GD07WS マルチレベル共分散構造分析 指定討論 三浦麻子（神戸学院大学）
本日の立場 ちょっとSEMをかじったことのある（ただし，最近勉強をさぼっている）集団行動の研究者 過去の本WSメンバーのMCAに関する研究活動に 関しては未知（ほんとは違うけど，かなりの部分既に忘れました． ごめんなさい） 統計のむつかしいことはよくわからないんだけど， とりあえず使わなきゃ，とは思ってる おそらく，聴衆の代表性が高い立場，と思っていたのですが…（笑
ここで紹介されたMCAに対する印象 ネストされた変数を不用意に縮約することによるエラーを低減する方法のひとつとして有意義 モデルのよさを多角的に検討可能なので，結果の頑健性が高まる 相互に独立しているとみなしても罪の重くなさそうな集団/個人レベルの変数を設定した「仮説」にもとづいてデータを収集し，級内相関係数によってそれを確認した上でMCAを適用する，という手続きならばreasonableなのではないか 尾関研究：maybe reasonable 村山研究：reasonable??（cf. プレゼン最後のスライド） 吉澤研究：reasonable?（仲間集団自体のネットワーク構造）
MCAのイメージ（清水） 成員の性質と独立で，成員レベルの変数から生成可能な集団レベルの成分とはどのようなものなのか? 個々人のデータ（情報） 成員の性質と独立で，成員レベルの変数から生成可能な集団レベルの成分とはどのようなものなのか? 類似した部分 独自の部分 集団の性質 集団レベル 個人の性質 個人レベル 相互に独立
MCAのイメージ具体例（三浦） 集団の性質が，成員の性質によって決まっているわけではない場合に適用する分析モデル 個々の競走馬のデータ（情報） 集団の性質が，成員の性質によって決まっているわけではない場合に適用する分析モデル 類似した部分 独自の部分 血統 身体的特徴 所属厩舎 主戦騎手 相互に独立
つまり， （例えば）コミュニケーションデータの場合，個人と集団に識別性の高い「階層」を想定してしまってよいのか? 明らかに「集団成員間の相互作用」によって決まっている集団の性質を，たとえ（収集したデータにもとづいた計算の結果）級内相関係数が 「有意に0ではない」からといって，それ（だけ）を根拠にして，集団レベルの変数（＝成員の性質と相互独立）だとみなしてよいのか? そもそもが成員レベルで測定された変数を集団レベルの変数として扱う試みなのだから，概念的に考えれば個人－集団の相互独立の前提には違反しているのではないか．その「罪の重さ」を低減する措置として，データドリブンな処理は適切と言えるのか? 「数理的には問題ない」というのとは別文脈の問題として，です．
「モデリング」といえば… 仮説 例えば… 個人－集団データの集団内類似性 発言量や微笑量は，個々の集団内で類似する →盛り上がっている集団は全員の発話量が多い 各説明変数が集団内類似性をもつか否か，あるいはそれが従属変数にどのような影響を及ぼすのかについて，仮説モデルを設定しておく必要が（「ある程度」以上に）があるのでは? 集団単位で適用されている制度に対する主観的認知指標などであれば理解しやすい（cf. 尾関研究） 清水・村山
いつもの（話題提供者も少なからず言及された）台詞 やっぱり「複雑な」分析を駆使するためには，（数理モデルを）応用する研究者自身がいかに（理論的）モデルを事前に捏ねておくかが肝心
more trivial Qs こういう質問は「愚問」だと自覚しつつ，つい実践者が方法論者に聞きたくなること MCAという略称は混乱しない? 級内相関係数の判断基準として好ましいのは， 絶対値?それとも有意性検定の結果? 0と異なればよいのか? 経験的に，どういう場合にはどっちが賢明? MCAという略称は混乱しない? MCAとは何でしょうか． multilevel covariance structure? あまり聞いたことはありません． (Yutaka Kano, 2007; 三浦への私信）