Two-stage Estimation of Latent Variable Regression Models: A General, Root-N Consistent Solution

技術要約：潜在変数回帰モデルにおける2段階推定

問題の所在
潜在変数（LV）モデルは、観測不可能な構成概念を操作化するために心理学研究において標準的に用いられている。1段階の最尤法（ML）推定は「ゴールドスタンダード」であるが、数値的不安定性（例：非収束、ヘイウッド現象）、多次元モデルにおける複雑な積分による計算上の困難さ、ソフトウェアの制約、およびデータの利用可能性の問題（例：合成スコアのみが利用可能な場合）といった実用的な限界に直面することが多い。その結果、研究者は頻繁に2段階の因子スコア回帰（FSR）に頼ることになる。FSRでは、まず測定モデルを適合させて因子スコアを予測し、次にそれらを観測変数として扱い、第2段階の構造回帰を行う。しかし、FSRを素朴に適用すると、測定誤差や因子スコアと真の潜在変数の共分散構造の相違により、構造パラメータにバイアスが生じる。既存のバイアス補正手法は、特定のモデルクラス（例：線形SEM）に限定されていたり、特定の種類の因子スコアを必要としたりすることが多く、より広範なLVモデルに対する一般的かつ計算効率の高い解決策を欠いている。

手法
著者らは、複数の焦点パラメータと攪乱パラメータを持つパラメトリック統計モデルに適用可能な、一般的なバイアス補正フレームワークを提案している。この手法はFSRに特化して設計されているが、最小限の解析的導出を必要とする「ブラックボックス」的な解決策となるよう設計されている。

1. 統計的枠組み： パラメータベクトル $\theta$ を、攪乱パラメータ（$\nu$、例：測定パラメータ）と焦点パラメータ（$\phi$、例：構造回帰係数）に分割する。2段階の手順では、まず $\hat{\nu}$ を推定し、次に $\hat{\nu}$ を条件として $\hat{\phi}$ を推定する。
2. バイアス補正戦略： Leung and Wang (1998) に基づき、著者らは $h(\phi; \nu) = E[\hat{\phi}(Y; \nu)]$ という関数を定義する。これは、初期の（バイアスのある）推定量の期待値を表す。バイアス補正された推定量 $\hat{\phi}_{BC}$ は、この関係を反転させることで得られる：$\hat{\phi}_{BC} = h^{-1}(\hat{\phi})$。
3. 理論的基礎： 本論文は、緩やかな正則条件の下で、バイアス補正された推定量の $\sqrt{n}$-一致性を確立している。主要な命題は、初期の推定量が共に $\sqrt{n}$-一致する場合、バイアス補正された焦点パラメータの推定量もまた $\phi^*$ に対して $\sqrt{n}$-一致し、導出された漸近共分散行列（ACM）を持つことを示している。
4. 計算アルゴリズム： $h(\phi; \nu)$ およびその導関数の複雑な解析的導出を避けるため、著者らは2つの確率的アルゴリズムを導入している。
   • 点推定（アルゴリズム1）： ロビンス・モンロー型確率近似（SA）アルゴリズム。現在のパラメータ推定値を用いてモデルからデータをシミュレーションし、得られた初期推定量と観測データの初期推定量を比較することで、焦点パラメータを反復的に更新する。
   • 分散推定（アルゴリズム2）： ジャコビ行列を数値的に近似するために同時摂動（SP）を用いたモンテカルロ法に基づく手順。これにより、第1段階から引き継がれる不確実性を考慮した有効な標準誤差（SE）の計算が可能になる。

主な貢献

• 汎用性： 線形SEMや特定の因子スコアの種類（例：BartlettやARMスコア）に限定される従来の解決策とは異なり、提案手法は非線形な構造関係を持つ潜在変数モデルや非正規の観測変数（例：項目反応理論モデル）を含む、広範なクラスのLVモデルに適用可能である。
• 計算効率： 本手法は、閉形式の解析的解法ではなく、確率近似とモンテカルロ・シミュレーションに依存しているため、1段階のML法が計算上困難な複雑なモデルにも適応しやすい。
• 因子スコアの選択に対する堅牢性： 本フレームワークは、一貫性を達成するために特定の種類の因子スコア（例：回帰スコア vs Bartlettスコア）を選択する必要はなく、初期のスコアリング方法に関わらずバイアス補正が機能する。
• 理論的厳密性： 論文は $\sqrt{n}$-一致性の形式的な証明と、補正された推定量に対する有効な大標本標準誤差を導出する方法を提供している。

結果
提案されたバイアス補正FSR（BC-FSR）を、素朴なFSRおよび1段階ML（研究3ではDWLS）と比較するために、3つのシミュレーション研究が行われた。

1. 研究1（単純な潜在回帰）： 連続的な観測変数を持つモデルにおいて、素朴なFSRは有意な減衰バイアス（傾きに対して最大19%）と分散バイアスを示した。BC-FSRは、すべての条件と因子スコアのタイプ（平均、Bartlett、回帰）において、相対バイアスをほぼゼロ（<5%）に減少させ、精度と効率の両面で1段階MLと同等の性能を示した。
2. 研究2（潜在的な調整効果）： 非正規の出力を持つ二次形式の相互作用モデルにおいて、素朴なFSRは相当なバイアス（相互作用効果に対して最大33%）を示した。BC-FSRは、パラメータをほぼバイアスなく回収することに成功し、数値積分（Mplus経由）による1段階MLの性能に匹敵した。
3. 研究3（多次元IRT）： 二値項目と複数の予測変数を持つ複雑なモデルにおいて、素朴なFSRはパラメータに応じて8%から33%のバイアスを示した。BC-FSRはこのバイアスを排除し、1段階ML（MH-RMアルゴリズム経由）および対角重み付き最小二乗法（DWLS）と同等の性能を発揮した。
   すべての研究において、モンテカルロ法に基づくSE推定値（アルゴリズム2）は正確であり、SEの相対バイアスは概して10%未満であった。

意義と主張
著者らは、彼らのアプローチが、直感的ではあるがバイアスが生じやすい「測定してから構造を検討する」戦略（FSR）を、統計的に妥当な $\sqrt{n}$-一致推定法へと変貌させると主張している。本研究の意義は以下の通りである：

• 実用的有用性： 計算上の制約やデータの制約に直面している研究者に対し、漸近的な正確さを損なうことなく、1段階MLに代わる簡便な選択肢を提供する。
• 方法論的転換： 素朴なFSRは本質的に欠陥があり回復不可能であるという従来の見方に異を唱え、確率近似によってバイアスを体系的に除去できることを示した。
• アクセシビリティ： 解析的導出への依存を最小限に抑えることで、標準的なソフトウェアパッケージの能力を超える、複雑でカスタマイズされたLVモデルに対して厳密な2段階推定を適用するための障壁を下げている。

本論文は、提案されたバイアス補正FSRが、2段階手法の導入の容易さを備えつつ、1段階手法の理論的厳密さと効率性を達成しており、研究者が潜在的な構成概念間のより広範で複雑な関係を調査することを可能にすると結論付けている。