構造方程式モデリング（SEM）とは？潜在変数間の因果関係を検証する手法
構造方程式モデリング（SEM）は観測変数と潜在変数の関係をモデル化し、仮説の因果構造を統計的に検証する分析手法です。定義、構成要素、パス図の読み方、注意点を解説します。
構造方程式モデリングとは
構造方程式モデリング（SEM: Structural Equation Modeling）は、仮説に基づいて変数間の因果関係をモデル化し、そのモデルがデータに適合するかを統計的に検証する分析手法です。日本では共分散構造分析とも呼ばれます。
SEMは因子分析とパス解析（回帰分析の拡張）を統合した手法として発展しました。最大の特徴は、直接測定できない「潜在変数」（例: 顧客満足度、組織風土、ブランドイメージ）を複数の観測データから推定し、その潜在変数間の因果関係を検証できる点です。
構成要素
SEMは2つのモデルで構成されます。
| モデル | 役割 | 分析対象 |
|---|---|---|
| 測定モデル | 潜在変数と観測変数の関係を定義する | 確認的因子分析に相当 |
| 構造モデル | 潜在変数間の因果関係を定義する | パス解析に相当 |
SEMの結果はパス図で表現されます。主要な記号は以下の通りです。
| 記号 | 意味 |
|---|---|
| 楕円 | 潜在変数（直接観測できない概念） |
| 四角形 | 観測変数（実際に測定したデータ） |
| 一方向の矢印 | 因果の方向（パス係数付き） |
| 双方向の矢印 | 相関関係（共分散） |
実践的な使い方
ステップ1: 理論モデルを構築する
分析に先立ち、先行研究や業務知識に基づいて「何が何に影響を与えるか」の仮説モデルを構築します。パス図として図示し、潜在変数、観測変数、因果の方向を明確にします。理論的根拠のないモデルは、たとえデータに適合しても意味がありません。
ステップ2: 観測変数を設計する
各潜在変数を測定するための質問項目やデータを設計します。一つの潜在変数につき最低3つの観測変数を用意することが統計的に推奨されます。例えば「顧客満足度」を「品質評価」「対応評価」「価格評価」の3項目で測定します。
ステップ3: データを収集する
アンケート調査や業務データの収集を行います。SEMは一般にサンプルサイズが200以上必要とされます。欠損値の処理方法も事前に決めておきます。
ステップ4: モデルを推定・評価する
統計ソフト（Amos、Mplus、lavaan等）を用いてモデルのパラメータを推定します。モデルの適合度指標（CFI、RMSEA、GFI等）を確認し、データとの適合性を評価します。
- CFI: 0.95以上が望ましい
- RMSEA: 0.06以下が望ましい
- SRMR: 0.08以下が望ましい
ステップ5: 結果を解釈する
パス係数の大きさと統計的有意性から、仮説の支持・不支持を判断します。パス係数が大きいほど影響が強く、統計的に有意であれば「偶然ではない関係」と解釈できます。
活用場面
- 顧客満足度調査: 満足度の構成要素とロイヤルティとの因果関係を検証する
- ブランド分析: ブランドイメージの各要素が購買意向に与える影響を定量化する
- 従業員エンゲージメント: 職場環境の要因がエンゲージメントに及ぼす効果を分析する
- サービス品質: SERVQUAL等のモデルでサービス品質の各次元と再利用意向の関係を検証する
- 組織行動: リーダーシップスタイルが組織コミットメントに与える効果を測定する
注意点
因果関係の証明ではない
SEMは「因果モデルの検証」であり、因果関係の証明ではありません。データがモデルに適合したとしても、同じデータに適合する別のモデルが存在する可能性があります（等価モデル問題）。因果の主張には理論的根拠が不可欠です。
サンプルサイズの確保
パラメータ数に対して十分なサンプルサイズが必要です。経験則として、推定パラメータ1つあたり10〜20サンプル、最低でも200サンプル以上が目安とされます。
適合度指標だけで判断しない
適合度が高くてもモデルが理論的に意味を成さなければ価値はありません。統計的な適合と理論的な妥当性の両面から評価することが重要です。
データの正規性を確認する
SEMの多くの推定法は多変量正規性を前提としています。データが正規分布から大きく外れる場合は、ロバストな推定法（MLR等）の使用を検討します。
まとめ
構造方程式モデリングは、直接観測できない概念間の因果関係を検証するための強力な統計手法です。測定モデルと構造モデルを統合し、理論から導いた仮説をデータで検証することで、複雑な現象の構造的理解を深めることができます。ただし、因果関係の証明ではなく「仮説の検証」であることを常に意識し、理論的根拠と統計的適合の両面から結果を評価することが求められます。
参考資料
- 構造方程式モデリングの概要 - ライトストーン（SEMの基本概念と活用方法の解説）
- 共分散構造分析（構造方程式モデリング） - Staat（SEMの詳細な解説と実践的なガイド）
- Structural equation modeling - Wikipedia - Wikipedia（SEMの定義、歴史、技術的背景の包括的解説）