Mplusの使い方　中級編

Mplus中級編

清水裕士
広島大学大学院総合科学研究科

中級編のメニュー
• Mplusを使う上で知っとくといい知識
– 推定方法の違い、標準誤差の推定、欠損値推定

• 高度なモデルの制約
– MODEL Constraint:の利用

• 多母集団同時分析
– 複数のグループを同じモデルで比較

• カテゴリカル・非正規データの分析
– 2値データ、順序データ、様々な分布データ

• 便利なコマンドやオプションの利用
– 新しい変数の作成、データ入力フォーマットの選択など

知っておくと便利な知識

推定法について
• 我々がよく使う推定法
– 最小二乗法(Un-weighted Least Square Method)
• 分散分析、回帰分析などはすべてこの方法

• 構造方程式モデルの推定法
– 最尤法(Maximum Likelihood Method)
• 手元のデータが最も得られやすいようなモデルを推定
• ESTIMATOR = ML;あるいはMLR;
– 重みつき最小二乗法(Weighted Least Square Method)
• 誤差を推定精度で重みづける最小二乗法
• ESTIMATOR = WLS; あるいはWLSMV;
– MCMCによるベイズ推定法
• ベイズの定理に基づいた、モンテカルロ法を使った推定法
• ESTIMATOR = BAYES;

標準誤差の推定法
• 普通の推定方法
– MLやWLS
– モデルの仮定に基づいて標準誤差を推定
• 多変量正規性の仮定

• ロバスト標準誤差の推定
– MLRやWLSMV
– データの分布に合わせて標準誤差を補正
• 多少多変量正規性から逸脱しても、妥当な結果
– 推定値そのものは同じ
• Mplusのデフォルトはこちらを使う。オススメはこちら。
– ただ、ロバスト標準誤差の推定では、χ2乗検定がやや複雑にな
る。そのため、今回はMLやWLSで書いている。

欠損値の推定法
• 従来の方法
– リストワイズ削除による分析
• 分散分析や回帰分析、因子分析はすべてこれを使う
• 推定結果は多くの場合、バイアスを受ける

• 構造方程式モデルの欠損値推定
– 完全情報最尤法(Full information ML)
• 特に指定はいらない。基本はこれを使ってくれる。
• サブジェクト全体を消すのではなく、欠損していない部分を
すべて活用して推定
• 欠損値のパターンに基づいてサブグループを作る
• サブグループを多母集団分析でモデルを推定
– 実際はEMアルゴリズムで推定する

欠損値推定における注意点
• 完全情報最尤法の適用範囲
– 分散を推定している変数のみに適用
• 内生変数はすべて分散が推定される
• 外生変数は共分散を指定するか、分散を推定するように指
定する必要がある
– 分散が推定されている変数すべてが欠損の場合は、
その欠損は推定できない

• あらかじめ欠損値を補完する方法も有効
– DATA IMPUTATIONコマンドを使う

• 欠損値推定はしないよりも、したほうがいい！

高度なモデルの制約
• パラメータ名を付けることで、より詳細な制約
が可能になる。
– 例：talk と perのパスの合計が1になるようにする
• ※違うパラメータは、違う行に書く（セミコロンは最後）
MODEL:
idt on talk(p1)
per(p2);
Model constraint:
p1 = 1-p2;

新しいパラメータを作成する
• NEWオプションを使う
– 既存のパラメーターから、新しいパラメータを作る
– 例：媒介分析の間接効果をパラメータとして作成

MODEL:
idt on talk(p1)
con(p2);
talk on con(p3);

Model constraint:
NEW(indirect);
indirect = p1 * p3;

新しいパラメータの推定結果

二つ以上のグループを比較する
• 実験条件と統制条件でモデルが違うかも。
– とはいえ、別々に分析するのは効率が悪い
• サンプルサイズが半分になる
• パスの比較を直接的にできない

• 多母集団分析の利点
– 二つのグループでモデルが等しいかどうかを検討
• 情報量基準で等値モデルと非等値モデルを比較
• 同じであることが提案されたら、倹約的なモデルを提出できる
– 部分的なパスの違いを検討
• 一つのパスだけ異なっている、という仮定もOK
• 全部が違うわけではないので、サンプルサイズを有効利用で
きる

多母集団パス解析
• Sample1のデータを使う
– 2つの条件(con = 0, con = 1)でパスモデルが等しいかどう
かをチェック

VARIABLE:
NAMES = ID idt talk per skill con;
USEVARIABLES = idt talk per;
MISSING = .;
GROUPING = con(0 = control 1 = experiment);
– Conが0のとき、1のときに名前を付ける（必須）。

非等値モデルのコード
VARIABLE:
MISSING = .;

ANALYSIS:
TYPE = GENERAL;
ESTIMATOR = ML;

MODEL:
idt on talk per;

OUTPUT:
SAMPSTAT STDYX MODINDICES(ALL);

パス等値モデルのコード
VARIABLE:
MISSING = .;

ANALYSIS:
TYPE = GENERAL;
ESTIMATOR = ML;

MODEL:
idt on talk per(p1-p2);

OUTPUT:

モデルの比較 1
• 尤度比検定による比較
– 尤度比検定：χ2乗検定を用いて、等値モデルが非等
値モデルより有意に適合してないなら、非等値モデ
ルを採択する
• ネストされたモデルのみ比較可能

– 非等値モデル χ2(0) = 0
– 等値モデル χ2(2) = 2.518

– 尤度比 = χ2model2 – χ2model1 = 2.518 n.s.
• 「等値モデルが適合していない」は採択されない

モデルの比較 2
• 情報量基準による比較
– 非等値モデル

– 等値モデル

– 情報量基準が小さいほうが適合
• 等値モデルが採用される

パス等値モデルの結果

誤差分散も等値モデルのコード
VARIABLE:
MISSING = .;

ANALYSIS:
TYPE = GENERAL;
ESTIMATOR = ML;

MODEL:
idt on talk per(p1-p2);
idt(var1);

OUTPUT:

誤差分散の等値モデルの結果

グループで違うモデルを指定
• 二つのグループでモデルが違う場合

MODEL:
idt on talk per;

MODEL experiment:
idt on talk@0;

– con = 1の場合(experiment)だけ、talkのパスを0に固
定する場合は、上のように記述する

多母集団因子分析
• Sample2のデータを使う。
– 男性と女性で因子構造が異なるかを検討

• 因子構造の等質性の段階
– 配置不変：測定される項目と因子数が等しい
• モデル図が同じ
– 測定不変：因子負荷量が等しい
• 配置不変＋因子負荷量を等値
– 弱因子不変：因子の分散と共分散が等しい
• 測定不変＋因子の分散・共分散を等値
– 強因子不変：測定項目の誤差分散も等しい
• 弱因子不変＋測定誤差分散を等値
• 強因子不変で初めて、標準化係数がすべて等しくなる

多母集団因子分析
• Mplusによる多母集団因子分析
– 因子負荷量はデフォルトで等値になる
• 測定不変を仮定している
• 異なるモデルを想定する場合は、グループごとに指定
する
– 基本的な設定は、パス解析と同じ
• ただ因子分析のほうが検討するポイントが多い
– 平均構造をオフにすると推定が簡単になる
• ANALYSISコマンドにMODEL = NOMEANSTRUCTURE;

配置不変のコード
MODEL:
F1 by v1-v3*;
F2 by v4-v6*;
F1-F2@1;
[F1-F2@0];

MODEL female:
F1 by v1-v3*;
F2 by v4-v6*;
F1-F2; [F1-F2];

測定不変のコード
MODEL:
F1 by v1-v3*;
F2 by v4-v6*;
F1-F2@1;
[F1-F2@0];

MODEL female:
F1-F2;
[F1-F2];

弱因子不変のコード
MODEL:
F1 by v1-v3*;
F2 by v4-v6*;
F1-F2@1;
[F1-F2@0];
F1 with F2(cov1);

MODEL female:
[F1-F2];

強因子不変のコード
MODEL:
F1 by v1-v3*;
F2 by v4-v6*;
F1-F2@1;
[F1-F2@0];
F1 with F2(cov1);
v1-v6(err1-err6);

MODEL female:
[F1-F2];

因子構造の比較
• 配置不変
– BIC=2632
• 測定不変
– BIC=2606
• 弱因子不変
– BIC=2600
• 強因子不変
– BIC=2574

→強因子配置不変が有力候補

カテゴリカルデータの分析

これまではAmosでもできる
• ここからが、Mplusの真骨頂
– 変数の尺度や分布に様々な仮定を当てはめられる

• 尺度の水準
– 連続尺度・・・今までのモデル
– 順序尺度・・・順序性があるカテゴリカルデータ
– 名義尺度・・・順序性がないカテゴリカルデータ

• 目的変数の分布（後述）
– 正規分布・・・今までのモデル
– ポワソン分布・・・イベント生起度数の分布
– 打ち切りデータ・・・測定がある段階までしかされてない

多変量正規性の仮定と心理尺度
• 一般に、構造方程式モデルは最尤法を使う
– よって、多変量正規性の仮定が必要

– しかし、心理尺度の多くは正規分布にならない
• 臨床尺度は、「極端な人」を識別することを目的とする
• 回答の負担を減らすため、２～4件法もよく使われる
• 天井・床効果もよく起こる

• 連続・正規性から、順序・非正規性へ
– 無理に連続・正規性にこだわる必要はない
• 道具はそろっているし、その使い方も簡単
• 使うことで慣れていき、報告が増え、当たり前になる

順序回帰分析
• sample1のデータを使う。
– idtが1項目の尺度で測定されている
• 連続変量とは言い難い。

• 順序カテゴリカルの指定
– VARIABLES:コマンドにCATEGORICALオプション
CATEGORICAL = idt;
• ※順序、名義尺度は値がすべて整数である必要

– ANALYSIS：コマンドで推定法を選択
• WLS：重みつき最小二乗法・・・順序プロビット回帰分析
• ML：最尤法・・・順序ロジスティック回帰分析

以下のコードを書く（ロジスティック回帰）
VARIABLE:
MISSING = .;
CATEGORICAL = idt;

ANALYSIS:
TYPE = GENERAL;
ESTIMATOR = ML;

MODEL:
idt on talk per;

ロジスティック回帰分析の注意点
• ロジスティック回帰分析で欠損値推定
– ESTIMATOR = ML（MLR）で、外生変数の分散を推
定することで欠損値推定した分析をしたい場合
• さっきのコードでは走らない

• モンテカルロ積分（数値計算積分）が必要
– ANLYSISコマンドで以下の文を書く
• INTEGRATION = MONTECARLO;

ロジスティック回帰の解釈
• 得られる係数は回帰分析とだいぶ違う
– それは、背後にロジット分布を仮定しているから
– 得られる係数はロジット得点

• 解釈はオッズ比のほうがわかりやすい
– 1が基準 → オッズ比が1なら回帰係数=０
– オッズ比の解釈
• 説明変数が1点上がると、一つ上の段階に回答する確率が
何倍増えるか
• オッズ比=1.8・・・説明変数が1点増えると、目的変数が一つ
上の段階を選択する確率が1.8倍多くなる
• オッズ比=0.7・・・一つ上の選択率が0.7倍 = 一つ下の選択
率が1.43倍多い

ロジスティック回帰の解釈
• あるいは標準化係数を見るという手もある
– 順序尺度の場合は、背後に潜在変数を仮定し、その分
散を使って標準化係数を計算できる
– 得られる係数の解釈は、説明変数が１SD増加した時、
順序尺度の背後に仮定される潜在変数が１SD増加す
る、という感じ
• 基本的には、重回帰分析の標準化係数と同じ解釈でよい

• よくわからなかったら、プロビット回帰を使う
– プロビット回帰分析は標準正規分布を仮定するので、
回帰係数を標準得点として解釈できる
• 結果（説明率）は、ロジスティック回帰分析とほぼ変わらない

以下のコードを書く（プロビット回帰）
VARIABLE:
MISSING = .;
CATEGORICAL = idt;

ANALYSIS:
TYPE = GENERAL;
ESTIMATOR = WLS;

MODEL:
idt on talk per;

順序因子分析
• sample2のデータを使う
– 5件法で測定された尺度で因子分析
• 基本的には5件であれば連続変量とみなしても構わないが、
正規性が満たされない場合は順序尺度としてみなすのも一
つの方法

• 指定方法は同じ
CATEGORICAL = v1-v6;
– 因子分析ではWLS（あるいはWLSMV）がオススメ
• 項目数と水準数が多い場合は、MLではメモリが足りなくな
る場合もある
• また、順序のMLは適合度指標が限定される

以下のコードを書く
VARIABLE:
NAMES = ID v1-v6 sex;
USEVARIABLES = v1-v6;
MISSING = .;

ANALYSIS:
TYPE = GENERAL;
ESTIMATOR = WLS;

MODEL:
F1 by v1-v3*;
F2 by v4-v6*;
F1-F2@1;
[F1-F2@0];

名義回帰分析
• sample2を使う。
– 順序性がない回帰分析
– 男性と女性（順序性はない）
• sexを名義尺度として分析
• ただし、2値の場合は順序も名義も結果は同じ

• 名義カテゴリカルの指定
– VARIABLES:コマンドにNOMINALオプション
NOMINAL = sex;
– 名義回帰は、ML（あるいはMLR）でしか推定できない

VARIABLE:
USEVARIABLES = v1-v3 sex;
MISSING = .;
NOMINAL = sex;

ANALYSIS:
TYPE = GENERAL;
ESTIMATOR = ML;

MODEL:
F1 by v1-v3*;
F1@1;
[F1@0];

sex on F1;

非正規性データの分析

打ち切りデータの分析
• 測定があるレベルで止まってしまうデータ
– 東大生のセンター試験の得点
• 多くの人が100点近くを取ってしまう
• 本来は学力には差があるが、測定道具の限界であるレベ
ル以上が識別できないような場合

– 心理尺度の天井効果
• これもある意味、打ち切りデータ

– このようなデータを、打ち切られなかった場合にどの
ような得点になるかを推定して分析をする

Mplusで打ち切りデータの分析
• sample1のデータを使う
– Idtが仮に天井効果の場合を想定
• 5点の人を4点に変換して分析
– VARIABLES:コマンドに

CENSORED = idt(a);
– と書く。(a)は上が打ち切られている場合。天井効果。
– (b)は下が打ち切られている場合。床効果。

まずは元のデータの推定結果

次にidtを無理やり天井効果に
VARIABLE:
MISSING = .;

DEFINE:
if(idt==5) then idt = 4;

ANALYSIS:
TYPE = GENERAL;
ESTIMATOR = ML;

MODEL:
idt on talk per;

次に変換後に普通の分析

係数が小さくなる説明率も低め

最後に打ち切りデータとして分析
VARIABLE:
MISSING = .;
CENSORED = idt(a);

DEFINE:
if(idt==5) then idt = 4;

ANALYSIS:
TYPE = GENERAL;
ESTIMATOR = ML;

MODEL:
idt on talk per;

打ち切りデータの推定結果

かなり元の推定値を復元できている（誤差は大きめ）

カウントデータの分析
• カウントデータ
– 一定時間内の特定のイベントの生起度数
• ポワソン分布に従うことが知られている
– あるいは負の二項分布

• Mplusでのカウントデータの分析
– USEVARIABLESコマンドに
COUNT = idt(p);
– と書く。(p)はポワソン分布のこと
– 負の二項分布は(nb)と書く。

ポワソンを仮定した分析結果

• BICなどの値から、このデータはポワソンを仮
定しないほうが適合していることがわかる

便利なオプションの利用

DEFINEコマンドの利用 P574
• 新しい変数を作成
– 読み込んだ変数を利用して、新しい変数を作る

– 数値変換
• 線形・非線形変換、合成を行う
– 条件式を利用した変数の作成
• IF文を使って、条件に当てはまる場合の得点を与える
– 関数を利用した変数の作成
• Mplusに入っている関数を使って変数を合成・変換

数値変換
• 既存の変数で新しい変数を作る
– X1 = v1 + v2;
– X2 = v1 * v2 + v3 / v4 ;
– X3 = LOG(v1);
• 自然対数。常用対数はLOG10()
– X4 = ABS(v2);
• 絶対値
– X5 = SQRT(v3);
• 平方根

条件式を使う変換
• IF文を使う
– IF( v1 == 1 AND v2 == 1) THEN group = 1;
– IF( v1 == 2 OR v2 == 1 ) THEN group = 2;
• groupは新しく作った変数名
• “==“は等値を意味しており、”=“は代入を意味している
– 混同しないように注意！
– IF( v1 == 4) THEN group = _MISSING;
• 欠損値に指定

Mplusの関数を使う
• MEAN：平均値を算出する
– F1 = MEAN(v1-v3);

• SUM：合計値を算出する
– F2 = SUM(v4-v6);

• CUT：カテゴリに分割する
– CUT v1-v3(3);
• V1-v3を、3以下を0、3より大を1にコードする
– CUT v1 v3 v6( 2 4);
• v1とｖ3とｖ6を、2以下を0、2より大4以下を1、4より大を2に
コードする

DO文を使うと便利
• 複数の変数を一度に作成
x1 = SQRT(v1);
x2 = SQRT(v2);
X3 = SQRT(v3);
x4 = SQRT(v4);
x5 = SQRT(v5);
– こんなのも、下の1行で書ける
DO(1, 5) x# = SQRT(v#);

DEFINEで定義した変数の利用
• USEVARIABLESオプションで指定する。
– ただし、既存の変数の後に指定。
– 例えば、次のように書く

VARIABLE:
NAMES = ID v1-v6;
USEVARIABLES = f1 f2;
MISSING = .;

DEFINE:
f1 = mean(v1-v3);
f2 = mean(v4-v6);

DEFINE機能の便利な使い方
• いろんな従属変数で分析したい場合
– USEVARIABLESとMODELの両方を変更しないといけない。
– 次のように書いてみる
• Xの変数を変えるだけで、モデルを変更することなくいろんなモデルを試せる

VARIABLE:
NAMES = ID v1-v6;
USEVARIABLES =v2-v5 x;
MISSING = .;

DEFINE:
x = v1;

MODEL:
x on v2-v5;

DATA：コマンドのTYPEオプション
• デフォルトはINDIVIDUAL
– 個人と変数の行列形式
– 指定しなくてもこのタイプになる

• 要約データでの入力
– 共分散行列形式
• FULLCOV
• 下三角行列の場合はCOV

– 相関行列形式
• FULLCORR
• 下三角行列の場合はCORR

要約データセットの用意
• sample3にあるデータを数値部分だけコピー
– メモ帳に張り付けて、sample3.datで保存
• 注意点
– 平均値が上で、共分散行列が次。
– 相関行列の場合は平均、標準偏差、相関行列の順

要約データでの入力
• 要約データを用意する
– sample3.datを利用する
– 平均値が入っているので、MEANSも書く
– 人数も別で指定する。NOBSERVATIONS=人数。
DATA:
FILE IS “sample3.dat";
TYPE = MEANS FULLCOV;
NOBSERVATIONS = 200;

VARIABLE:コマンドのUSEOBSERVATIONS
• 分析で使用するサブジェクトを指定する
– 例えば、conが0のサブジェクトだけ使う場合

USEOBSERVATIONS = CON == 0;

– ==は等しい、という意味。＝は代入なので違いに
注意。
– <や>、<=も使える。ANDやORなども使用可。

項目反応理論
• Mplusでも項目反応理論が可能
– 他のソフトウェアと一致させるためには要工夫
• 1因子モデル
• 各項目をCATEGORICALで指定
• 推定法はML（あるいはMLR）で指定
• 因子の分散を1、平均を0に固定
• 推定値を1.702で割る
– PLOTコマンドで、情報量関数や項目特性を出力
• TYPE = PLOT3;

VARIABLE:
USEVARIABLES = v1-v6;
MISSING = .;
ANALYSIS:
ESTIMATOR = ML;
MODEL:
F1 by v1-v6*(p1-p6);
F1@1; [F1@0];
MODEL Constraint:
NEW(a1-a6);
DO(1,6)p# = 1.702*a#;
PLOT:
TYPE = PLOT3;

推定結果
• 項目の係数ではなく、a1-a6を確認
– これはIRTの識別力を表している。

項目特性曲線（ICC）の見方

項目特性曲線

テスト情報関数

多母集団の項目反応理論
• 性別で項目反応理論の推定が等しいか検討
– MLによるカテゴリカル分析は多母集団同時分析では
実行できない
• よって、WLSによる推定を使う
– 閾値母数の指定方法
[v1$1-v1$3];
[v2$1-v2$4];
[v3$1-v3$4];
[v4$1-v4$4];
[v5$1-v5$4];
[v6$1-v6$4];

識別力は等値で閾値が異なるモデル
VARIABLE: MODEL female:
NAMES = ID v1-v6 sex; F1 by v1-v6*(p1-p6);
USEVARIABLES = v1-v6; F1@1;
MISSING = .; [F1@0];
CATEGORICAL = v1-v6; [v1$1-v1$3];
GROUPING = sex(1 = male 2 =
female); [v2$1-v2$4];
[v3$1-v3$4];
ANALYSIS: [v4$1-v4$4];
TYPE = GENERAL; [v5$1-v5$4];
ESTIMATOR = WLS; [v6$1-v6$4];

MODEL: PLOT:
F1 by v1-v6*(p1-p6); TYPE = PLOT3;
F1@1;
[F1@0];

MLによる多母集団の項目反応理論
• MLによるカテゴリカル分析は多母集団同時
分析では実行できない
– そこで、潜在クラス分析のKNOWNCLASSオプショ
ンを利用して、同様の分析を行う
• ただし、数値計算が必要なのでいろいろオプションを
追加する必要がある

– コードの詳しい意味は、上級編で。

識別力も閾値も異なるモデル
VARIABLE: %c#2%
NAMES = ID v1-v6 sex; F1 by v1-v6*(q1-q6);
USEVARIABLES = v1-v6; F1@1;
MISSING = .; [F1@0];
CATEGORICAL = v1-v6; [v1$1-v1$3];
CLASS = c(2); [v2$1-v2$4];
KNOWNCLASS = c(sex = 1 sex = 2); [v3$1-v3$4];
[v4$1-v4$4];
ANALYSIS: [v5$1-v5$4];
TYPE = MIXTURE; [v6$1-v6$4];
ESTIMATOR = ML;
ALGORITHM=INTEGRATION; MODEL Constraint:
NEW(a1-a6 b1-b6);
MODEL: DO(1,6)p# = 1.702*a#;
%OVERALL% DO(1,6)q# = 1.702*b#;
F1 by v1-v6*(p1-p6);
F1@1; PLOT:
[F1@0]; TYPE = PLOT3;

Mplusの使い方　中級編

Recommended

Recommended

More Related Content

What's hot

What's hot (20)

Similar to Mplusの使い方　中級編

Similar to Mplusの使い方　中級編 (20)

More from Hiroshi Shimizu

More from Hiroshi Shimizu (19)