📊 statistics

Factor- and Composite-Based Structural Equation Modeling -- A New Approach to Incorporate Composites in the Traditional SEM Framework

この論文は、従来のSEMフレームワークに共通因子と合成変数の両方を統合し、既存の推定手法や欠損データ処理などの利点を維持しながら、より柔軟な構造方程式モデリングを可能にする「因子・合成変数ベースのSEM（FC-SEM）」という新たなアプローチを提案しています。

原著者： Tamara Schamberger, Florian Schuberth, Jörg Henseler, Yves Rosseel

公開日 2026-04-02

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Tamara Schamberger, Florian Schuberth, Jörg Henseler, Yves Rosseel

原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

🍳 料理の例え：「材料の組み合わせ方」を変える

研究の世界では、目に見えない概念（例：「会社の魅力」や「顧客満足度」）を、いくつかの質問（指標）から推測します。これを統計モデルで表現する際、これまで主に 2 つの考え方がありました。

1. 従来の考え方：「共通の味」を探す（共通因子モデル）

例え： 「美味しいシチュー」を作る場合、味は**「隠れた魔法のスパイス（共通因子）」**によって決まると考えます。
仕組み： 塩、コショウ、野菜の味は、すべてその「魔法のスパイス」の影響を受けています。スパイスが良ければ、すべての材料が美味しくなるという考え方です。
限界： これは「原因が結果を生む」ような現象（例：知能テストの点数が「知能」という共通の原因から生まれる）には合いますが、「集まり」そのものを表すのには不向きです。

2. 新しい考え方：「材料の寄せ集め」を作る（合成変数モデル）

例え： 「会社の魅力」は、魔法のスパイスではなく、**「成功した採用」「働きやすさ」「見た目の良さ」という材料を混ぜ合わせた「寄せ集め（合成変数）」**だと考えます。
仕組み： これらの材料は、それぞれが独立して存在し、それらを足し合わせて「魅力」という料理が完成します。
問題点： 従来の料理道具（統計ソフト）は「魔法のスパイス」を探すように作られていたため、「寄せ集め」を正しく分析するのが難しかったり、別の道具（PLS-PM など）を使わないと分析できなかったりしました。

🏗️ この論文の提案：「FC-SEM」という万能キッチン

この論文が提案している**「FC-SEM（因子と合成変数に基づく SEM）」は、「魔法のスパイスを探す道具」と「材料を混ぜる道具」を、たった一つの万能キッチン（従来の SEM フレームワーク）に統合した新しい方法**です。

この方法がすごい 3 つのポイント

両方使える「ハイブリッド」キッチン
- これまで「スパイス型（共通因子）」と「寄せ集め型（合成変数）」は、別々の料理教室でしか教えてもらえませんでした。
- しかし、FC-SEMを使えば、一つのモデルの中で「知能（スパイス型）」と「会社の魅力（寄せ集め型）」を同時に扱えます。
既存の「高級な調理器具」がそのまま使える
- 従来の方法（PLS-PM など）を使うと、欠損データ（料理の材料が足りない場合）の処理や、モデル全体の完成度チェック（フィットネス）が難しかったり、計算に時間がかかったりしました。
- FC-SEMは、**「最大尤度法（ML）」**という、統計界で「黄金の調理法」と呼ばれる高度な技術をそのまま使えます。
- メリット： 欠損データも自動で処理できるし、モデルがどれだけデータに合っているかも正確に測れます。
レシピ（モデル設定）がシンプルになる
- 以前は、寄せ集め型を分析するために、無理やり「スパイス型」のルールに当てはめたり、複雑なトリックを使ったりしていました（例：H-O 仕様）。
- FC-SEMでは、**「A は B と C の足し合わせです」**という自然な書き方でモデルを定義できます。これにより、計算が安定し、結果も信頼できるようになります。

📊 実証実験：本当にうまくいくの？

著者たちは、この新しい方法を試すために 2 つの実験を行いました。

シミュレーション（完璧なレシピテスト）：
- 理論上「正解」が決まっているデータを使ってテストしました。その結果、FC-SEM は見事に正解を導き出しました。
実データ分析（実際の料理）：
- 「アメリカの顧客満足度指数」という実際のデータを使って、他の有名な方法（IGSCA や PLSc など）と比較しました。
- 結果： 他の方法とほぼ同じ結果が出ましたが、FC-SEM の方が計算が速く、欠損データへの対応もスムーズでした。

🚀 まとめ：なぜこれが重要なのか？

これまでの研究では、「共通因子」と「合成変数」のどちらか一方しか扱えない、あるいは扱いが非常に難しかったため、研究者は自分の研究テーマに最適なモデルを選べず、無理やり無理やり分析していました。

この論文が提案するFC-SEMは、**「どちらのタイプでも、従来の高機能なツールを使って、簡単に、正確に分析できる」**という革命をもたらします。

研究者にとって： 複雑なトリックを使わずに、より現実に即したモデルを作れるようになります。
一般の人にとって： 企業の評価や心理テストなど、私たちの生活に関わる分析が、より信頼性の高いものになります。

つまり、「料理の材料（データ）」と「料理の作り方（モデル）」が、もっと自由で、美味しく、正確に作れるようになったのです。

論文要約：因子・合成変数ベースの構造方程式モデル (FC-SEM)

本論文は、従来の構造方程式モデル（SEM）の枠組みに「合成変数（Composites）」を統合するための新たなアプローチ、**因子・合成変数ベースの構造方程式モデル（Factor- and Composite-Based SEM: FC-SEM）**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技術的に詳細にまとめます。

1. 問題提起 (Problem)

従来の SEM は、観測変数の共分散構造を説明する「共通因子（Common Factors）」を仮定した反射的測定モデルが主流でした。しかし、企業魅力や社会経済的地位など、観測変数の線形結合として定義される「合成変数（Composites）」を扱う研究が増加しています。

既存の手法には以下の重大な限界がありました：

従来の SEM 枠組みからの乖離: PLS-PM や PLSc、GSCA などの合成変数特化型手法は、欠損値処理、モデル適合度の評価、グループ間比較など、従来の SEM が持つ高度な機能を活用できません。また、パラメータの制約や標準誤差の解析的導出が困難です。
従来の SEM への統合手法の欠点: 従来の SEM ソフトで合成変数を扱うための既存手法（1 ステップ法、疑似指標法、H-O 仕様など）には、モデル仕様の複雑化、合成変数の従属変数化の制限、重みの自由推定ができない、収束問題の発生、パラメータの解釈の難しさなどの課題がありました。

これらの限界により、共通因子と合成変数が混在するモデルを、従来の SEM の強み（最大尤度法による推定、欠損値処理、適合度指標など）を損なうことなく分析できる統合的な枠組みが必要とされていました。

2. 手法 (Methodology)

著者らは、従来の SEM の理論的基盤（共分散構造のモデル化）を拡張し、共通因子と合成変数を同時に扱える新しいモデル仕様を提案しました。

モデル仕様

共通因子モデル: 従来の通り、 $y_f = \Lambda_f \eta_f + \epsilon_f$ と定義され、観測変数の共分散は共通因子と測定誤差で説明されます。
合成変数モデル: 合成変数 $\eta_c$ は観測変数 $y_c$ の線形結合 $\eta_c = W' y_c$ として定義されます。ここで、合成変数を構成する観測変数間の共分散は自由パラメータ（行列 $T$ ）として扱われ、共通因子モデルのような制約を課しません。
構造モデル: 共通因子と合成変数の両方を内生変数・外生変数として含む構造方程式 $\eta = B\eta + \zeta$ を設定可能です。

理論的導出

モデル暗示共分散行列の導出: 合成変数の分散と共分散を、観測変数の共分散行列 $T$ と重み行列 $W$ を用いて解析的に導出しました。これにより、合成変数の共分散構造を従来の SEM の共分散構造方程式 $\Sigma(\theta) = \Lambda V(\eta) \Lambda' + \Theta$ の形式に統合しました。
識別条件: 共通因子のスケール設定に加え、合成変数についても適切なスケール設定（重みの固定や分散の固定など）と、少なくとも他の変数との関係付けが必要であることを示しました。
推定と評価: 導出されたモデル暗示共分散行列を用いることで、従来の SEM で開発された推定法（最大尤度法 ML、一般化最小二乗法 GLS など）を直接適用可能にしました。これにより、 $\chi^2$ 検定、SRMR、RMSEA などのモデル適合度指標や、解析的な標準誤差の計算が可能になります。

実装

この手法は、オープンソースの R パッケージ lavaan に実装されています。合成変数の指定には新しい演算子 <~ を使用し、従来の反射的変数指定 =~ と共存させることで、直感的なモデル記述を可能にしています。

3. 主要な貢献 (Key Contributions)

統合的なフレームワークの確立: 共通因子と合成変数を単一のモデル内で、従来の SEM の推定・評価手法をそのまま利用して分析できる「FC-SEM」を提案しました。
既存手法の限界の克服:
- PLSc/IGSCA 等との比較: パラメータ制約の適用、解析的標準誤差の導出（ブートストラップ不要）、標準化・非標準化推定値の両方の取得、欠損値処理の直接適用を可能にしました。
- H-O 仕様等との比較: 追加変数の導入によるモデルの複雑化を避け、合成変数の重みを自由推定可能にし、収束問題を軽減しました。
柔軟なモデル設計: 合成変数を構造モデルの従属変数（媒介変数や結果変数）としても扱えるようにし、より複雑な理論的仮説の検証を可能にしました。
実用性の向上: lavaan への実装により、R ユーザーが容易にこの手法を適用できるようになりました。

4. 結果 (Results)

シナリオ分析: 母集団を完全に反映するデータを用いた分析において、FC-SEM が母集団パラメータを正確に回復することを確認しました。また、自由度の計算方法が正しいことも示されました。
モンテカルロシミュレーション: 有限サンプル（サンプルサイズ 500、1000 反復）における性能評価において、ML 推定量が母集団パラメータに一致する一貫性のある推定値を提供し、標準誤差も実証的な標準偏差とよく一致することを示しました。
実証分析（アメリカン・カスタマー・サティスファクション・インデックス）: 実データを用いた分析において、FC-SEM の結果は IGSCA、PLSc、H-O 仕様による結果と非常に類似しており、異なる手法間でも同様の結論が得られることを実証しました。特に、H-O 仕様とはほぼ同一の結果を得ており、計算の安定性と解釈の容易さを示しました。

5. 意義 (Significance)

本論文の FC-SEM は、SEM 分野における重要なパラダイムシフトをもたらすものです。

研究の柔軟性と厳密性の両立: 研究者は、測定モデルの性質（反射的か形成的か）に応じて適切な変数定義を選択しつつ、従来の SEM が提供する強力な統計的推論（適合度評価、欠損値処理、多群比較など）を維持できます。
計算効率と推論の向上: ブートストラップに依存しない解析的標準誤差の導出により、計算時間の短縮と統計的推論の信頼性向上が期待されます。
学際的な応用: 心理学、経営学、生態学など、共通因子と合成変数の両方が必要とされる多様な分野において、より正確で柔軟な理論検証を可能にします。

今後の課題として、モデル適合度指標の合成変数モデルへの適用性のさらなる検討、測定誤差を含む合成変数モデルの拡張、および他の統計ソフトウェアへの実装が挙げられていますが、本研究は「因子と合成変数を統合した SEM」の実用的かつ理論的に堅固な基盤を確立した点で画期的です。