1 特別セッション「好みの計量＜2＞」コーディネーター：芳賀麻誉美（女子栄養大学）指定討論狩野裕（大阪大学） 2 構造方程式モデリングによる顧客ベース・ブランドエクイティの測定（2） • 予測変数のあるMTMM行列の分析 – 平均構造モデル 3 加法モデルについて • 多相データの加法モデルでの分析は定番 – 芳賀氏の分析は非常にうまくいっている • 因子Fで説明できる観測指標の変動が大きい • 誤差共分散(方法因子)が小さい • 加法モデルの使用には困難が伴うことがある – 狩野(1996), Browne(1996) – 因子と方法で説明できる共分散にトレードオフが生じる 4 個食タイプ・アンケート調査への対数線形グラフィカルモデリングの適用 • イメージと食シーンに分けて連鎖独立グラフを適用 • 分析結果は分かりにくい？ – 二値データの難しさ – 対数線形モデルの限界（交互作用） – 変数の選択の難しさ • SEMのdiscrete option の可能性 – 検証的だが，20変数ぐらいは分析可能 5 変数の選定 • 分析変数群は揃えておく方がよい？ – 頻度の問題で落ちたのか，関係性で落ちたのか飲み物シーン「食シーン」喉渇き「イメージ」「イメージ」「食シーン」甘補給飲料替暑い時風呂上食べ物シーン親しみシンプル dev=46.65 (df=50) p=0.609 ICEBOX/グレープフルーツ親しみ菓子替定番甘物欲おやつ dev=36.227 (df=42) p=0.722 エッセル超バニラ 6 対象空間を共有しない場合の個人差多次元尺度構成 • INDSCALは共通対象布置の次元の伸縮により個人差を記述 – たしかに，制約的な仮定 • 共通の対象布置が仮定できるグループごとにINDSCALを行う手法の提案 • PARAFACにも応用可能？ – ある程度の自動化が必要 7 • グループ数は２，or ３ • 適合の指標があれば便利 – 個人ごとのSTRESS ｳｫｰﾄﾞ法ﾕｰｸﾘｯﾄﾞ距離 • 予測変数のある INDSCALの開発？ 6 5 4 2 H1 H7 H19 H4 H16 H6 H9 H12 H2 H17 H13 H15 H8 H10 H3 H11 H20 H5 0 H14 1 H18 結合距離 3 8 構造方程式モデリングによる３相データの分析法に関する研究 • ３相データ分析の決定版はない • 小島の方法は，条件(対象)ごとに平均を調整する簡便法の精緻化 • SEMによるモデリング 9 データの構造形容詞１形容詞２ … 形容詞８回答者１回答者２対象１ … 回答者16 回答者１回答者２対象２ … 回答者16 … … 回答者１回答者２対象99 … 回答者16 形容詞１形容詞２形容詞６ … の平均の平均の平均 1.6 1.6 … 1.6 1.4 1.4 … 1.4 1.8 1.8 … 1.8 .93 平均開放的な-閉鎖的なモデル E2 E1 平均暗い-明かるい .90 .89 E7 開放的な-閉鎖的な .65 .71 E8 暗い-明かるい E3 E9 .62 平均狭い-広い .97 .26 .95 -.96 -.22 .20 開放性 -.23 .29 .83 好ましくない-好ましい .91 好み .41 平均新しい-古い .67 魅力のある-ない E4 平均しずかな-うるさい E5 .57 平均人工的な-自然な .81 E6 E11 -.82 自然性 -.71 .76 E10 D1 .32 -.51 -.55 .64 狭い-広い .49 .60 10 .59 .66 -.03 .16 .60 .39 .75 .65 -.38 E12 .42 しずかな-うるさい .64 人工的な-自然な .42 新しい-古い E14 χ2=1710.925(df=65), p=.000,χ2/df=26.322,GFI=.859, AGFI=.772, RMR=.046 RMSEA=.126（90%上限=.132, 90%下限=.121） E13 11 Further discussion • 対象レベルと回答者レベルの変動を区別するのが良いアイデア • 加法モデルは？ • 二段抽出モデルが使えないか 12 三相データの分析について • 条件間の共分散構造をどのように規定するか – 周辺の構造(変数×被験者；条件×被験者)は設定しやすいが．．． • 条件による平均の違いから情報を採るか条件１条件２条件３変数１変数２変数３変数４変数１変数２変数３変数４変数１変数２変数３変数４被験者１被験者２被験者３被験者４被験者５被験者６被験者７