# 潜在変数のスケーリング：「どれを選んでも同じ」とは限らない

- 番組: [Quantitude](https://ai-curator.jp/podcasts/shows/cmv3z5c27001a5o10ywqv5dyc)（Greg Hancock & Patrick Curran）
- 元のタイトル: S8E07 Latent Variable Scaling: It *Do* Make No Nevermind
- 配信日: 2026年11月3日
- 長さ: 36分
- 要約作成日: 2026年11月3日
- トピック: [#SEM](https://ai-curator.jp/topics/SEM) [#確認的因子分析](https://ai-curator.jp/topics/%E7%A2%BA%E8%AA%8D%E7%9A%84%E5%9B%A0%E5%AD%90%E5%88%86%E6%9E%90) [#潜在変数](https://ai-curator.jp/topics/%E6%BD%9C%E5%9C%A8%E5%A4%89%E6%95%B0) [#検定力](https://ai-curator.jp/topics/%E6%A4%9C%E5%AE%9A%E5%8A%9B) [#effects coding](https://ai-curator.jp/topics/effects%20coding) [#識別](https://ai-curator.jp/topics/%E8%AD%98%E5%88%A5)
- URL: https://ai-curator.jp/podcasts/cmw08j56q00025m10u8n318ho

## 要約

PatrickとGregが、確認的因子分析で潜在変数に単位を与える方法を論じた回。分散を1に固定する方法と、ある因子負荷を1に固定する方法は尤度的に等価で、適合度や標準化解も同じだが、因子に向かう構造パスの検定力は選ぶ指標で大きく変わると示した。Little らの effects coding や最適重み付けも紹介し、各手法の長所と短所を議論している。

## ポイント

- 潜在変数には本来単位がなく、1因子4指標のCFAは母数9個・分散共分散10個でも、単位を固定しないと識別できない。尤度に尾根ができ、ヘッセ行列が特異になって標準誤差が出ないと説明している。
- 単位の与え方は、因子分散を1に固定するか、ある因子負荷を1に固定するかの2つが一般的。両者は尤度的に等価で、適合度と標準化解は同一になる。
- 標準化負荷が0.9・0.7・0.5・0.3の母集団例では、因子への予測変数パスのZ値が、基準指標を最良から最悪に変えると5.54から3.27へ下がった。最良指標と同じ検定力にするには、最悪の指標で382人多く必要になると述べている。
- Little らの effects coding は、負荷の平均を1に制約する方法。指標を1つ選ぶ必要がなく、最良指標を使う場合に近い検定力が得られ、Lavaan や Mplus では1行で実装できる。
- 負荷の重み付けを最適化すれば検定力をさらに高められるが、因子に入る経路と出る経路など注目母数ごとに最適な重みが異なる。そのため万能の解はないと指摘した。
- 二人は effects coding を妥当で擁護しやすいデフォルト候補と評価した。ソフトのデフォルトに任せず、指標の質が不均一な場合は選択肢があると認識すべきだと結論づけた。

## 章立て

- [00:00] **雑談：単位と測定の話** — 好きな数学者、大工用スピードスクエア、ドリルビットの分数表記、1/3ポンドバーガーの失敗談、バットやヘレンなどの変わった単位で盛り上がる。
- [08:03] **潜在変数に単位がない問題** — 回帰の傾きは変数の単位があるから解釈できるが、因子には単位がない。1因子4指標のCFAは母数9個、分散共分散10個でも識別されず、標準誤差が出せない。
- [12:36] **二つの標準的な固定方法** — 因子分散を1に固定する方法と、ある負荷を1に固定する方法を説明。両者は尤度的に等価で、適合度と標準化解は同じだが、ソフトは最初の指標を基準にしがちだと語る。
- [15:45] **どの指標を基準にするかで検定力が変わる** — 標準化負荷0.9〜0.3の母集団例で、基準指標によりZ値が5.54から3.27まで変化した。必要な追加サンプルは最大382人に達する。
- [23:02] **effects coding の提案** — Little らの方法として、負荷の平均を1に制約する手法を紹介。1行で実装でき、検定力も良好だが、指標の単位が異なる場合は因子の解釈がやや難しい。
- [27:17] **最適な重み付けとその限界** — 線形結合の重みを最適化すれば検定力を最大化できる。ただし注目する母数ごとに最適解が違うため、実用上の難点があると議論する。
- [32:25] **結論と教育への示唆** — effects coding は妥当なデフォルト候補とされた。指標の質が不均一なら選択肢を意識すべきで、二人は今後の授業の伝え方も見直すと述べた。

## 解説記事

統計ポッドキャスト Quantitude の今回は、Patrick Curran と Greg Hancock が、構造方程式モデリング（SEM）で潜在変数に単位を与える「スケーリング」を取り上げた。授業では「どれを選んでも変わらない（don't make no never mind）」と教わりがちだが、実際には重要な違いが生じうるという内容である。

#### なぜ潜在変数にはスケーリングが必要か

回帰分析では身長をインチ、体重をポンドと決めているので、傾き3は「1インチ増えると3ポンド増える」と解釈できる。ところが因子分析の潜在変数（やる気、グリット、抑うつなど）には固有の単位がない。そのため因子負荷を「因子が1単位増えたとき指標がどれだけ変わるか」と読もうとしても、1単位が何かが定まらない。

二人は1因子4指標のCFAを例に説明する。母数は因子分散1、負荷4、残差分散4の計9個で、4変数から得られる分散・共分散は10個である。数の上では足りて見えるが、単位を固定しないと尤度に尾根ができ、最適化が収束先を決められない。ヘッセ行列は特異になり、標準誤差も得られないと説明している。

#### 標準的な二つの方法と「等価」の落とし穴

解決策は何か一つを固定することだ。一つは因子分散を1にする方法、もう一つは任意の指標の負荷を1にして分散を推定する方法である。Greg はこれを、死体を前庭から裏庭に埋め直すようなもので、結局どこかが1に固定されているだけだと表現した。両者は尤度的に等価で、適合度指標も標準化解も一致する。ソフトウェアは多くの場合、最初に書いた指標を基準にするため、これで構わないと教えられてきた。

#### 基準指標で検定力が変わる

ただし等価なのは尤度、適合度、標準化解までだと Patrick は示す。因子への予測変数からの標準化パスを0.4、サンプルサイズを200と仮定し、標準化負荷が0.9、0.7、0.5、0.3の4指標で母集団分析をした。基準を最良の指標にするとパスのZ値は5.54だが、基準を弱い指標にするほど下がり、最悪の指標では3.27になった。

最良の指標と同等の検定力を得るには、2番目の指標で57人、3番目で122人、最悪の指標で382人の追加が必要になるという。因子に直接つながる母数の検定は、基準の選び方に左右される。Patrick は自分も何度かSEMの授業を受けたが、「どれでもよい、ソフトに任せろ」以上の理解で教室を出たことはなかったと述べている。

Greg は、指標の質が似通っていれば差は小さいので、「どれでもよい」という教えには前提があると補足した。この問題自体も Jöreskog と Sörbom（1979）、Satorra（1989）、Gonzalez と Griffin（2001）などで指摘されてきたと紹介している。

#### effects coding と最適重み付け

代替策として紹介されたのが、Little らが2006年に提案した effects coding である。一つの負荷を1に固定する代わりに、負荷の平均を1に制約する。特定の指標を選ぶ必要がなく、1つの制約なので識別問題も解決する。例では、最良指標を基準にした場合より必要な追加サンプルがわずかで、2番目以下を選ぶよりも良好だった。LavaanやMplusでは1行で書ける。

弱点もある。指標の単位が異なる場合（SATスコア、GPA、出席日数など）は、因子の1単位が何を意味するのか解釈しにくい。

さらに Greg は、負荷の重み付き線形結合を制約し、重みを最適化すれば特定の構造パラメータの検定力を最大化できると述べた。ただし最適な重みは注目する母数ごとに異なる。因子に入るパスと出るパスでは別の重みが必要になるため、万能の最適化は得られない。Patrick はこの点を重く見て、評価を下げた。

#### まとめ

二人の結論は、effects coding は全指標に因子の単位決定へ参加させるため、妥当で擁護しやすいデフォルト候補になるというものだ。指標の質が不均一な場合は、ソフトの既定値に任せず、スケーリングの選択肢を意識して使うよう勧めている。

日本の読者にとっての要点は、モデル適合度や標準化解が同じでも、因子に直結する母数の検定力やサンプルサイズ設計はスケーリングで変わりうることだ。特に因子への影響を検定する研究では、基準指標の選び方を報告・検討する価値がある。なお本回の数値は二人が設定した仮想の母集団例に基づくもので、一般的な効果量を示すものではない。

> この要約・解説記事は、元の音声の文字起こしをもとに AI（Claude）が日本語で作成したものです。出典: Quantitude「S8E07 Latent Variable Scaling: It *Do* Make No Nevermind」