狠狠撸

惭辫濒耻蝉导入编?入门编

清水裕士
広島大学大学院総合科学研究科

Mplusとは
? Muthén＆Muthénが作った統計ソフトウェア
– 主に構造方程式モデリングのためのソフト
– http://www.statmodel.com/

? 非常に高度な分析が可能
– Amosができることは全部可能
– カテゴリカルデータ分析、マルチレベル分析、潜在クラス
分析、それらの組み合わせ、など

? CUI（Character User Interface)を採用
– 最初はやや慣れが必要
– 最新版（Mplus7）は、一部GUIに対応

惭辫濒耻蝉の编集画面

惭辫濒耻蝉の出力ダイアグラム

Mplusとは
? 機能の割にかなり安い
– 学生の場合
? 基本モデル 2万円弱
? 全部入り 4万円弱
– 教員の場合
? 基本モデル 5万6千円
? 全部入り 8万4千円

– しかも、同じバージョンなら永久に使える
? アップデートする場合は、1年間は無料。それ以降は有料

Amosとの違い
? GUI（Amos）かCUI（Mplus）か
– これには一長一短がある
? 簡単なパスモデルはAmosのほうが簡単
? Mplusだと、”F1 by v1-v40;” というコードだけで40項目の因子分析ができるが、
Amosだと大変。

? 分析の機能
– 完全にMplus＞Amos
? Amosでできることはすべてできる

? ライセンスの扱い
– AmosはIBMなので高価＆年単位で更新が必要
– Mplusは一度購入すれば、同じバージョンならずっと使える

? 日本語への対応
– Amosは日本語に完全対応 Mplusは完全不対応
– 今後もMplusは日本語に対応することはない

入門編メニュー
? データの読み込み
– データセットの準備
– 基本的なコードの書き方

? とりあえず回帰分析
– 重回帰分析
– パス解析

? とりあえず因子分析
– 確認的因子分析
– 探索的因子分析

Mplusの構成
? データファイル
– Mplusのデフォルトでは.datの拡張子。でも.txtとかでも
よい。

? 入力ファイル
– inpファイルと呼ばれる。これにすべてのコードを書く。
– 拡張子は.inp

? 出力ファイル
– outファイルと呼ばれる。これに分析結果が出力される。
– 拡張子は.out

データファイルの読み込み
? 読み込みファイル
– datファイル(.dat)
– テキストファイル(.txt)
– csvファイル(.csv)

? データ区切り
– スペース
– タブ
– カンマ

? 僕個人のオススメは、タブ区切りのテキストファイル

例：エクセルのデータからMplusへ 0
? Mplus用のフォルダを作る
– Mplusは日本語のパスを読めない！
? ユーザー名が日本語の人は、マイドキュメントにおい
ても認識されない

– 清水からのオススメ
? C:?mplusfile?～など、Cドライブに直接フォルダを作る
? 僕はDドライブにDropboxを置いているので、そこに。

? エクセルのデータを選択してコピー
– 変数名は含めない

? メモ帳にそのまま張り付ける

? ファイルの保存場所
– Mplusの入力ファイル(.inp)と同じフォルダに入れるこ
とをオススメする。詳細は後述。
– さっき作った、Mplus用のフォルダの中に入れる

? 保存方法
– 保存するとき、拡張子は.datのほうが便利かもしれな
いけど、そこは好みで。
? .datか、.txt、.csvあたりで。
– 日本語は不対応なので、半角英数字で。

Mplus言語のルール
? 文章はすべて半角英数字
– 日本語不可
– 大文字?小文字の区別はない

? 文末にはセミコロン”;”を付ける
– 改行だけでは、同じ文章だと判断される

? “IS”や”ARE”は”=“で代用できる
– マニュアルには”IS”とか”ARE”が使われているが、”=“で大丈夫。

? その他
– コメントアウトは”!”

Mplusの基本コード
? DATA:
– データファイルのある場所を指定
? VARIABLE:
– 分析に使う変数の指定
? ANALYSIS:
– 分析方法の指定
? MODEL:
– モデルの指定
? OUTPUT:
– 出力の設定
? その他
– PLOT、SAVEDATA、DEFINEなどなど

DATA: コマンド
? 使うデータファイルを指定する
– ファイルのパスを指定する
? FILE = “D:?Dropbox?????sample1.dat”;
? パスの最後にセミコロンを忘れずに！

– inpファイルと同じフォルダに入れる場合???
? FILE = “sample1.dat”;
? ファイル名だけでよい。こちらが簡単なのでオススメ

? リストワイズ削除の時には以下を書く
– LISTWISE = ON;
– ただ、LISTWISEは基本は使わなくてよい

VARIABLE: コマンド
? 読み込んだ変数を指定する
– データファイルにある変数名をすべて書く
– NAMES = v1 v2 v3;
? 上の場合、v1-v3; と書くこともできる

? 分析に使用する変数を指定する
– USEVARIABLES = v1 v2;
? 書き方は上と同じ

? 欠損値を指定する
– MISSING = .;
? ピリオドの場合は上のように書く
? ダブルコーテーションはつけない

ANALYSIS: コマンド
? 分析方法を指定する
– TYPE = GENERAL;
? 基本的なSEMをする場合はこれだけでOK。
? 他に、TWOLEVEL（マルチレベルモデル）、MIXTURE
（潜在クラス分析）、EFA（探索的因子分析）などがある。

– ESTIMATOR = MLR;
? デフォルトはMLR。ロバスト最尤法のこと。
? 他に、ML（最尤法）、WLSMV（重みつき最小二乗法）、
BAYES（ベイズ法）、GLS（最小二乗法）などがある。
– Amosと結果を一致させたいなら、MLを使用するといい。

MODEL: コマンド
? モデルを指定する
– モデルの書き方の基本は以下の5つ。
? 回帰分析（構造方程式）は ON
? 因子分析（測定方程式）は BY
? 共分散は WITH
? 変数名だけを書くと、分散を推定する指定
? [変数名]と書くと、平均値を推定する指定

? パラメータの制約をする
– MODEL CONSTRAINT:の後に書く
? これについては、後述

OUTPUT: コマンド
? 出力の設定をする
– 記述統計量を出力する
? SAMPSTAT
– 標準化係数を出力する
? STANDARIZED
? しかし、STDYXと書いた方が余計なのが出なくて便利。
– 信頼区間を出力する
? CINTERVAL
? ブートストラップ信頼区間を出力する場合は、
CINTERVAL（BOOTSTRAP)と書く。

その他のコマンド
? SAVEDATA: コマンド
– 因子得点などを保存する
– SAVE ＝ FSOCRES; で因子得点を保存
? File = ###.txt; でファイル名を指定。日本語不可。

? PLOT:コマンド
– グラフなどを出力する
? IRTやベイズ推定の時に使う

? DEFINE:コマンド
– 新しい変数を作ったり、変換したりするのに使う

Mplusの基本コードの書き方
? 最初は、Language Generatorで。

– 基本的なモデリングはこれで解決する。

これだけは覚えておこう
DATA:
FILE IS "sample1.dat"; !ここにファイル名を書く。日本語不可。

VARIABLE:
NAMES = ID idt talk per skill con; !ここにデータに入っている変数名すべて書く
USEVARIABLES = idt talk per; !ここに分析に使う変数を書く。
MISSING = .; !欠損値記号を書く。

ANALYSIS:
TYPE = GENERAL; !普通のSEMをするなら、GENERALでよい。
ESTIMATOR = ML; !MplusのデフォルトはMLR。MLにすればAMOSと同じ結果になる。

MODEL:
!ここにモデルを書く。

OUTPUT:
SAMPSTAT STDYX MODINDICES(ALL); !この3つは常に書いておいてよい。

サンプルデータ紹介
? 仮想的なデータを利用
– 3人集団が集団討議を行う実験（100集団300人）
? ※実際に実験は行っていません！
– 何が集団アイデンティティを高める要因となるのか？

? 測定変数
– 集団アイデンティティ → idt
– 発言量 → talk
– 集団パフォーマンス → per

– コミュニケーションスキル → skill
– 実験条件(0が同じ情報条件、1が違う情報条件) → con

MODEL：コマンドの書き方
? 重回帰分析をやってみよう???ONを使う。
– 目的変数：idt
– 説明変数：talk per

idt on talk per;
– これで終わり！
– Regressed on のON!

ではさっそく分析してみよう。
DATA:
FILE IS "sample1.dat";

VARIABLE:
NAMES = ID idt talk per skill con;
USEVARIABLES = idt talk per;
MISSING = .;

ANALYSIS:
TYPE = GENERAL;
ESTIMATOR = ML;

MODEL:
idt on talk per;

OUTPUT:
SAMPSTAT STDYX MODINDICES(ALL);

入力ファイルの保存と実行
? 分析を実行する前に、inpファイルを保存
– 場所は、さっきつくったフォルダの中に
– データファイルがある場所が便利
? フルパスを書かなくてよいから
– 拡張子は.inp

? inpファイルが保存できたら、RUNボタンを押す
– 最初は、何かしらエラーが出る。
– こころが折れそうになることもあるが、がんばる。

出力の見方
? 結果を見るときの心得
– できるだけ詳細をちゃんと見る
? 分析がうまくいってない場合、走っても警告が出ること
がある。
? したかった分析がちゃんとできているか、チェック。
– 手違いで分析法などが間違えているかもしれない
– 適合度は必ず見る
? 適合度がかなり悪いなら、データ入力のミスの可能性
? 慣れないCUIでのモデリングは、ミスも多い

適合度指標
? 情報量基準
– モデル比較に使う
? Χ2乗値
– モデルがデータと等しいとい
う帰無仮説の確率
? RMSEA
– 0.05（0.10）以下がよい
– 倹約性を考慮した指標
? CFI
– 0.95以上がよい
– 倹約性をやや考慮した指標
? SRMR
– 0.05（0.10）以下がよい
– モデルとデータの距離

推定結果
? Estimate：推定値
? S.E.：標準誤差
? EST./S.E. z値 1.96以上で5%有意

ダイアグラムの出力
? メニューバーのDiagramを選択
– View diagramをクリックすると、パス図が見られる
– ()内は標準誤差出力設定で変えられる

分散?共分散の推定
? 分散と共分散を推定してみよう???WITHを使う。
– さっきと同じモデルで
– ただし、独立変数の分散も同時に推定する

idt on talk per;
talk per;
talk with per;
– Mplusでは、デフォルトでは内生変数の分散しか推定しない。
– 外生変数の分散を指定すると、それらの変数間の共分散も自動
的に推定する。
? すべての欠損値を推定するためには、独立変数も分散を推定する必
要がある。ただ、データ規模が大きくなるため、適合度が悪くなることも
ある

共分散を推定したくない場合
? 固定母数の制約をする???@を使う。
– 共分散を0に固定する

talk with per@0;
– これでtalkとperの共分散が0に固定される。

idt on per@0;
– とすれば、パス係数を0に固定することもできる。

共分散の指定あれこれ
? 一度に全部の変数の共分散を指定
idt talk per WITH idt talk per;
– これで3変数間の共分散を推定できる

? ペアごとの共分散を指定
v1 v2 v3 PWITH v4 v5 v6;
– Ｖ1とv4、v2とv5、v3とv6の共分散を推定

? 共分散の自動推定をオフにする
– ANALYSISコマンドにMODEL = NOCOVARIANCES と書く。
? これで、因子間や分散を推定した外生変数間の共分散が
自動で推定されなくなる

平均値の指定
? 平均構造の推定
– TYPE = GENERALにしておけば、自動的に平均構造も
推定される
– 自分で指定しておきたい場合は、[]を使って
[idt];
? と書く。
– 平均値に固定制約を与えたい場合は、
[idt@0];
? と書く。
– 平均値を推定したくない場合は、ANALYSISコマンドの
ところに、MODEL = NOMEANSTRUCTURE;と書く。

パス解析
? ONとWITHでパス解析が可能
– idt と per を talk と skill で予測するモデル
? skillをusevariablesに追加するのを忘れずに！

idt per on talk skill;
idt with per;

– 複数の目的変数に同じ説明変数が予測する場合
は、一行で書ける。

パス解析のダイアグラム

媒介分析
? 間接効果を検定する???INDを使う。
– MODEL INDIRECTオプションを利用
– Idt と conの関係をtalkが仲介するかを検等

idt on talk con;
talk on con;
MODEL INDIRECT:
idt IND talk con;

– con → talk → idtという媒介効果を検定

間接効果の検定結果
? Specific indirectのところを見る。
– いわゆるSobel testの結果。

媒介分析のダイアグラム

ブートストラップ信頼区間
? 間接効果のブートストラップ信頼区間
– BOOTSTRAPオプションを使う
? ANALYSISコマンドに以下の文を書く。

BOOT = 1000;
– 回数は1000～10000回の範囲で。

– CINTERVALオプションで信頼区間を出力する
? OUTPUTコマンドに以下の文を書く。

CINTERVAL(BOOT)

コードは以下の通り
ANALYSIS:
TYPE = GENERAL;
ESTIMATOR = ML;
BOOT = 1000;

MODEL:
idt on talk con;
talk on con;

MODEL indirect:
idt IND talk con;

OUTPUT:
SAMPSTAT STDYX MODINDICES(ALL) CINTERVAL(BOOT);

ブートストラップ信頼区間の結果

? 信頼区間に0が含まれてなければ有意

確認的因子分析
? sample2.datを使う
– IDと6項目の変数
– v1-v3が同じ因子、ｖ4-ｖ6は別の因子

? 因子分析をする???BYを使う。
– F1とF2という潜在変数がｖ1-ｖ10で測定されている

F1 by v1-v3;
F2 by v4-v6;
– F1とF2の因子間相関は自動的に推定される
? もちろん、F1 with F2@0; と書けば、直交回転となる。

確認的因子分析
? いくつかの注意点
– 普通にF1 by v1-v3;とかくと、v1への因子負荷量は、
自動的に１に固定される
? これは、モデルの識別のために必要な制約
– ただ、分散を1に固定しても因子分析は可能
? ただし、因子が外生変数の場合に限る
F1@1;
? と書けば、F1の分散を1に固定することができる。
? また、v1を自由推定するように指定することができる。
F1 by v1* v2-v3;
? あるいは F1 by v1-v5*; *は自由推定の指定。

以下のコードを書く
DATA:
FILE IS "sample2.dat";

VARIABLE:
NAMES = ID v1-v6 sex;
USEVARIABLES = v1-v6;
MISSING = .;

ANALYSIS:
TYPE = GENERAL;
ESTIMATOR = ML;

MODEL:
F1 by v1-v3*;
F2 by v4-v6*;
F1-F2@1;

OUTPUT:
SAMPSTAT STDYX MODINDICES(ALL);

確認的因子分析の結果

? 因子分析の場合は標準化のほうが解釈しやすい

惭辫濒耻蝉の使い方　初级编

確認的因子分析の適合度
? 因子分析は適合度が低くなりがち
– SRMRはかなり悪くなるので、あまり参照しない
– むしろ、CFIやRMSEAに注目する
? CFIは.85ぐらいでもそこそこ報告例がある
? RMSEAは0.05以下が望ましいが、0.10以下でもあり

? 因子数をどう決定するか
– BICなどの情報量基準を用いる
? BICが一番小さくなる因子数を採用
? それだけではなくRMSEAなども適宜参照

確認的因子分析の誤差相関
? 誤差相関とは
– 測定項目の誤差項の間に共分散を仮定する
F1 by v1-v3;
v1 with v2;
– 例えば、上のような感じ。

? どういう時に誤差相関を仮定するか
– 測定方法論上、測定誤差に相関が仮定される場合
? 質問項目が似ている（同じ言葉が含まれている、など）
? 同じことについて、違う側面から質問している

– 適合度を上げるためだけにむやみに仮定するべきではない
? しかし、相関を仮定することが妥当なら、仮定する方がよい。

モデルの識別
? 識別問題とは？
– 特に潜在変数などを利用すると、推定するべきパ
ラメータが多くなり、モデルが識別できない
? Mplusの場合、標準誤差の推定ができなくなる
? 固定母数を利用して、モデルを識別させる

? 典型的な識別問題への対処
– 因子負荷量を1に固定
– 因子の分散を1に固定（因子が外生変数のとき）
– 因子負荷量を等値にする（2項目の場合など）

因子負荷量の等値制約
? 各項目の因子負荷量が等しいという仮定
– モデルの倹約性が向上する可能性がある
– パラメータ名を設定し、等値に指定する

F1 by v1-v3*(p1);
F2 by v4-v6*(p2);

– v1-ｖ3は、p1という同じパラメータであることを指定
– v4-v6も同様に、p2という同じパラメータ

左が普通右が等値制約

潜在変数を含むパス解析
? 因子間に因果関係を仮定する
– F1がF2を回帰するような場合。

F1 by v1- v3;
F2 by v4-v6;
F2 on F1;

– 今回は、因子負荷量を1に固定して推定

分析结果（标準化係数）

MIMICモデル
? Multiple indicator Multiple Cause Model
– 複数の説明変数が、潜在変数を経て複数の目的
変数に影響するモデル。

F2 by v4-v6;
F2 on v1-v3;

– 特に難しい制約は必要ない。

MIMICモデルダイアグラム

探索的因子分析
? 事前にどの項目がどういう因子を構成するかわ
かってない場合に使う方法
– SPSSなどに入っている因子分析と同じ。

? 2種類の方法がある
– EFA（探索的因子分析）を使う
? プロマックス回転など使える回転が多い
– ESEM（探索的構造方程式モデル）を使う
? 因子得点をそのままSEMに使える
? 回転は、プロマックスは使えないが、たいていは使える

EFAでのやり方
? ANALYSISコマンドをTYPE = EFAとする。
– EFAのあと、何因子を指定するかを最小値と最大値を指定。
? 下の例の場合、1因子と2因子の2つを走らせる。
– ROTATIONオプションに、回転法を指定。
? VARIMAX, PROMAX, OBIIMIN, GEOMIN
– デフォルトはGEOMIN回転
? MODELコマンドはいらない。

ANALYSIS:
TYPE = EFA 1 2;
ESTIMATOR = ML;
ROTATION = oblimin;

ESEMでのやり方
? MODELコマンドを書く必要がある
– モデルの最後に(*1)と書く。
– 回転法も指定してやる

ANALYSIS:
TYPE = GENERAL;
ESTIMATOR = ML;
ROTATION = oblimin;
MODEL:
F1-F2 by v1-v6(*1);

贰厂贰惭のダイアグラム

2つの探索的因子分析
? モデルの中に二つ以上の探索的因子分析が含
まれている場合
– (*1)とは別に(*2)とする。

ANALYSIS:
TYPE = GENERAL;
ESTIMATOR = ML;
ROTATION = oblimin;
MODEL:
F1 by v1-v3(*1);
F2 by v4-v6(*2);

入門編おさらい
? Mplusのコードの基本
– 回帰はON
– 相関はWITH
– 因子分析はBY
– 固定パラメータは@
– 自由パラメータは*
– パスの等値制約は()

狠狠撸

惭辫濒耻蝉の使い方 初级编

More Related Content

惭辫濒耻蝉の使い方 初级编

惭辫濒耻蝉の使い方　初级编

惭辫濒耻蝉の使い方　初级编