MENU

【無料プレゼント付き】学会発表・論文投稿に必要な統計を最短で学ぶことができる無料メルマガ

媒介因子、媒介変数、媒介分析を徹底解説! データ分析の奥深さを知る

データ分析を進める上で、「ある原因が結果にどう影響するか」を直接的に見るだけでなく、その間に存在する「別の要因」の存在を意識することは非常に重要だ。この「別の要因」が、ときに原因と結果の関係性をより深く理解するための鍵となる。今回は、この重要な概念である「媒介因子(メディエーター)」、「媒介変数(媒介因子を統計的に扱う際の変数)」、そしてそれらを分析する手法である「媒介分析」について、分かりやすく解説していく。

>>もう統計で悩むのは終わりにしませんか? 

↑1万人以上の医療従事者が購読中

目次

概要

媒介因子、媒介変数、媒介分析は、因果関係をより詳細に解明するための統計的アプローチである。単純な原因と結果の関係性だけでなく、その間に介在するメカニズムを明らかにすることで、より深い洞察を得られる。例えば、マーケティング施策が売上を増加させるとし、その間に顧客満足度が媒介しているかもしれない。あるいは、教育プログラムが学業成績を向上させるとし、その間に学習意欲が媒介している可能性も考えられる。これらの概念を理解することで、単なる相関関係に留まらない、より実用的な知見を獲得できる。


用語の整理

まずは、混同しやすい用語を整理しよう。

  • 媒介因子(Mediator)ある原因が結果に影響を与える際に、その因果関係を「仲介」する因子を指す。原因によって引き起こされ、その媒介因子が結果に影響を与える、という連鎖的な関係性の中に位置する。例えば、「運動」が「体重減少」に繋がるとし、その間に「消費カロリーの増加」という媒介因子が存在すると考えられる。運動が消費カロリーを増やし、その消費カロリーの増加が体重減少に繋がる、というわけだ。
  • 媒介変数(Mediator Variable)媒介因子を統計モデル上で表現する際の変数を指す。概念としての媒介因子を、実際にデータ分析で扱える形にしたものだ。統計的な分析を行う際には、この媒介変数をモデルに組み込んで解析を行う。
  • 媒介分析(Mediation Analysis)媒介因子(媒介変数)が、独立変数(原因)と従属変数(結果)の関係にどの程度影響を与えているかを統計的に評価する分析手法である。直接効果(媒介因子を介さない直接的な影響)と間接効果(媒介因子を介した影響)を区別し、それぞれの効果の大きさを推定する。これにより、なぜ原因が結果に影響を与えるのか、そのメカニズムを解き明かすことが可能となる。

具体例

具体的な例で考えてみよう。

例:広告支出が売上に与える影響

企業が広告に多額の支出をしたとする。これにより売上が増加したとする。このとき、単純に「広告支出が増えれば売上も増える」と考えることもできるが、その背景にはどのようなメカニズムがあるのだろうか?

ここで「ブランド認知度」という媒介因子を考えてみる。

  • 原因(独立変数):広告支出
  • 媒介因子(媒介変数):ブランド認知度
  • 結果(従属変数):売上

この場合、以下のような因果の連鎖が考えられる。

  1. 広告支出が増える
  2. その結果、ブランド認知度が向上する
  3. ブランド認知度が向上したことで、消費者の購買意欲が高まり、売上が増加する

このように、広告支出が直接的に売上を増加させる効果(直接効果)と、ブランド認知度を介して売上を増加させる効果(間接効果)の両方を考慮することで、より詳細な分析が可能となる。


R 計算例

媒介分析は、構造方程式モデリング(SEM)や回帰分析を組み合わせることで実施できる。ここでは、Rを使った簡略化された回帰分析による媒介分析の例を示す。

以下のような、架空のデータで考えてみよう。

広告支出 (X)ブランド認知度 (M)売上 (Y)
1050100
2060120
3070140
4080160
5090180

R スクリプト例:

# 仮想データの作成
set.seed(123)
ad_spend <- round(runif(100, 10, 100)) # 広告支出
brand_awareness <- round(20 + 0.8 * ad_spend + rnorm(100, 0, 5)) # ブランド認知度
sales <- round(50 + 0.5 * ad_spend + 1.2 * brand_awareness + rnorm(100, 0, 10)) # 売上

data_mediation <- data.frame(ad_spend, brand_awareness, sales)

# 媒介分析の実行 (lavaanパッケージなどを使用するとより厳密だが、ここでは回帰分析で簡略化)

# 1. 広告支出 (X) が売上 (Y) に与える直接効果を調べる
# モデル Y ~ X
model_Y_X <- lm(sales ~ ad_spend, data = data_mediation)
summary(model_Y_X)

# 2. 広告支出 (X) がブランド認知度 (M) に与える効果を調べる
# モデル M ~ X
model_M_X <- lm(brand_awareness ~ ad_spend, data = data_mediation)
summary(model_M_X)

# 3. 広告支出 (X) とブランド認知度 (M) の両方が売上 (Y) に与える効果を調べる
# モデル Y ~ X + M
model_Y_XM <- lm(sales ~ ad_spend + brand_awareness, data = data_mediation)
summary(model_Y_XM)

# 結果の解釈
# model_Y_X の ad_spend の係数: c (総効果)
# model_M_X の ad_spend の係数: a
# model_Y_XM の brand_awareness の係数: b
# model_Y_XM の ad_spend の係数: c' (直接効果)

# 間接効果 = a * b
# 総効果 = 直接効果 + 間接効果 (c = c' + a*b)

# 各係数の取得
coef_c <- coef(model_Y_X)["ad_spend"]
coef_a <- coef(model_M_X)["ad_spend"]
coef_b <- coef(model_Y_XM)["brand_awareness"]
coef_c_prime <- coef(model_Y_XM)["ad_spend"]

indirect_effect <- coef_a * coef_b
total_effect_check <- coef_c_prime + indirect_effect

cat("総効果 (model_Y_X の ad_spend):", coef_c, "\n")
cat("間接効果 (a * b):", indirect_effect, "\n")
cat("直接効果 (model_Y_XM の ad_spend):", coef_c_prime, "\n")
cat("総効果の確認 (直接効果 + 間接効果):", total_effect_check, "\n")

# さらに、bootstrapなどを用いて有意性を評価するのが一般的だ。
# lavaanパッケージなどを使用すると、より簡単に媒介分析が可能だ。
# install.packages("lavaan")
# library(lavaan)
# model <- ' # mediator
#             brand_awareness ~ a*ad_spend
#           # dependent variable
#             sales ~ c_prime*ad_spend + b*brand_awareness
#           # indirect effect (a*b)
#             indirect := a*b
#           # total effect (c_prime + a*b)
#             total := c_prime + indirect
#          '
# fit <- sem(model, data = data_mediation)
# summary(fit, standardized = TRUE, fit.measures = TRUE)

実行結果:

> cat("総効果 (model_Y_X の ad_spend):", coef_c, "\n")
総効果 (model_Y_X の ad_spend): 1.441562 
> cat("間接効果 (a * b):", indirect_effect, "\n")
間接効果 (a * b): 0.8495455 
> cat("直接効果 (model_Y_XM の ad_spend):", coef_c_prime, "\n")
直接効果 (model_Y_XM の ad_spend): 0.5920167 
> cat("総効果の確認 (直接効果 + 間接効果):", total_effect_check, "\n")
総効果の確認 (直接効果 + 間接効果): 1.441562 

結果解釈

上記のRの計算例(簡略化された回帰分析)において、得られた係数を以下のように解釈する。

  • 総効果(Total Effect): model_Y_X における ad_spend の係数。これは、広告支出が売上に与える全体の効果を示す。媒介因子を考慮しない、単純な因果関係の強さだ。
  • 直接効果(Direct Effect): model_Y_XM における ad_spend の係数。これは、ブランド認知度の影響を差し引いた上で、広告支出が売上に与える直接的な効果を示す。つまり、ブランド認知度を介さずに売上に影響を与える部分である。
  • 間接効果(Indirect Effect): model_M_X における ad_spend の係数(a)と、model_Y_XMbrand_awareness の係数(b)を掛け合わせた値(ab)。これは、広告支出がブランド認知度を介して売上に与える効果を示す。

もし間接効果が大きければ、ブランド認知度が広告支出と売上の関係において重要な役割を果たしていることが示唆される。また、直接効果と間接効果の合計が総効果とほぼ等しくなれば、モデルが因果関係をうまく説明できていると言える。

この分析により、「広告支出は、単に直接的に売上を増やすだけでなく、ブランド認知度を高めることで間接的にも売上を押し上げている」といった、より深い知見が得られるわけだ。


>>もう統計で悩むのは終わりにしませんか? 

↑1万人以上の医療従事者が購読中

まとめ

媒介因子、媒介変数、そして媒介分析は、データから因果関係のメカニズムを解明するための強力なツールである。単なる相関関係や直接的な因果関係に留まらず、その間に存在する「なぜ」を明らかにすることで、より効果的な施策立案や意思決定が可能となる。

今回の記事を通じて、これらの概念の重要性と分析の基本的な考え方を理解してもらえただろうか。実際のデータ分析においては、さらに複雑なモデルや統計的手法が用いられるが、本記事がその第一歩となれば幸いだ。データの中に隠されたストーリーを、媒介分析の力で紐解いていこう。

よかったらシェアしてね!
  • URLをコピーしました!
  • URLをコピーしました!

リサーチクエスチョン探し?データ分析?論文投稿?、、、で、もう悩まない!

第1章臨床研究ではなぜ統計が必要なのか?計画することの重要性
  • 推定ってどんなことをしているの?
  • 臨床研究を計画するってどういうこと?
  • どうにかして標本平均を母平均に近づけられないか?
第2章:研究目的をどれだけ明確にできるのかが重要
  • データさえあれば解析でどうにかなる、という考え方は間違い
  • 何を明らかにしたいのか? という研究目的が重要
  • 研究目的は4種類に分けられる
  • 統計専門家に相談する上でも研究目的とPICOを明確化しておく
第3章:p値で結果が左右される時代は終わりました
  • アメリカ統計協会(ASA)のp値に関する声明で指摘されていること
  • そうは言っても、本当に有意差がなくてもいいの…?
  • なぜ統計専門家はp値を重要視していないのか
  • 有意差がない時に「有意な傾向があった」といってもいい?
  • 統計を放置してしまうと非常にまずい
第4章:多くの人が統計を苦手にする理由
  • 残念ながら、セミナー受講だけで統計は使えません。
  • インプットだけで統計が使えない理由
  • どうやったら統計の判断力が鍛えられるか?
  • 統計は手段なので正解がないため、最適解を判断する力が必要
第5章:統計を使えるようになるために今日から何をすれば良いか?
  • 論文を読んで統計が使えるようになるための5ステップ
第6章:統計を学ぶために重要な環境
  • 統計の3つの力をバランスよく構築する環境

以下のボタンをクリックして、画面に出てくる指示に従って、必要事項を記入してください。

この記事を書いた人

統計 ER ブログ執筆者

元疫学研究者

コメント

コメントする

目次