Microsoft Word 野口博司.docx

Size: px

Start display at page:

Download "Microsoft Word 野口博司.docx"

さみうすい
5 years ago
Views:

1 流通科学大学論集経済情報政策編第 22 巻第号,83-98(203) 企業分析と因果分析 Business Analysis and Causal Analysis 野口博司 * ** 磯貝恭史 Hiroshi Noguchi, Takafumi Isogai 次元縮約を行い探索的に要因構造を探る方法論については前回に報告した一方最初から要因構造を想定しそれを検証する方法論としては因果分析法がある後者では固有の知見がきわめて重要であり統計学からの探索的アプローチでは因果は決められないでは統計学による探索アプローチからどれだけ検証的モデリングに近づけられるのか前回と同じ企業分析データを用いて検討し因果分析法の適用範囲を考察するキーワード : 因果分析法因子分析法構造方程式モデリンググラフィカルモデリング企業分析 Ⅰ. はじめに多要因からなる現象を要約するための多変量解析諸法の活用については我々はすでに企業分析と次元数の縮約として報告している (979) ) (202) 2) また多変量解析諸法の活用にはある現象 ( 結果 ) とその要因との関係を吟味する重回帰分析や潜在的な要因 ( 因子 ) を考えて現象を検討する因子分析法などがあり今日まで広く探索的モデリングとして用いられてきたしかし Jöreskog が因子分析法に検証的なアプローチや因果分析の考え方を取り入れた (969) 3) (973) ) ことから始まり近年の目覚ましい計算機の発展によりある現象における要因の因果構造 ( 共分散構造 ) 分析には想定した構造を検証する検証的モデリングの立場がとられるようになったその手法には構造方程式モデルやグラフィカルモデリングなどがある日本では豊田秀樹や狩野裕らがこの共分散構造分析を成書にして紹介している (998) ) (2000) 6) (997) 7) 検証的モデリングは理論によってモデルの配置も因果方向も既知でありただ母数だけが未知でありそれをデータから推定することになる探索的モデリングではデータから有益な知見を獲得するためにデータという未知に対して先入観抜きで丁寧な分析を進めることになる企業分析をはじめ科学技術の理論背景の少ない因果の分析ではほとんどがこの探索的モデリングで進めることが多いそこで我々はこの従来の探索的なアプローチからモデルを構築していきその結果がいかに構造方程式モデリングの検証的モデリングに耐えうるかを検討することにした前回用いた企業分析データ 2 ) を用いて企業力を示す構造モデルを探り * 流通科学大学商学部神戸市西区学園西町 3- ** 流通科学大学商学部神戸市西区学園西町 3- (203 年月 2 日受理 ) C 203 UMDS Research Association

2 8 野口博司磯貝恭史そのモデルを想定しその検証を因果分析法で行い探索的モデリングと検証的モデリングの挟間がどのようにあるのかを考察する Ⅱ. 方法. 企業分析のデータ今回もすでに企業分析と次元数の縮約化として報告した論文に引用した婦人アパレル企業 3 社の 0 観測変量における評価データを用いた 0 の観測変量は x : 企業スケール x 2 : x 収益力 x : 販売力 x : 商品力 x : 企業弾性 x : 資本蓄積 x : 資売上高成長率 : 3 金能力 x 9 : 仕入生産力 x 0 : 組織管理であるいずれもあらかじめ定めた財務指標を規準に 0 点満点で評価している特に x : 販売力は x : 企業スケールの評点と x 2 : 売上高成長率の評点を平均して評価し x : 商品力も x 3 : 収益力の評点と x : 販売力の評点を平均して評価している従ってもともと変量間には従属関係を設定しているものがあり変量間の従属により複雑なモデルの検証を嫌う因果分析においては何らかの影響が出るものと考えられる表はその 0 の観測変量間の n 3 における相関係数行列である表. 婦人アパレル企業 3 社における 0 観測変量間の相関係数行列 n=3 +: 0.6 以上 ++: 0.8 以上変数名 X X2 X3 X X X6 X7 X8 X9 X0 X: 企業スケール X2: 売上高成長率 X3: 収益力 X: 販売力 X: 商品力 X6: 企業弾性 X7: 資本蓄積 X8: 資金能力 X9: 仕入生産力 X0: 組織管理手順と手法まず企業の持つ力とそれに及ぼす観測変量との因果を探索するその結果仮定される企業力の構造モデルについてその仮定が成り立つかを因果分析法で検証する探索的アプローチでは一般的なグラフィカルモデリングと因子分析法を用いる因果分析の検証には構造方程式モデリングを用いる因果分析の結果から探索的モデリングと検証的モデリングの挟間を考察し検証的モデリングの範囲とその適用上の留意点をまとめる因子分析法は社会科学ではいままで広く活用されてきているので手法の説明は行わないしかし検証に用いるグラフィカルモデリングや構造方程式モデリングについては本論文の理解が容易になるように若干の説明を示すそこで代表的な潜在因子を想定したモデルの構造方

3 企業分析と因果分析 8 程式の検証方法についての考え方を示すまず観測変数を x 潜在変数を f とおく企業力を示す構造モデルとして次のような式を想定する f A x A ff xf A A fx xx f x 潜在変数にまつわる外生因子 + 観測変数にまつわる外生因子 () w ここで A の行列はパラメータ行列であるさらに T 成るベクトルを u とおけば () 式は次のモデル式 (2) となる f x とおき二つの外生因子から w Aw u (2) 想定した構造モデルには観測変数や潜在変数を含んでおりこのすべてのデータ行列 Xにこの (2) 式ができるだけ近づくようなパラメータを考えていくことが検証の課題となるこのようなパラメータを用いて想定した構造モデルを検証するのは次のようになる最初にw の分散共分散行列を求めるととなり x と f の分散と共分散でが表されていることが分かる次に (2) 式より w (I A) u となるので u の分布を用いて w の分散共分散行列を求めるとつぎの () 式になる T T E T T uu E ww I-A uu I-A I-A Σ I-A () T ここで E uu Σuu とおいた () 式は w の分散共分散行列のパラメータによる表現を与えているモデルを求めるためには () 式のようにデータ行列 X の分散共分散行列 S とパラメータで表された xx が出来るだけ近づくようにパラメータの推定や潜在因子 f 内の因子の取捨選択を考えていくことになる n XX T xx S () この検証の考え方は上記のようにデータの持つ分散共分散行列とモデルの持つ分散共分散行列との接近を考えることから分散共分散構造分析とも呼ばれている主な適合度基準は 2 検定で行なわれるが 2 検定では有意になることが多いので後述するその他の適合度基準が用

4 86 野口博司磯貝恭史いられることが多い Ⅲ. 適用内容. 一般的グラフィカルモデリングにより企業力構造モデルの探索表の観測変量間の相関係数行列から観測変量間の偏回帰係数行列を求めた結果が表 2 であるこの表 2 の偏回帰係数行列からグラフィカルモデリングを用いて観測変量間の因果関係を探索する表 2. 観測変量間の偏回帰係数 n=3 X: X2: X3: X: X: X6: X7: X8: X9: X0: X: 企業スケール *** X2: 売上高成長率 *** X3: 収益力 *** X: 販売力 *** X: 商品力 *** X6: 企業弾性 *** X7: 資本蓄積 *** X8: 資金能力 *** X9: 仕入生産力 *** X0: 組織管理 *** 図. 観測変量すべてのフルモデルでの無向独立グラフ

5 企業分析と因果分析 87 図 2. 比較的フルモデルとの逸脱度が低いモデルでの無向独立グラフまず変量間に順序関係がないすべての観測変量におけるフルモデルの無向独立グラフを求めると図のようになる図から関連度の大きい観測変量間の群は ( x : 企業スケール x 2 : x 販売力 ) と ( x : 収益力 x : 企業弾性 ) および ( x : 仕入生産力 : 売上高成長率 : 3 組織管理 ) であることがわかる図のフルモデルから偏相関係数の絶対値が小さい 0.2 以下を目安にして観測変量間の関係を逐次切断していくことにするただし切断すると元のデータ構造を示す相関係数行列の差が大きくなりすぎれば変量間の関係を再び接続するということにしたしかし偏回帰係数の絶対値 0.2 という基準で削除していくとフルモデルとの適合確率を示す 2 検定のp 値が 0.00 となり統計的に有意になるモデルしか導けなかったそこで適合確率 p 値が 0.70 まで示せるモデルを再度求めることにしたその結果が図 2 の無向独立グラフである図 2 からわかるように偏相関係数が 0.2 以上の関係がある観測変量群がかなり多い大きな群ののれんの力を示す ( x : 企業スケール x 2 : 売上高成長率 x : 販売力 ) はさらに金を稼ぐ力を示す( x : 商品力や x 7 : 資本蓄積 ) らと関与しているまた ( x 3 : 収益力 x 6 : 企業弾性 ) も ( x : 商品力や x 7 : 資本蓄積それに x 8 : 資金能力 ) などと関与しており金の力を示す群といえるまた比較的独立している企業の仕組みである ( x 9 : 仕入生産力 x 0 : 組織管理 ) の群においても x 7 : 資本蓄積 x 8 : 資金能力との関与があるという複雑なモデルになっているもともとⅡの節の企業分析データで述べたように x : 販売力は x : 企業スケー 6 9 x 0

6 88 野口博司磯貝恭史ルの評点と x 2 : 売上高成長率の評点を平均し x : 商品力は x 3 : 収益力の評点と x : 販売力の評点を平均したものであることから x : 販売力と x : 商品力は他の変量との従属関係が強くこれらの観測変量の取り上げ方の吟味が不足しているともいえるグラフィカルモデリングを用いるには目的とする対象モデルについては実験を繰り返して得た結果を固有の知見から因果関係をしっかりととらえておく必要がある最初から多くの観測変量を取り入れて統計的手法により整理していくよりも事前に観測変量間の関係を整理しいずれの変量にも相関がみられる変量については固有の知見からその変量の取捨選択を行うべきと思われる次に因子分析を用いて企業力を示す構造モデルを探る 2. 因子分析法による企業力構造モデルの探索まず最尤法による回転なしの因子分析を行い次にバリマックス法の直交回転から因子の単純構造を探索する表 3. 因子分析法の妥当性を示す検定 Kaiser-Meyer-Olkin の標本妥当性の測度 Bartlett の球面性検定近似カイ2 乗自由度有意確率表 3 は今回のデータから構造モデルの因子をつとした場合の因子分析結果の妥当性を示す検定結果である表 3 の KMO 値がと 0. 以上より大きいのでこれらの観測変量を用いて因子分析法をすることに意味があるといえるまた Bartlett 球面性検定では仮説 H 0 : 分散共分散行列は単位行列の定数倍に等しいを検定しており有意確率が有意水準 α=0.0 より小さいのでこの仮説も棄却されるすなわち観測変量間に 0 でない共分散が存在するので観測変量間は何らかの関連をもつ構造が存在していることになる表は観測変量が持つ共通性を表している共通性とはその観測変量の分散のうち因子によって占められる分散の割合を示すすなわち表からわかるように共通性の値が0に近い観測変量はなくいずれも 0.8 以上で因子分析法の因子にいずれも貢献していることを示すたとえば企業スケールの共通性 0.87 は企業スケールを目的変量とし残りの観測変量を説明変量としたときの重回帰式の決定係数 R 2 に対応する企業スケールの因子抽出後の共通性は後述する表 6 の因子分析結果の因子行列より 0.970=( 第因子負荷 0.70) 2 +( 第 2 因子負荷 ) 2 +( 第 3 因子負荷 0.) 2 +( 第因子負荷 0.22) 2 と求められたものである

7 企業分析と因果分析 89 表. 因子分析法の結果による観測変量の共通性 X: 企業スケール X2: 売上高成長率 X3: 収益力 X: 販売力 X: 商品力 X6: 企業弾性 X7: 資本蓄積 X8: 資金能力 X9: 仕入生産力 X0: 組織管理共通性 a 初期因子抽出後因子抽出法 : 最尤法 a. 反復中につまたは複数のよりも大きい共通性推定値がありました得られる解の解釈は慎重に行ってください表. 各因子の持つ固有値および寄与度因子因子抽出法 : 最尤法説明された分散の合計初期の固有値抽出後の負荷量平方和合計分散の % 累積 % 合計分散の % 累積 % 表は因子分析法の結果導かれた各因子が持つ固有値と各因子が持つ情報量すなわち寄与度 ( 分散の %) を示している因子の持つ寄与度は全体の 60.3% を持ち第因子から第因子まで累積した寄与度は 93.98% であるまた抽出後の負荷量平方和 3. は表 6 の因子行列表から 3.=(0.70) 2 +(0.86) 2 +(0.22) 2 +(0.999) 2 +(0.686) 2 +(0.30) 2 +(0.33) 2 +( (0.388) 2 +(0.60) 2 と求められる観測変量が 0 であることから因子数は第因子から第 0 因子まであるしかし図 3 が示すスクリープロットからも第因子以降からの因子の固有値が同じ値に近いことで因子までを選ぶのが妥当と考えられるそこで意味ある因子として第因子から第因子までを取り上げる

90 野口博司磯貝恭史図 3. 因子のスクリープロット表 6. 最尤法による回転前と回転後の因子行列表最尤法回転なしバリマックス回転後 F: F2: F3: F: F: F2: F3: F: X: 企業スケール 0.70-0.387 0. 0.22-0.096 0.00 0.22 0.92 X2: 売上高成長率 0.86 0.220-0.397-0.0 0.273 0.3 0.88 0.

8 90 野口博司磯貝恭史図 3. 因子のスクリープロット表 6. 最尤法による回転前と回転後の因子行列表最尤法回転なしバリマックス回転後 F: F2: F3: F: F: F2: F3: F: X: 企業スケール X2: 売上高成長率 X3: 収益力 X: 販売力 X: 商品力 X6: 企業弾性 X7: 資本蓄積 X8: 資金能力 X9: 仕入生産力 X0: 組織管理表 6 は最尤法の因子抽出法で取り上げた因子までの因子行列表である左側が回転なしであり右側がバリマックス回転した結果であるバリマックス回転は各因子を直交回転して因子の解釈をしやすくしたものであるこのバリマックス回転後の結果の表 6 より因子の F は x 3 : 収益力 x : 商品力 x 6 : 企業弾性 x 7 : 資本蓄積 x 8 : 資金能力との相関が高く金の力を示す軸と考えられる因子 2 の F2 は x 9 : 仕入生産力 x 0 : 組織管理との相関が高く企業の体制力を示す軸と考えられる因子 3 の F3 は x 2 : 売上高成長率 x : 販売力との相関が高くのれんの力を示す軸と考えられるまた因子の F は x : 企業スケールとの相関が高く規模の力を示す軸と考えられるしかし実際には金の力企業の体制力

企業分析と因果分析 9 のれんの力規模の力のこれらの因子軸は互いに独立なものではなく因子間には関連性があるものも存在すると考えられるそこでそれらの関連を見るために斜交回転のプロマックス回転を行ったプロマックス法で導いた因子構造行列結果が表 7 である表 7 からわかるようにバリマックスの結果より各因子軸とそれに関連する各観測変量との関係がより強くなっている表 7.

9 企業分析と因果分析 9 のれんの力規模の力のこれらの因子軸は互いに独立なものではなく因子間には関連性があるものも存在すると考えられるそこでそれらの関連を見るために斜交回転のプロマックス回転を行ったプロマックス法で導いた因子構造行列結果が表 7 である表 7 からわかるようにバリマックスの結果より各因子軸とそれに関連する各観測変量との関係がより強くなっている表 7. 直交バリマックス回転後の因子行列結果と斜交プロマックス回転後の因子構造行列の結果バリマックス回転後プロマックス斜交回転後 F: F2: F3: F: F: F2: F3: F: X: 企業スケール X2: 売上高成長率 X3: 収益力 X: 販売力 X: 商品力 X6: 企業弾性 X7: 資本蓄積 X8: 資金能力 X9: 仕入生産力 X0: 組織管理図. 直交バリマックス回転後の企業業績の良否を示した層別の状況

10 92 野口博司磯貝恭史図. 斜交プロマックス回転後の企業業績の良否を示した層別の状況ここでバリマックス回転後の第因子と第 2 因子における企業の優良群標準群倒産危険群の層別状態とプロマックス回転後の第因子と第 2 因子における企業の優良群標準群倒産危険群の層別状態とを比較することにした図はバリマックス回転後の層別状態を示し図はプロマックス回転後の層別状態を示している図は第因子と第 2 因子は相関がある斜交回転なので図のほうがより層別の状況が明確であることがわかる各因子軸間の相関関係を示す因子間相関係数行列は表 8 である表 8. 各因子軸間の相関係数行列因子 2 3 因子相関行列因子抽出法 : 最尤法回転法 : Kaiser の正規化を伴うフロマックス法表 8 から因子間の関係の中で因子と因子因子 2 と因子との相関係数は低いのでこ

11 企業分析と因果分析 93 れらの因子間の関係を除くその結果から今回の企業力の構造を示すと図 6 のようになる X3: 収益力 E F: 金の力 X: 商品力 X6: 企業弾性 X7: 資本蓄積 X8: 資金能力 E E6 E7 E8 0.0 F2: 企業体制力 X9: 仕入生産力 E X0: 組織管理 E0 F3: のれんの力 X2: 売上高成長率 E X: 販売力 E F: 規模の力 X: 企業スケール E 図 6. 斜交プロミックス法を用いて探索した企業力を示す構造の図 ( 数値は因子および観測変量間の相関係数 ) すなわち探索的モデリングで導いた企業力を示す構造は図 6 となるこの図 6 をモデルとして構造方程式モデリングによる検証を行う 3. 構造方程式モデリングによる検証図 6 の企業力を示す構造がデータの示す真のモデルとみなすことができるのか構造方程式モデリング (SEM: Structural Equation Modeling) を用いて検証した以下構造方程式モデリングのことを SEM と表現する解析したモデル= 真のモデルを帰無仮説として 2 検定した結果が表 9 である表 9. モデルの 2 検定結果カイ二乗検定検定統計量自由度 p 値 INDEPENDENCE MODEL CHI-SQUARE MODEL CHI-SQUARE MINIMIZED MODEL FUNCTION VALUE 3.

12 9 野口博司磯貝恭史その他の代表的な適合度指標については朝野らの著書 8) を参考に各適合度指標がどのような意味を持っているのかを表 0 にまとめて示す実際には適合度指標は 0 以上を数えるようだがよく用いられているのは表 0 に示した 2 の指標である表 0. 構造方程式モデリングの適合度を測る代表的な指標 - 印は適合判断の基準として我々が置いた基準指標概要指標の範囲適合の判断基準カイ 2 乗帰無仮説 : 解析したモデルは真のモデルに適合するについて検定する採択されるのが望ましいので χ 2 値は小さく P 値は大きいのが望ましい 2 0 n 数によるが P 値が 0.20 以上 NFI 観測変量間に相関がないことを仮定した独立モデルを 0 飽和モデルをとし 0 NFI 0.90 以上たときの相対的な位置 NNFI NFIと同じ意味を持ち解析したモデルを自由度で調整した値になる 0 NNFI 0.90 以上 CFI 計算式が異なるが基本的にはNFIと同じ独立モデルを 0 飽和モデルを 0 CFI 0.90 以上としたときの相対的な位置 IFI 計算式が異なるが基本的にはNFIと同じ独立モデルを 0 飽和モデルを 0 IFI 0.90 以上としたときの相対的な位置 GFI モデルがデータの持つ分散共分散をどの程度説明できているかの指標重相関 GFI 0.90 以上係数に相当する従って母数の数が多くなるとGFIも増える AGFI GFIの欠点すなわち母数の数が多い複雑なモデルに対して母数の数に対 AGFI GFI 0.90 以上してペナルティを加えた指標自由度調整済みの重相関係数に相当する RMR 残差平方平均平方根即ち残差のことを示す 0 RMR 0.0 未満 SRMR 相関係数の残差の大きさを示す 0 SRMR 0.0 未満 RMSEA 解析したモデルの分布と真の分布との乖離を自由度当たりの量として表現した指標である AIC CAIC 2 つ以上のモデルを比較するときに用いる指標これらの値は小さいほど良いモデルを意味する nが少ない場合の不偏推定量としてa ICを修正したもの同じく小さい値ほど良いモデルを意味する 0 RMSEA 0.0 未満制限なし制限なし

13 企業分析と因果分析 9 表. 構造方程式モデリングの代表的な適合度指標による結果適合度指標略称推定値 BENTLER-BONETT NORMED FIT INDEX NFI BENTLER-BONETT NON-NORMED FIT INDEX NNFI COMPARATIVE FIT INDEX (CFI) CFI BOLLEN (IFI) FIT INDEX IFI LISREL AGFI FIT INDEX AGFI LISREL GFI FIT INDEX GFI 0.66 ROOT MEAN-SQUARE RESIDUAL (RMR) RMR STANDARDIZED RMR SRMR ROOT MEAN-SQUARE ERROR OF APPROXIMATION (RMSEA RMSEA CONFIDENCE INTERVAL FOR RMSEA (LOWER BOUND) CONFIDENCE INTERVAL FOR RMSEA (UPPER BOUND) 今回解析したモデルの各々の適合度指標を求めた結果を表と表 2 に示す表 2. 解析モデルの赤池の AIC 情報規準量を求めた結果情報量規準統計量 INDEPENDENCE AIC MODEL AIC.30 INDEPENDENCE CAIC 2.72 MODEL CAIC 表 9 からはカイ 2 乗の P 値はと高度に有意であるすなわち P 値は解析したモデルが母集団を表現した真のモデルとしたときにそこから解析に使った n 個 ( 今回は n=3) のデータが標本として得られる可能性を意味しており実際には可能性がゼロであるという結果に 9) なった豊田はカイ 2 乗検定については標本サイズが大きい場合はデータとモデルのわずかな差も検出して有意になりやすい目安として標本サイズが数百程度以下なら無視できないが千以上ないし数千以上の場合はカイ 2 乗検定の結果でモデルを放棄する必要はないと述べている我々が用いた標本数は少なく元の母集団が持っていた情報量は今回の仮定したモデルではずいぶんと減っているどの程度の情報量が損失したかは表の結果の GFI あるいは AGFI の値から % でとなり情報の半分ほどの損失が考えられる最も指標としてゆるい飽和モデルとの重相関関係をみる CFI および IFI でも 0.80 程度であり今回求めた図 6 のモデルはデータの持つモデルとは適合しないとなる結局今回因子分析法などで探索したモデルでは検証的モデリングからは母集団の持つモデルを表しているとは言い難いところで実際の社会科学や心理学分野でこの因果分析を用いた適用例をみていると標本サイズが 200 程度であっても GFI が 0.70 以上あるいは AGFI が 0.60 以上あれば解析したモデルがデータの持つモデルに適合しているかのように考察している例が多い ( 具体的な文献は示さない ) 仮

14 96 野口博司磯貝恭史定モデルの裏付けをしっかりとらないで因果分析を適用するとほとんどがこのような結果となるすなわち SEM での検証は従来の探索的なアプローチで仮定したモデルではその検証は難しいといえる最初からモデルの設定の裏付けをしっかりやったもののみ SEM 0)) を用いて検証しある程度のモデリングの推定でよい場合は探索的なモデリングのみでその構造の糸口を得るのがよいだろうと考える最後に因子分析法で探索的に得たモデル図 6 とは別に SEM の検証指標がよりよくなるようなモデルを求めるにはどのようにすればよいかを検討したその結果 SEM の特徴から多重共線性の問題があるのでまず観測変量間で他の因子に属する他の観測変量との相関が強い観測変量は構造をかく乱する可能性があるのでそれを削除するまた 2 因子はある程度あるほうが適合度指標はよくなるので因子数はある程度残す必要があるがつの因子から結果を得るつだけの観測変量は因子の持つ意味がないので削除するというような対策が考えられる今回のデータではでは Ⅱの節で述べたように x : 販売力と x : 商品力が他の観測変量から合成された指標でありいずれも因子 F と F3 と関連する観測変量と強く関係しているのでこの 2 つの観測変量を削除する 2では F が x : 企業スケールの観測変量となるのでこ x 販売力を削除することにより F3 は x : 売上高成長率たけとなるのでれを削除しまた : 2 これも削除する以上から SEM の計算を進めた結果得られたモデルの構造図は図 7 である表 3 がそのモデルの 2 検定の結果であり構造方程式モデリングの代表的な適合度指標による結果は表であるカイ 2 乗の P 値は高度に有意であるがまでになったまた表の適合度指標ではいずれも適合度はよくなり 2 検定の結果を用いないとすると適合の判断基準が 0.90 を超えるものも出てきた図 7. 観測変量の選択を行い求めた企業力を示す最適な構造の図

15 企業分析と因果分析 97 表 3. モデルの 2 検定結果カイ二乗検定検定統計量自由度 p 値 INDEPENDENCE MODEL CHI-SQUARE 2.67 MODEL CHI-SQUARE MINIMIZED MODEL FUNCTION VALUE 0.6 表. 構造方程式モデリングの代表的な適合度指標による結果適合度指標略称推定値 BENTLER-BONETT NORMED FIT INDEX NFI BENTLER-BONETT NON-NORMED FIT INDEX NNFI COMPARATIVE FIT INDEX (CFI) CFI BOLLEN (IFI) FIT INDEX IFI 0.98 MCDONALD (MFI) FIT INDEX MFI LISREL AGFI FIT INDEX AGFI 0.29 LISREL GFI FIT INDEX GFI ROOT MEAN-SQUARE RESIDUAL (RMR) RMR 0.03 STANDARDIZED RMR SRMR 0.03 ROOT MEAN-SQUARE ERROR OF APPROXIMATION (RMSEA RMSEA CONFIDENCE INTERVAL FOR RMSEA (LOWER BOUND) CONFIDENCE INTERVAL FOR RMSEA (UPPER BOUND) 表. 解析モデルの赤池の AIC 情報規準量を求めた結果情報量規準統計量 INDEPENDENCE AIC MODEL AIC.7906 INDEPENDENCE CAI 86.3 MODEL CAIC -.62 これ以外のモデルもいくつも考えられるが 6 観測変量以上を残して 2 検定の結果がを超えるモデルはこれ以外には抽出できなかった 2 検定の結果で適合基準の 0.20 を超える適切なモデルではないので詳細なパラメータ推定値などは示さないが変量の選択を行なった結果今回のデータにより最適なモデルの構造図としては図 7 になることが想定される Ⅳ. まとめ因果分析法の SEM をどのように適用すればよいかを前回用いた企業分析データから分析を試みた従来からの統計学の適用は探索的モデリングが主流でありその立場からデータが持っているデータ構造を探りその構造の検証確認に SEM を適用したしかし検証的モデリング

16 98 野口博司磯貝恭史とは大きな開きがあった検証的モデリングからデータ構造を検証確立するにはサンプル数を 200 以上目標として 00 以上のサンプルからつずつの精緻な仮説検証調査を重ねてモデリングを組み立てその後に検証モデリングの SEM に適用すべきであることがわかった観測変量の選択が必要になる場合には SEM の特徴から観測変量間で他の因子に属する他の観測変量との相関が強い観測変量は構造をかく乱する可能性があるのでその観測変量は除くまた因子はある程度あるほうが適合度指標はよくなるがつの因子から結果を得るつだけの観測変量は因子を持つ意味がないので削除するなどを適用すると改善された適合モデルに近づくことなどがわかった今後は目的に応じて探索的モデリングか検証的モデリングでのアプローチをとるかを十分検討してから調査してデータを集めて統計的アプローチを試みる必要があるそしてさらに他の多くの適用例を通じて検証的モデリングの場合の観測変量の選択の方法についてより知見を増やしたいと考えている謝辞本研究は科学研究費基礎研究 (C) 課題番号プロジェクト管理におけるパフォーマンス測定方法に関する研究調査に関してその測定方法を検討するために行ったものである科学研究費の助成を受けていることに謝意を表する引用文献 ) 磯貝恭史野口博司上田昇 : 次元数の縮約化とそれを利用しての企業分析, 日科技連第 3 回多変量解析シンポジウム (979) 2) 野口博司磯貝恭史 : 企業分析と次数の縮約化, 流通科学大学論集- 経済情報政策編 -, Vol.20, No.2(202), pp ) Jöreskog, K.G. A general approach to confirmatory maximum likelihood factor analysis, Psychometrika, 3 (969), pp ) Jöreskog, K.G. A general method for estimating a linear structural equation system, In Structual equation models in the social sciences,(a.s.goldberger & Duncan, Eds. Swminar Press: New York, 973), pp.8-2. ) 豊田秀樹 : 共分散構造分析- 構造方程式モデリング-[ 入門編 ],( 朝倉書店,998) 6) 豊田秀樹 : 共分散構造分析- 構造方程式モデリング-[ 応用編 ],( 朝倉書店,2000). 7) 狩野裕 : グラフィカル多変量解析- 目で見る共分散構造分析,( 現代数学社,997) 8) 朝野煕彦鈴木督久小島隆矢 : 入門共分散構造分析の実際,( 講談社サイエンティフィク,200) 9) 豊田秀樹 : 共分散構造分析( 疑問編 ),( 朝倉書店,2003). 0) 棟近雅彦監修山口和範廣野元久 : SEM 因果分析入門,( 日科技連出版,20). ) 飯塚悦功金子龍三 : 原因分析 ~ 構造モデルベース分析術 ~,( 日科技連出版,202).

<4D F736F F F696E74202D2091E63989F1837D815B F A B836093C1985F D816A2E >

<4D F736F F F696E74202D2091E63989F1837D815B F A B836093C1985F D816A2E > 共分散構造分析マーケティングリサーチ特論 2018.6.11 補助資料 ~ 共分散構造分析 (SEM)~ 2018 年度 1 学期 : 月曜 2 限担当教員 : 石垣司共分散構造分析とは? SEM: Structural Equation Modeling 複数の構成概念 ( ) 間の影響を実証因子分析ではは直交の仮定演繹的な仮説検証や理論実証に利用探索的アプローチには不向き CB-SEM