一般化残差を用いた共通因子モデルの新しい適合度評価フレームワーク：技術的概要

本論文は、共通因子モデル（Common Factor Model）におけるモデル適合度（Goodness-of-Fit: GOF）の評価において、従来の平均・共分散構造に基づく手法の限界を克服し、より柔軟かつ詳細なミスマッチ検出を可能にする新しいフレームワークを提案するものです。以下に、問題提起、手法、主要な貢献、結果、および意義について詳細にまとめます。

1. 問題提起（Problem）

従来の共通因子モデルにおける適合度評価は、主に観測変数（Manifest Variables: MVs）と潜在変数（Latent Variables: LVs）の平均ベクトルと共分散行列の一致度に基づいています（例：$\chi^2$検定、CFI、TLI、RMSEA など）。しかし、このアプローチには以下の重大な限界があります。

• 隠れたミスマッチの検出不能: 平均と共分散構造が良好に適合していても、モデルの他の重要な仮定（潜在変数の分布の正規性、観測変数の条件付き平均関数の線形性、条件付き分散の等分散性など）が満たされていない場合、そのミスマッチは検出されません。
• 誤った推論のリスク: 潜在的な分布が正規分布から逸脱している場合、相関係数などのパラメータ推定値は、変数間の真の関係（線形関係の有無など）を歪めて解釈させる可能性があります。
• 修正指標の限界: 従来の修正指標（Modification Indices）は、平均・共分散構造の回復を目的としており、分布の形状や関数形式に関するミスマッチを特定・修正する能力は限定的です。

2. 手法（Methodology）

著者らは、カテゴリーデータ向けに開発された「一般化残差（Generalized Residuals; Haberman & Sinharay, 2013）」の理論を、連続変数を扱うより一般的な測定モデル（線形正規因子分析）に拡張しました。

2.1 一般化残差の拡張と漸近正規性

• 要約量（Summary Quantity）の定義: 各個人 $i$ に対して、観測変数 $Y_i$ とモデルパラメータ $\xi$ に依存する要約量 $H(Y_i; \xi)$ を定義します。
• 変換残差（Transformed Residuals）: 標本平均 $\hat{\eta}(\hat{\xi})$ とモデルに基づく母集団期待値 $\eta(\hat{\xi})$ の差を計算し、さらに変換関数 $\phi$ を適用して変換残差 $e_\phi$ を構成します。
  $$e_\phi = \phi(\hat{\eta}(\hat{\xi})) - \phi(\eta(\hat{\xi}))$$
• 漸近正規性: 正しいモデル指定の下で、この変換残差は漸近的に多変量正規分布に従うことを理論的に証明しました。これにより、形式統計的検定が可能になります。
• 共分散行列の推定: 従来の標本共分散を用いると極端な値でタイプ I 誤差が膨張する問題に対処するため、モンテカルロ法（Monte Carlo）を用いて漸近共分散行列（ACM）を安定して推定する手法を提案しました。

2.2 検定統計量の構築

提案されたフレームワークに基づき、以下の 2 種類の検定統計量を構築します。

1. z 統計量（点別評価）: 単一の残差に基づき、特定の潜在変数値におけるミスマッチを検出します。
2. $\chi^2$ 統計量（総合評価）: 複数の残差を同時に評価する二次形式統計量です。数値的不安定性を回避するため、固有値分解に基づいた重み行列 $\Sigma^-_\phi$ を用いて、自由度 $s$（例：$s=1$）の $\chi^2$ 分布に従う統計量 $T$ を定義しました。

2.3 具体的な適用例（3 つの例）

提案フレームワークの具体例として、以下の 3 つの仮定検定を設計しました。

1. 潜在変数密度の正規性検定 ($z_1, T_1$): 事後確率密度の平均と理論的な正規密度の差異を評価し、潜在変数が正規分布から逸脱しているか（例：二峰性など）を検出します。
2. 観測変数レベルの線形性検定 ($z_2, T_2$): 潜在変数条件付きの観測変数の平均関数（項目特性曲線）が線形であるかを確認します。
3. 観測変数レベルの等分散性検定 ($z_3, T_3$): 潜在変数条件付きの観測変数の分散が一定（等分散）であるかを確認します。

3. 主要な貢献（Key Contributions）

1. 理論の拡張: 一般化残差の理論を、カテゴリーデータから連続変数を扱う共通因子モデルへ拡張し、変換残差の漸近正規性を確立しました。
2. 柔軟な適合度評価フレームワークの提案: 平均・共分散構造を超えた、分布の形状や関数形式に関するミスマッチを特定するための体系的な枠組みを提供しました。
3. 新しい検定統計量の開発: 潜在変数の非正規性や、観測変数の非線形性・異分散性を検出するための具体的な統計量（$z_1, T_1, z_2, T_2, z_3, T_3$）を提案しました。
4. 数値的安定性の向上: モンテカルロ法を用いた ACM 推定と、固有値分解に基づく重み行列の導入により、従来の手法で生じ得る数値的不安定性を解決しました。

4. 結果（Results）

4.1 シミュレーション研究

• タイプ I 誤差率: 正しいモデル指定条件下では、提案された点別検定（z 統計量）および総合検定（$\chi^2$ 統計量）は、サンプルサイズ（$n=100, 500, 1000$）に関わらず、名义水準（$\alpha=0.05$）でよく制御された誤差率を示しました。
• 検出力（Power）:
  • 潜在変数密度: 潜在変数が混合正規分布（二峰性）で生成された場合、従来の GOF 指標（CFI, RMSEA など）はミスマッチを検出できませんでしたが、提案された統計量（特に $T_1$）は中〜大サンプルで高い検出力を示しました。
  • 観測変数の線形性・等分散性: 平均関数が二次関数や分散が対数線形関数で生成された場合、対応する統計量（$z_2, T_2$ および $z_3, T_3$）が特定のミスマッチを正確に検出しました。
• 従来手法との比較: 従来の $\chi^2$ 検定や適合度指標は、平均・共分散構造が回復されていれば、分布の形状や関数形式のミスマッチに対して感度が極めて低かったことが確認されました。

4.2 実データ分析（反応時間データ）

• データ: 推論テスト（TORRjr）の反応時間（RT）データ（$n=744$）を対数変換し、線形正規因子モデルに適用しました。
• 結果:
  • 従来の適合度指標（CFI=0.97, RMSEA=0.05 など）は「良好な適合」と判断しましたが、提案手法は潜在変数の非正規性（尖度が高く負の歪みがある）を統計的に有意に検出しました。
  • 特定の項目（Item 2, 6, 7）において、平均関数の非線形性（特に極端な速い/遅い反応者において線形モデルが過大評価する傾向）が検出されました。
  • 特定の項目（Item 5, 6, 7, 8）において、分散の異質性（遅い反応者ほど反応時間のばらつきが大きくなる）が検出されました。
• 視覚化: 潜在変数値ごとのモデル推定値と実データ推定値を比較するグラフ（Figures 8-10）により、ミスマッチの性質を直感的に理解することが可能になりました。

5. 意義と結論（Significance）

本論文の提案する「一般化残差に基づく適合度評価フレームワーク」は、以下のような重要な意義を持ちます。

• より深いモデル診断: 平均・共分散の一致だけでなく、モデルの背後にある分布仮定や関数形式の妥当性を検証できるため、より信頼性の高い推論が可能になります。
• モデル修正への指針: 検出されたミスマッチのパターン（例：二峰性の分布、非線形な関係）に基づいて、混合モデルの適用や非線形因子モデルへの移行など、具体的なモデル改善策を導き出すことができます。
• 公平性の確保: 特定の潜在能力レベル（極端な速さや遅さ）においてモデルが不適切である場合、その項目が不公平に機能している可能性を示唆し、テストの公平性評価に寄与します。
• 今後の展望: 高次元の潜在変数空間における計算効率化や、他の測定モデル（非線形因子分析、カウントデータ IRT など）への拡張、効果量指標の導入などが今後の研究課題として挙げられています。

総じて、この研究は、共通因子モデルの実践において、従来の「適合している/していない」という二値的な判断を超え、**「どこが、どのように適合していないか」**を定量的かつ視覚的に明らかにする強力なツールを提供するものです。