WEBVTT

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。

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。

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

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

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、

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

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、

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

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。

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。

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

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。

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、

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

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

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

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

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、

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、

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。

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、

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。

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

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。

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

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。

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。

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。

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。

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、

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。

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

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。

00:03:02.099 --> 00:03:09.012
そこではXとYの相関を見てきた。

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

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、

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。

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、

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。

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。

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

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。

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。

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。

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

00:04:16.044 --> 00:04:22.066
一人の人に直接影響を与える。

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、

00:04:29.023 --> 00:04:36.048
モデレータは、

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、

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、

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

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、

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、

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）

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

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。

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。

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

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、

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。

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。

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

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、

00:05:57.018 --> 00:06:02.035
予測変数と結果変数を使っていくが、

00:06:02.035 --> 00:06:07.026
Xを本当の意味での独立変数、

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

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。

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。

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、

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、

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。

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、

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

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。

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、

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。

00:07:08.030 --> 00:07:13.091
より多様な人生経験。

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。

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、

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。

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。

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

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。

00:07:46.025 --> 00:07:50.091
SCSが低い、もの凄く低いと、

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、

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、

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）

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、

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

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？

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、

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。

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、

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。

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」

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。

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。

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、

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、

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、

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、

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。

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。

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

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、

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。

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

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。

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、

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。

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、

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、

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。

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、

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、

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。

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。

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、

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、

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

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、

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

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。

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、

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。

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

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

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。

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。

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

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

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。

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

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。

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。

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。

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。

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。

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。

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。

00:13:37.027 --> 00:13:42.055
Xが有意で無くなるなら、

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。

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。

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。

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、

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、

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、

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

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。

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。

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。

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。

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、

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、

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。

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、

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、

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。

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、

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、

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。

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。

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、

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。

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

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

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、

00:16:19.029 --> 00:16:25.049
そんなには低下していない。

00:16:25.049 --> 00:16:32.062
外向性は0.28から0.22へ、多様性は、、、

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、

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、

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。

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。

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、

00:17:04.039 --> 00:17:09.075
僅かしか落ちていない。

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

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

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、

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、

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、

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。

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。

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。

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。

00:18:04.080 --> 00:18:07.044
それが次のセグメントのトピック。