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
ウォード法
ユークリッド距離
• 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
ダウンロード

2. スライド