Effects of interviewers on response to income and wealth items

欧州の高齢化と退職に関する調査（SHARE）のデータを用いた本研究は、面接官が回答者の収入報告への意欲に対して抱く期待が、実際の収入や資産に関する質問への回答率に影響を与えることを示しており、この知見は面接官の訓練や調査設計に重要な示唆を与えるとしています。

要約

この論文は、**「アンケート調査をする人（インタビュアー）の『心の持ちよう』が、回答者の『答えやすさ』にどう影響するか」**を調べた面白い研究です。

少し難しい統計の話ですが、わかりやすく噛み砕いて、日常の例え話を使って説明しましょう。

🕵️‍♂️ 物語の舞台：「お金の秘密」を聞く調査

ヨーロッパの高齢者向けの大規模な調査（SHARE）があります。この調査では、人々の健康や生活だけでなく、**「あなたの銀行口座の残高は？」「家の価値はいくら？」**といった、とてもデリケートで答えにくい「お金の質問」もしています。

しかし、多くの人が「それは言いたくない！」と答えを拒否したり、答えられなかったりします（これを「項目無回答」と呼びます）。

🎭 主人公：インタビュアーの「予感」

この研究の核心は、**「調査員（インタビュアー）が、事前に『この人はお金のことについて答えてくれるかな？』とどう思っているか」**に注目した点です。

• 楽観的な調査員： 「大丈夫、みんな答えてくれるはず！」とポジティブに考えている人。
• 悲観的な調査員： 「いやいや、お金のことなんて誰も答えたくないよ…」とネガティブに考えている人。

🌧️ 雨雲と日差しのアナロジー

この関係をわかりやすく例えるなら、**「天気」**に似ています。

• 楽観的な調査員は、「晴れの日」のような存在です。
  彼らは自信を持って、明るく質問します。「お金について教えていただけますか？」と聞くと、回答者も「あ、この人は信頼できそうだし、答えても大丈夫かな？」と感じ、「お金の秘密」をさらけ出しやすくなります。
  結果として、回答率が14%〜26%も向上した国もありました。

• 悲観的な調査員は、「曇りや雨の日」のような存在です。
  彼らは「答えてくれないだろう」という予感を持って接するため、無意識に態度が硬くなったり、質問の仕方が消極的になったりします。回答者も「この人は私のことを疑っているのかな？」「面倒くさいことになりそう」と感じて、「お金の秘密」を隠したくなります。

つまり、調査員の「予感」が、まるで空気の圧力のように、回答者の行動を左右していたのです。

🧩 難解なパズル：「欠けたデータ」をどう処理するか？

この研究では、もう一つ面白い挑戦をしています。
調査員自身のデータにも「答えがない部分（欠損データ）」がありました。例えば、「調査員の年齢がわからない」「調査員自身が収入を答えなかった」といった場合です。

研究者たちは、この「欠けたパズルのピース」をどう埋めるか、3 つの方法を比較しました。

1. 捨ててしまう方法（完全ケース分析）：
   データが欠けている人を、全員「除外」して分析する。
   👉 メリット： シンプル。
   👉 デメリット： 貴重な情報（回答者数）を大量に捨ててしまうので、精度が落ちる。

2. 推測して埋める方法（多重代入法）：
   「多分、この人はこうだろう」と推測して、データを補完（インプット）してから分析する。
   👉 メリット： 全員分のデータを使える。
   👉 デメリット： 推測なので、その「推測の誤り」による不確実性が生じる。

3. 全部混ぜて考える方法（モデル平均化）：
   「捨てた場合」と「推測した場合」の両方を組み合わせて、最も確からしい答えを出そうとする高度な統計手法。
   👉 結果： 残念ながら、この複雑な方法を使っても、単純な方法（1 や 2）と比べて劇的に良い結果にはなりませんでした。「複雑な計算をするより、シンプルに推測して埋める方が実用的かも」という結論になりました。

💡 この研究からわかること（結論）

この研究が私たちに教えてくれることはシンプルで、とても重要です。

1. 調査員の「心」は重要：
   調査員が「相手は答えてくれるはずだ」と信じているかどうかで、回答者の行動が変わります。
2. トレーニングの重要性：
   調査員を雇う際や教育する際、「単に質問を読むだけ」ではなく、**「前向きな姿勢で接すること」**を教えることが、調査の質を劇的に高める可能性があります。
3. 統計の限界：
   いくら高度な数学的な手法を使っても、根本的な「人の心理」や「調査員の態度」の問題を解決するには、データ処理よりも「人の教育」の方が効果的かもしれません。

🎁 まとめ

この論文は、**「調査員が『大丈夫、答えてくれるはずだ』と信じているだけで、人々はもっとオープンに話してくれる」**という、温かくも科学的な事実を突き止めました。

お金の話を聞くのは難しいですが、**「聞く人の笑顔と自信」**が、その壁を少しだけ低くしてくれるのかもしれません。

技術概要

論文の技術的サマリー：面接官の期待が収入・資産項目への回答に与える影響

論文タイトル: Effects of interviewers on response to income and wealth items（面接官が収入および資産項目への回答に与える影響）
著者: Moslem Rashidi（ボローニャ大学経済学部）
データソース: SHARE Wave 6（欧州の健康・高齢化・退職に関する調査）

1. 研究の背景と問題設定

調査研究、特に面接官が実施する調査では、標本誤差以外の誤差（非標本誤差）が重大な課題となります。その中でも、金融に関する質問（収入や資産など）に対する「項目非回答（item nonresponse）」は、データの代表性と品質を損なう持続的な要因です。

既存の研究では、面接官の人口統計学的特性（年齢、性別、学歴など）が回答率に影響を与えることが示されていますが、面接官の「期待」や「態度」などの非人口統計学的特性が、特に敏感な金融質問への回答行動にどのように影響するかは十分に解明されていませんでした。

本研究の核心的な問いは以下の通りです：

• 面接官が「回答者が収入情報を提供してくれるだろう」という期待値（予想回答率）は、実際の回答行動と関連しているか？
• 欠損データ（欠損値）を処理する異なる統計的手法（完全ケース分析、多重代入法、モデル平均化）を用いた場合、この関係性はどのように評価されるか？

2. データと変数

• データ: SHARE Wave 6（2015 年実施）のデータを使用。12 カ国（オーストリア、ベルギー、エストニア、ドイツ、ギリシャ、イタリア、ルクセンブルク、ポーランド、ポルトガル、スロベニア、スペイン、スウェーデン）の 41,934 名の回答者と、808 名の面接官データ（面接官調査 IWS および面接官名簿 IWR）をリンクさせた。
• 従属変数: 4 つの金融項目への回答の有無（二値変数）。
  1. 世帯総収入
  2. 老齢・早期退職・遺族年金
  3. 銀行口座残高
  4. 主たる住宅の価値
• 説明変数（関心変数）: 面接官の期待値。フィールドワーク開始前に面接官に「回答者の何％が収入情報を提供すると予想するか（0-100%）」を尋ね、国ごとの中央値を超えたか否かで二値化（1=高い期待、0=低い期待）。
• 統制変数:
  • 面接官側：性別、年齢、学歴、経験年数、健康状態、自身の収入報告の有無、インタビュー中の行動（早口かどうか、質問の明確化など）。
  • 回答者側：人口統計学的特性、認知能力、健康状態、過去の調査参加歴など。

3. 方法論：欠損データ処理の比較

本研究では、面接官調査（IWS）および回答者調査における欠損値を処理するために、以下の 3 つのアプローチを比較・評価しています。

1. 完全ケース分析 (Complete-Case Analysis, CCA):

   • 欠損値を持つ観測値をすべて削除し、完全なデータのみでロジスティック回帰を推定する手法。
   • 利点：実装が容易。
   • 欠点：大量のデータ（本研究では約 19,000 件）が失われ、精度が低下する可能性がある。

2. 埋め込み法 (Fill-in Approach, FI) / 多重代入法 (Multiple Imputation, MI):

   • 欠損値を推定値で埋め、完全なデータセットを作成して分析する手法。
   • 本研究では、完全条件付仕様（FCS）法を用い、回答者変数と面接官変数に対して順次ギブスサンプリングを行い、100 回の多重代入を実施。
   • 欠損値の推定に伴う不確実性（代入間分散）を標準誤差に反映させる。

3. 一般化欠損インジケーター法とモデル平均化 (Generalized Missing-Indicator, GMI & Model Averaging, MA):

   • Dardanoni ら（2011, 2012, 2015）が提案した「グランドモデル」アプローチ。
   • 欠損インジケーター変数を含む拡張モデル空間を定義し、情報量基準（BIC または AIC）に基づいてモデル重み付けを行うベイズモデル平均化（BMA）を適用。
   • 目的：モデル選択の不確実性を考慮し、より頑健な推定量を得ること。

4. 主要な結果

• 面接官の期待と回答率の正の相関:
  • どの分析手法（CCA, FI, GMI-MA）を用いても、「回答者が収入を報告するだろう」という面接官の期待値が高い場合、実際の金融項目への回答率が有意に高くなるという結果が得られた。
  • 具体的には、楽観的な期待を持つ面接官に当たった場合、収入質問での非回答率が最大 14%、資産質問では最大 26% 減少する傾向が見られた。
• 国ごとの異質性:
  • 全般的に正の関連が見られるが、いくつかの国・変数組み合わせ（ギリシャの住宅価値、スペインの年金など）で統計的に有意な負の関連が少数認められたものの、これは例外である。
• 分析方法の比較:
  • 精度と標準誤差: 多重代入法（FI）は利用可能な情報を最大限活用するが、代入に伴う不確実性（代入間分散）により、完全ケース分析（CCA）に比べて pooled 標準誤差が大きくなる傾向があった。
  • モデル平均化の効果: BIC または AIC 重みを用いたベイズモデル平均化（BMA）は、CCA や FI のどちらかの結果に収束する傾向があり、単純な手法に比べて明確な性能向上（ゲイン）をもたらすことは確認されなかった。BMA_AIC は CCA に、BMA_BIC は FI に近似した結果となった。

5. 結論と学術的・実践的意義

• 結論: 面接官の「期待」は、敏感な金融質問に対する項目非回答を理解し、モデル化する上で有用な情報を含んでいる。面接官が楽観的な期待を持つことは、回答者の協力度を高め、非回答を減少させる要因となる。
• 実践的意義:
  • 面接官の選抜とトレーニング: 単なる人口統計学的特性だけでなく、面接官の態度や期待値（心理的特性）を評価・育成することが、調査の品質向上に寄与する。
  • 調査設計: 面接官の期待値を事前に測定し、それを調整変数として重み付けや補正（imputation）に活用することで、非回答バイアスを軽減できる可能性がある。
• 限界と今後の課題:
  • モデル平均化の計算コストが高く、MCMC 法などの適用には課題がある。
  • 回答者が面接官にネストされている構造（クラスター効果）を考慮した標準誤差の推定（多段ロジスティック回帰など）の必要性が指摘されている。

総じて、本論文は「面接官の心理的・行動的特性」が調査データ品質に与える影響を定量的に示し、特に金融データのような敏感な項目において、面接官の期待管理が非回答対策の重要な鍵であることを実証的に示した点に大きな意義があります。