パス解析で紐解く！X→Y→Zの因果関係【ChatGPT統計解析】
パス解析は、因果関係を明確に仮定したモデルを基に変数間の予測される関係を分析する手法です。変数間の関係性は、しばしばダイアグラムで表され、重回帰分析の拡張形として機能します。この分析では、「XがYの原因であり、YがZの原因である」というように、変数間の直接的な因果関係をモデル化します。重回帰分析と同様に、連続的または名義的な独立変数を用い、従属変数の予測や理論検証に役立ちます。パス解析は、変数の関係パターンを確立し、仮説の妥当性をデータと比較するために使用されます。たとえば、犯罪被害者の精神的影響を探求する際に、無力感が重要な中間変数として機能するモデルを考えることができます。この手法は、複数の仮説モデル間でデータの適合度を比較することも可能にします。
パス解析：XはYの原因・YはZの原因
パス解析は、研究者が変数群の中の予測される関係について、はっきりとした因果モデルを仮定しているときに使用される解析手法です。
仮説の立て方として、関係する変数が概略的なダイアグラムで描かれることが多い傾向にあります。
パスモデルの中にある変数は、それぞれ測定されている必要があります。
因果モデルを仮定・重回帰分析の拡張
分析で用いられるデータの種類は重回帰分析と同様です。
重回帰分析は、１つの連続変数である従属変数（目的変数）に対して、２つ以上の独立変数（説明変数）を使って予測する手法です。
独立変数は連続的でも名義的でもよく、例えば収入を予測するために、性別や教育年数を独立変数として用いることが可能です。
重回帰分析の一般的な使い方の一つは理論の検証であり、従属変数と独立変数の間の関係を検証します。
もう一つは予測で、回帰方程式がデータのあるサンプルに適用されてから、その方程式を使って未知の従属変数の値を予測するときに使われます。
たとえばある人事部長が労働者に期待されるパフォーマンスを予測するために、達成欲求や社交性を測定する尺度セットの値をもとにしていたとすると、すでにわかっているパフォーマンス、達成欲求、社交性の変数を使って労働者のサンプルから重回帰方程式が導出されます。
パス解析は、重回帰分析を拡張したものとみなすことができます。
XはYの原因である、という回帰モデルに対して、
XはYの原因であり、YはZの原因である、というのがパス解析です。
犯罪被害者における精神医学的症状の原因究明という仮説的因果モデルを考えてみましょう。
発病前の心理学的問題（犯罪の前に精神医学的症状を体験した回数など）、犯罪でどれだけ暴力を受けたのか、無力感をどれだけ感じたか、犯罪に続けて起こった症状の深刻さ、という４つの測定される変数があります。
パスモデルの中では、仮説は次のように表されます。
①被害を受けた後に心理的症状を引き起こす最も重要な（直接的にかかわる）決定要因は、被害者が犯罪被害を受けている最中に無力だと感じる度合いです。
②無力感を経験するのに決定的で（直接的にかかわる）重要な２つの変数があります。それは心理的な病歴と、犯罪被害を受けている間の暴力の程度です。
③心理学的問題の病歴と犯罪で受けた暴力の程度は、被害後の症状の深刻さに対して、独立した直接的な決定要因となります。しかし、病前の状況と被害後の症状における暴力の直接的つながりは、無力感と被害後の症状とのつながりより弱いものです。
一連の重回帰式は、変数の関係パターンを確立するためと、得られたデータが仮説に合う度合いを検証するために使用されます。
得られたデータが２つのうちのどちらのモデルに適合するかを比較することも可能です。
たとえば、モデルと無力感を媒介変数として明記せずに被害を受けた後の症状、病前の心理学的問題、暴力、無力感の大きさの直接的な関係を仮定するモデルを比較できるでしょう。
関連リンク
