
00:05:11,091 --> 00:05:16,077
に立ち戻る。
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

56
00:05:16,077 --> 00:05:21,039
彼はいつも、「KISSの法則を使え」と言った。
シンプルにしておきなさい。

57
00:05:21,039 --> 00:05:25,095
KISSの法則を使え。
ここでは我々は四つの変数しか扱わない。

58
00:05:25,095 --> 00:05:30,014
これはそんなに複雑じゃない。
コースの後半では四つの変数よりももっと多くの

59
00:05:30,014 --> 00:05:33,081
デザインをする事になる。
Statics Oneより先のコースまで行くと、

60
00:05:33,081 --> 00:05:39,046
もっと複雑なデータセットを扱う事になる。

61
00:05:39,046 --> 00:05:46,017
でもここでは多くとも4つの変数だけ。
このメディエーション分析では三変数のみ。

62
00:05:46,017 --> 00:05:52,013
シンプルに保て。
4つの変数だけある。XとYをこれまで同様

63
00:05:52,013 --> 00:05:57,018
予測変数と結果変数を表すのに使う。
この例で、このセグメントでは、

64
00:05:57,018 --> 00:06:02,035
予測変数と結果変数を使っていくが、

65
00:06:02,035 --> 00:06:07,026
Xを本当の意味での独立変数、

66
00:06:07,026 --> 00:06:12,050
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

67
00:06:12,050 --> 00:06:17,061
心にとめておきなさい。
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。

68
00:06:17,061 --> 00:06:22,074
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。
Mをメディエーターとして使う。

69
00:06:22,074 --> 00:06:29,079
Zはモデレータ変数。
この最初のセグメントで扱う例は、

70
00:06:29,079 --> 00:06:35,050
Xを何らかの心理学的特性、たとえば外向性として、

71
00:06:35,050 --> 00:06:40,060
それが幸福と相関しているか、という物。
実際多くの研究で真と出てる。

72
00:06:40,060 --> 00:06:45,082
正の相関が見て取れる。
つまりより外向的な方が、

73
00:06:45,082 --> 00:06:50,081
より幸せ、と異なる種類の尺度で出てる。
ではどんなメディエーターや

74
00:06:50,081 --> 00:06:56,034
メカニズムが考えられるか？
今このデータを作り上げた。

75
00:06:56,034 --> 00:07:02,025
私はRでデータをシミュレートした。
一つ考えられるメカニズムは、

76
00:07:02,025 --> 00:07:08,030
単に人生経験が多様なだけ、という物。
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。

77
00:07:08,030 --> 00:07:13,091
より多様な人生経験。

78
00:07:13,091 --> 00:07:19,067
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。

79
00:07:19,067 --> 00:07:24,037
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、

80
00:07:24,037 --> 00:07:29,002
それは、その関係にモデレータ変数を考えてみる事だ。

81
00:07:29,002 --> 00:07:35,078
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。

82
00:07:35,078 --> 00:07:40,058
つまり、この絵に描いたように、外向性が

83
00:07:40,058 --> 00:07:46,025
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。

84
00:07:46,025 --> 00:07:50,091
SCSが低い、もの凄く低いと、

85
00:07:50,091 --> 00:07:56,031
外向的で様々な人生の経験を積んでいると、

86
00:07:56,031 --> 00:08:01,072
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。
だから社会経済的なステータスは、

87
00:08:01,072 --> 00:08:07,056
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）

88
00:08:07,056 --> 00:08:12,092
さて、メディエーション分析をする時は、

89
00:08:12,092 --> 00:08:18,084
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

90
00:08:18,084 --> 00:08:24,048
知りたい時だ。
それらの変数が何故相関しているか？

91
00:08:24,048 --> 00:08:30,061
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？
我々は既に単回帰から、少し前の講義でやったように、

92
00:08:30,061 --> 00:08:35,084
XとYが相関していると、XからYが予測出来る。

93
00:08:35,084 --> 00:08:43,092
そしてここに単回帰の方程式がある。
今メディエータ変数を追加すると、

94
00:08:43,092 --> 00:08:50,014
結果として3つの回帰式を得る事になる。

95
00:08:50,014 --> 00:08:56,036
その内2つを見ていく。
最初の式で、メディエータ変数「から」

96
00:08:56,036 --> 00:09:02,052
予測出来る。
二番目はメディエータ変数「を」Xから予測出来る。

97
00:09:02,052 --> 00:09:08,019
つまり最初の回帰式ではこの部分を取り除いた。

98
00:09:08,019 --> 00:09:14,018
Yをメディエータから予測出来る、と言っている。
二番目の回帰式では、

99
00:09:14,018 --> 00:09:19,043
この部分を取り除いた。
この式で言っているのは、

100
00:09:19,043 --> 00:09:25,044
メディエータをXから予測出来る、という事。
しかしこの、パス図の全体を取り込む為には、

101
00:09:25,044 --> 00:09:32,064
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、

102
00:09:32,064 --> 00:09:41,033
両方の予測変数を一つの回帰方程式に入れる事。
これがいわば、フルのモデルだ。

103
00:09:41,033 --> 00:09:48,047
メディエーターと元の予測変数が両方入ってる。

104
00:09:48,047 --> 00:09:55,020
そこで質問は、メディエータを追加した後には

105
00:09:55,020 --> 00:10:02,099
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。
もしXとYがメディエータの為に相関していたのなら、

106
00:10:02,099 --> 00:10:09,039
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。

107
00:10:09,039 --> 00:10:15,097
何故ならYの変動の内Xが寄与している部分は全て

108
00:10:15,097 --> 00:10:22,097
メディエータが説明しているはずだから。
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。

109
00:10:22,097 --> 00:10:29,055
質問に答える為にこの下を見る。
回帰係数B2はもはや、

110
00:10:29,055 --> 00:10:39,021
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。
しかし、こういう可能性も考えられる。

111
00:10:39,021 --> 00:10:45,031
B2、つまりXの回帰係数はいまだ有意だが、

112
00:10:45,031 --> 00:10:51,028
より小さく、弱くなっている、というケース、

113
00:10:51,028 --> 00:10:56,087
それのみで回帰式に入っていた時よりも。

114
00:10:56,087 --> 00:11:02,030
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。
つまりメディエーション分析をした時には、

115
00:11:02,030 --> 00:11:07,037
3通りの結果の可能性がある。
メディエーションの証拠が全く得られない場合、

116
00:11:07,037 --> 00:11:12,038
またはフルの証拠が得られる場合、
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。

117
00:11:12,038 --> 00:11:18,020
その例をお見せしよう。
繰り返しになるが、ここに赤文字で注意を置いた。

118
00:11:18,020 --> 00:11:24,018
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、

119
00:11:24,018 --> 00:11:30,031
そこでは矢印は普通は因果関係を表す。
でも少なくともこの例に関しては、

120
00:11:30,031 --> 00:11:35,067
単にデータの相関を扱っているに過ぎない。
だから

121
00:11:35,067 --> 00:11:41,070
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。
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、

122
00:11:41,070 --> 00:11:47,046
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

123
00:11:47,046 --> 00:11:52,087
大きな違いがあるということである。
したがって、統計的な意味で完全なメディエーションの
証拠を得られたかもしれない。

124
00:11:52,087 --> 00:11:57,055
しかし、単なるクロスセクションの相関データを
扱っているにすぎないのであれば、

125
00:11:57,055 --> 00:12:03,041
因果性に関する強い主張を何かできている、
というわけではない。

126
00:12:03,041 --> 00:12:10,004
オーケー。
では実際にどうメディエーションをどう検証して

127
00:12:10,004 --> 00:12:16,056
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。
レクチャー12で

128
00:12:16,056 --> 00:12:22,083
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。
ここでは、ただ駆け足で軽く見ていくだけに留める。

129
00:12:22,083 --> 00:12:28,014
これらが実行したい3つの回帰方程式だ。

130
00:12:28,014 --> 00:12:33,037
lmはRの関数で、LinearModel（線形モデル）を表す。
一つは、ただ単純に

131
00:12:33,037 --> 00:12:38,061
XとYの直接の関係を示す。
明らかにメディエートとは

132
00:12:38,061 --> 00:12:43,098
関係が無くてはならない。
それを確認する為、Xとメディエータの関係を見る。

133
00:12:43,098 --> 00:12:50,089
その後、このフルのモデルを実行する。
問題は予測変数の妥当性、つまり

134
00:12:50,089 --> 00:13:02,000
Xの予測における価値が、Mを加えた後でどうなるか。

135
00:13:02,000 --> 00:13:07,020
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。
この最初の2つの単回帰の方程式。

136
00:13:07,020 --> 00:13:12,058
明らかに、Xは有意な予測変数であって欲しい。

137
00:13:12,058 --> 00:13:17,084
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。

138
00:13:17,084 --> 00:13:23,036
XはYの有意な予測変数でなくてはならない。
XはMの有意な予測変数である必要もある。

139
00:13:23,036 --> 00:13:28,062
それらが前提条件。
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。

140
00:13:30,056 --> 00:13:37,027
この最後の回帰方程式では、Mは有意であるべき。
Xがどうあるべきかは、いろいろ有り得る。

141
00:13:37,027 --> 00:13:42,055
Xが有意で無くなるなら、

142
00:13:42,055 --> 00:13:48,021
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。

143
00:13:48,021 --> 00:13:54,039
つまり、Xの直接効果は完全に消えてしまった。

144
00:13:54,039 --> 00:13:59,098
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。
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。

145
00:13:59,098 --> 00:14:07,014
この例に戻って、幾つかの数字を実際に見て、

146
00:14:07,014 --> 00:14:14,038
もっと具体的にしていこう。
前にも言った通り、

147
00:14:14,038 --> 00:14:19,030
Rでデータを作った。
これらはシミュレートしたデータ。188人の被験者が居て、

148
00:14:19,030 --> 00:14:24,042
これはナイスな大きな例だ、で、彼らを調査している。
このレクチャーでは社会経済的なステータスは

149
00:14:24,042 --> 00:14:29,090
空白のままにしてある。
それは次のレクチャーで。

150
00:14:29,090 --> 00:14:35,053
この時点では3つの指標だけある。
幸福、外向性、人生経験の多様性。

151
00:14:35,053 --> 00:14:40,079
それらのスコアは単純に1から5までの尺度とする。

152
00:14:40,079 --> 00:14:46,064
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。

153
00:14:46,064 --> 00:14:52,092
これら3つが全て正の相関だと想定している。
最初の2つの単回帰のモデルの結果は、

154
00:14:52,092 --> 00:14:59,023
こうなる。
幸福を外向性から予測すると、

155
00:14:59,023 --> 00:15:04,067
標準化していない回帰係数は0.28となる。

156
00:15:04,067 --> 00:15:10,067
それが意味する所は一単位の外向性の上昇に対して、

157
00:15:10,067 --> 00:15:17,079
幸福度の尺度で0.28だけの上昇を予測している。
そして外向性が0だと、

158
00:15:17,079 --> 00:15:24,045
幸福度は2.19となると予測している。
例えば外向性が4の誰かを考えてみよう。

159
00:15:24,045 --> 00:15:29,075
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、

160
00:15:29,075 --> 00:15:35,019
3.3とか3.4くらい。
だから外向性が高ければ、

161
00:15:35,019 --> 00:15:41,030
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。

162
00:15:41,030 --> 00:15:47,041
それらは正の相関を持っている。
人生経験の多様さも同様。

163
00:15:47,041 --> 00:15:52,066
だから最初の2つの条件は満たしている。
Xが結果変数に対して有意な予測変数で、

164
00:15:52,066 --> 00:16:00,016
しかもメディエータ変数も有意に予測している。
ではフルのモデルを見てみよう。

165
00:16:00,016 --> 00:16:07,054
それは下のここにある。
見て取れる事として、外向性と人生経験の多様性の

166
00:16:07,054 --> 00:16:13,074
回帰係数はどちらも有意。
そしてそれらを

167
00:16:13,074 --> 00:16:19,029
単回帰にそれぞれ入れた場合と比較すると、

168
00:16:19,029 --> 00:16:25,049
そんなには低下していない。

169
00:16:25,049 --> 00:16:32,062
外向性は0.28から0.22へ、多様性は、、、

170
00:16:32,062 --> 00:16:39,035
他の方を持ってないや。それが0.19になった。
これら予測変数と結果変数の関係の傾きは、

171
00:16:39,035 --> 00:16:45,067
それらを個々に予測変数として入れた場合と比較して、

172
00:16:45,067 --> 00:16:52,024
そんなに落ちてない。
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。

173
00:16:52,024 --> 00:16:58,064
何故ならダイレクトなパスは0には落ちてない。

174
00:16:58,064 --> 00:17:04,039
実の所ちょっとしか落ちてない。
当初のナイスな正の傾きから、

175
00:17:04,039 --> 00:17:09,075
僅かしか落ちていない。

176
00:17:09,075 --> 00:17:16,012
この結果を解釈する為に、まず回帰式に戻る。
外向性と幸福度は

177
00:17:16,012 --> 00:17:22,036
正の相関。
人生経験の多様性はその関係を部分的にだけ

178
00:17:22,036 --> 00:17:29,009
メディエートしている。
何故ならここの値、0.22は、

179
00:17:29,009 --> 00:17:36,056
0.28からちょっとしか落ちていない。
もしこれが0まで落ちていたら、

180
00:17:36,056 --> 00:17:44,003
それはフルなメディエーションの証拠となるのだが。
次のセグメントでは、同じ例を、

181
00:17:44,003 --> 00:17:49,050
パスモデル形式で行う。
そしてそれを全部グラフィカルに示す。

182
00:17:49,050 --> 00:17:54,049
その事は関係を見て理解するのに役に立つと思う。

183
00:17:54,049 --> 00:17:59,040
それを私のお気に入りのモデル達の中に見る事になる。

184
00:17:59,040 --> 00:18:04,080
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。

185
00:18:04,080 --> 00:18:07,044
それが次のセグメントのトピック。