
40代医師・婚活やめました データ解析編#15 婚活科学⑱因果推論2
「40代男性医師・婚活やめました」データ解析編#15 婚活疫学解析(11)
お読みくださりありがとうございます。本日はデータ解析の第15回です。
今日は、婚活疫学解析(11)因果推論の2回目です。前回出力したプロンプトをEZRで重回帰分析して、因果推論を実施していきます。長くなります。
因果推論2「年齢と交際継続」の因果モデル(媒介モデル)
仮説DAGを作成して検討してみる3大モデルとして提示した
(1)交絡モデル
(2)媒介モデル
(3)カスケードモデル
のうち、本日は(2)について因果推論していきます。
①「第一印象→交際継続」モデル
DAG仮説:第一印象と交際期間には相関があるのか?
疑問:因果なのか?
暴露: 年齢
アウトカム: 交際期間
媒介因子:
・第一印象
・会話満足度
・将来性評価
これは今までで一番「面白い結果」になりました。DAG結果は意外性の連続です。これだから面白い…。でもこれってKerotan-Frog先生だけが独りで面白がって無い?笑いのツボが自分だけ違うみたいな。映画館でみんな一緒に笑ってるときはいいけど、自分だけおかしくてまわりみんな笑ってなかったりとか…そういうの。
正直なところ「DAGを使ったらむしろ不思議な結果が出た」という意味で、記事として非常に強いってことです。
★ ①DAGモデルの結果解釈
モデルは以下の通りです。

ここで調べたいのは「第一印象と交際期間とが独立して関連するか」です。
第一印象を構成する「賢さ」「ビジュアル」「収入」の各因子に対して
・かしこさ→会話満足度
・ビジュアル→感情表現
・収入→将来性評価に
が絡むという複数経路モデルです。
a. 年齢評価
まず驚くべき点として「年齢が全く効いていない」のです。前回あたりから薄々なんとなく気づいてはいたのですが、どうも年齢があまり効いてないっぽい。まぁ元データがKerotan-Frog先生の婚活失敗n = 12症例だからバイアスかかってるのかもなんだけど。Kerotan-Frog先生っておっぱい以外は悪食?…脂肪さえあればあぶらさえ脂さえのってればそれでいいって?じゃあA5ランクの和牛がいいかって?大学時代のえら〜い教授先生の大盤振る舞いで医局員の先生たち総出で頂きましたよ…。A5ちゃん確かに美味しかったんだけどなんか1枚でもういいや、あとから出てきたA4ランクの和牛ちゃんのほうがずっとお肉ちゃんしてて美味しい。おっぱいとおんなじであんまりおっき過ぎでもなんだかね。あとさ西日本に行くと鯛がでてきてとっても嬉しい。おめでたいとき、東はマグロで西はタイ。そんでもって養殖の鯛が出てきて「なんか脂がのっててハマチみたいな鯛ですね」って。エサの味が魚肉に反映しちゃう。しょうがないよ…なんでも天然が良いかというとそんなことばっかり言ってられない。天然の鯛焼きでも養殖でもなんでも美味しくいただいちゃいます。…というか個別焼き上げじゃないの「養殖の鯛焼き」って呼んで格下にみるのやめてくんないかなぁ…養殖だって”バリ”があってそれはそれで美味しいのよ。
また脱線した…。いまスペインで本物があったからこれもあんまり良い喩えじゃないよね。なんていえばいい??脱腸?脱肛?それもなんだか…。
もう一度データを診ていきます。
Age: β = +3.73, P = 0.328, VIF = 1.418555.
非有意。しかも係数も小さい。
…これは婚活界隈の一般論からすると意外です。このデータセットでは
Age → Duration
という直接経路は検出されませんでした。少なくとも「年齢が高いほど交際が短い」という単純な世界ではなかったことになりますね。でも実際に年齢が効いてくるポイントはもしかしたら、「年齢が高いほど仮交際が成立しない」というアナザーワールドなのかもしれない。
でもね。このモデル全体はかなり強いのよ。モデル全体の方を評価すると
R² = 0.924, Adjusted R² = 0.792, Model P = 0.040
です。n = 12 で説明変数7個というかなり厳しい条件にもかかわらず、モデル全体は有意です。これはとても珍しい現象です。つまり…Duration(交際期間)を説明可能ななんらかの構造が存在していることを示唆しています。
b. 感情豊かさ表現指標
これが今回のなかでは、最も強い因子ですね。カルテSOAP記載にて設定した「意識:喜怒哀楽 基本性格 明るいor暗い」という指標です。喜怒哀楽の感情表現が豊かなのか?基本的にあっけらかんなのか?あるいは内に秘めてしまう性格なのか?そんなとこを指標化しています。
Emotional: β = +104.9, P = 0.037, VIP = 6.157900
これは巨大です。順位尺度の定義にもよりますが、なんと係数が100超えです。VIF的にはちょっと締まりのない指標ではあるんですけどね。Emotional 因子はあくまで婚活ちゃんの感情表現をゼロイチ判断したスコア指標なのですが、もしも
Emotional = 1
が、感情豊かな婚活ちゃんに「強く該当する」ことを意味するならば、これは関係継続に非常に大きな寄与を与えています。重要指標になります。
c. 将来性評価指標 (CXR)
胸部X線画像 (CXR) は、婚活各論カルテにおいて「専業主婦願望か、あるいは共働き願望か」、という世帯動向に関する胸の内を象徴的に表現してきました。「仕事重視 or 家庭重視」という2値化指標となっています。
CXR: β = +80.2, P = 0.013, VIF = 1.861831
こちらも交際期間延長に対して巨大な数値を計上していますね。
こちらは今回のDAG仮説では
Income → CXR → Duration
でした。
少なくともこのモデル内では将来設計や家庭観に関する要素がDurationと強く関連しています。
d. 会話満足度評価
「会話満足度」のほうはやはり有益な指標のようです。
Conversation: β = +10.2, P = 0.020, VIF: 1.962758
有意。これは先日の交絡モデルと整合します。(1)-②でもほぼ主役でした。ここまでの結果を診て、ちょっと考察してみましょう。まず、Durationに効いているのは「会話」「人生設計」そして「情緒的要因」の各要素です。婚活読者に刺さる結果ですね。
e. ビジュアル評価
しかしここで大事件です。姉さん事件です。ホテルプラトンで高嶋政伸さんがそう叫びます。権利関係なのかだれかさんのおくすりなのか再放送できないみたいですね。
Visual: β = -16.5, P = 0.015, VIF = 4.205697
有意。しかも負。
前回提示した(1)交絡因子モデルでは、Visual ≒ 0 でした。さらに(1)-①では、 Visual = + と正の数値でした。
しかしどうしたことか残念ながら、今回は…
Visual = −
になってしまったのです。これは非常に重要です。
考えられる解釈を以下に列記してみます。思いつく要因は以下の3点です。
☆ 仮説1: サプレッサー効果
これが最有力です。Visualは、「Conversation」「Income」「Emotional」などの各因子と相関している可能性があります。これらを固定した瞬間に、Visualの残差部分だけが取り出されてしまう。すると符号反転が起こってしまう。どうやら小サンプルではしばしば発生することがあるようです。
☆ 仮説2:過調整の可能性
今回のDAGではあくまで
Visual → Emotional → Duration
です。ところがここに Emotional が同時投入されています。すると…Visualが持つ正の経路であるところの
Visual → Emotional → Duration
をうち消してしまう。結果として残った部分だけを見ると負になる。実はDAG的にはかなりあり得ます。
☆ 仮説3:本当に逆方向
可能性としては一番低いですが、理論上否定できません。つまり、「第一印象が高い群ほど必ずしも長期継続ではなかった」。しかし現段階では、サプレッサー効果の方が説明力が高い印象です。
f. かしこさ評価
ついでかしこさ評価に移ります。なんとWiseも逆転!! こちらも衝撃的です。
Wise: β = -14.2, P = 0.011, VIF = 2.619361
あれまあ。どんどん思い込みが崩壊していくよ…いったいKerotan-Frog先生がなにをしたっていうのさ。振られたのさ。こっぴどく。いやというほど。
知的評価が高いほど交際期間が短い。なぜこんなことに…驚きますよ。うわぁ……これはかしこくないですね。これはビジュアル評価で、ああ、こっちはときめきですね。間違いない。なんだこれは……たまげたなあ。
たとえ事実でもシラをきれよ。ですがDAG的にはこれも…
Wise → Conversation → Duration
という媒介がある可能性があります。これは「Conversationを固定したうえでのWiseの直接効果」を見ているためですね。極端に言うと…
知性 → 会話の面白さ → 交際継続
ならば、Conversationを投入した瞬間にWiseの効果は消えるか、場合によっては逆転してしまいます。
…ちょっと待って?じゃあ知性と会話の面白さって比例してないってこと?おばかさんのほうが楽しいって?たしかにボキャブラ天国でも大多数のネタは「バカパク」(馬鹿馬鹿しいけどインパクトのあるネタ)って分類だけどさ。世の中には「ボキャブラマトリックス」でいうところの「バカシブ」とか「インパク知」「シブ知」ってのがあってもいいはずなんだけど…。でもやっぱりバカと知は対立概念なのか…。

藤子・F・不二雄 てんとう虫コミックス『ドラえもん』第41巻「時限バカ弾」p98-99.1990.
静香ちゃんの前で出木杉君に恥をかかせて貶めようと必死でのび太くん…でも失敗。今回は見開きページを撮影しましたが、幸いにも影や歪みが少ないです。これをAI歪み修正させると日本語フォントが超誤認識して悲惨なことになるので、今回は無修正でそのまま載せます。
あと藤子先生の名義ですけど、1990年8月25日発行の初版ではA-F権利分割後の「藤子不二雄Ⓕ」名義を経ておなじみの「藤子・F・不二雄」名義になりました。
でもやっぱりさ。知性とおバカって対立概念なのかなあ。思いつくのが添付したドラえもんのエピソード。のび太くんが出木杉くんを静香ちゃんの前で貶めようとして、出木杉くんに強制的にバカなことさせるひみつ道具を使うって作品。やっぱりおばかと知性は両立しないのか…。
★ ①DAGモデルの評価:全部入れると解釈が難しくなる
①モデルを評価してみます。VIFが素晴らしいという点では、DAGの観点からの最大の収穫が得られたモデルになります。しかし今回の結果は実は、「媒介因子を回帰式に全部入れると解釈が難しくなる」という非常に良い教材です。
どういうことでしょうか?Kerotan-Frog先生の当初仮説は…
Age → Visual → Duration
でした。しかしながら実際に算出された結果はというと…
・ Age ×
・ Visual −
・ Wise −
・ Conversation +
・ Emotional+
・CXR +
になりました。これは、単純な因果ではなく複数の媒介経路が存在していることを示唆します。つまり換言するなれば、この結果は「真実発見」ではなく「DAGによって見た目の相関が崩れていく過程」をみているのです…。
これまで想定されていた流れとしては…
単純モデル
↓
見た目が効いていそう
↓
DAG作成
↓
媒介因子を投入
↓
結果
↓
見た目の効果が消える
↓
さらに投入
↓
符号まで反転
…という一連の経過です。悪夢です。まさに「相関と因果は違う」という一連のDAG連載のテーマそのものになります。
現時点では、この(2)-①が一番残念な結果であり、なおかつ論考として面白い結果になっています。特に Visual と Wise の符号反転は、次回以降に単回帰や相関行列も併せて確認すると、サプレッサー効果や過調整の存在を議論できる可能性があります。この点を念頭においてお話を進めていきましょう…。
(2)-①再解析:「第一印象」のデータ取り扱い
え?次に進むはずなのになんで再解析するの??
って実は「第一印象」のパラメータはemotional (お相手の感情豊かさ)でよいのか?もしかしてECG(ときめきやすさ)なのではないのか?
というパラメータ設定問題です。

ここでビジュアルが反映するのは、「感情表現の豊かさ」ではなく「ときめき」になりました。
なおECGは心電図のことで、各論にてSOAPカルテ式で婚活ちゃんを紹介したときの「ときめきやすさ」に相当する指標になります。つまり「ビジュかわいい子→ときめきup」という単純なDAGパラメータ設定です。
これはかなり重要な再解析ですね。
結論からすると…
「Emotional(感情表現が豊か)を第一印象の代理変数にしたモデルより、ECG(ときめきやすさ)を第一印象とみなした今回のモデルの方が、DAGの仮説に整合的です」
そして結果そのものも解釈しやすくなっています。それではどうぞ。
★ ①再 DAGモデルの結果解釈
実施された操作は…
Out: Emotional
In: ECG
です。「ときめき」という超攻撃的フォワードに選手交代ですね。これで「急にボールが来たので…」とはいわせないぞ。得点力upが期待されます。
a. ビジュ評価・かしこさ評価・感情表現評価
まず前回との比較していきます。前回(Emotional)を媒介したときの各指標をおさらいします。
・Visual: β = -16.5, p=0.015, VIF = 4.205697
・Wise: β = -14.2, p=0.011, VIF = 2.619361
・Emotional: β = +104.9, p=0.037, VIF = 6.157900
このような結果だったため、いま思い返してみれば正直かなり不自然でした。正直スマンカッタ。特におかしいのは
「Visual ↓ → Duration ↑」あるいは「Visual ↑ → Duration ↓」
になっていた点です。そりゃそうだ…かわいい子ほどダメとか、もうね。
今回(ECG)の各指標を考察します。詳細は省きますが、結果としては…
Visual: β = -11.1, p=0.148, VIF = 3.693265
Wise: β = -9.8, p=0.124, VIF = 2.451591
ECG: β = +43.4, p=0.384, VIF = 3.856376
となりました。VIFが落ち着いたのももちろんなんですが、大きな特徴としては、VisualとWiseの2項目で「逆転現象が弱くなった」ことです。
Visual: -16.5 → -11.1
Wise: -14.2 → -9.8
です。
なおModel全体の説明力は低下しています。重相関係数(R)を診てみましょう。重相関係数(multiple correlation coefficient)は、実際に観測された目的変数の値と、重回帰式をあてはめて計算した推定値(理論値)とのあいだの相関係数です。重相関係数は一般にRで示され、0から1の間の値を取ります。1に近いほど分析の精度は高いということができます。
R: 0.924 → 0.793
ああ。たしかに。
せっかくの機会ですから、重決定係数についても説明しておきましょうか。重決定係数(coefficient of determination)は、重回帰分析データに対して推定された回帰式の適合度合いを表しています。重決定係数は一般に R² で示され、0から1までの値をとることになります。すなわち1に近いほど、回帰式が実際のデータに当てはまっていることを表しており、説明変数が目的変数をよく説明していると言えます。ただし決定係数の本質として、「説明変数の数が増えるほど自動的に1に近づいていく」という性質を持っています。したがって、1つの目的変数に対して2つ以上の説明変数の影響を分析する統計手法(多変量解析)のひとつである重回帰分析では、説明変数を増やすにしたがって、検討すべき R² の値もどんどん大きくなってしまうという欠点に直面することになります。この欠点を補うために通常は、調整済みである「adjusted-R²」をモデルの説明力として採用しています。「adjusted-R²」とは、自由度調整済み重決定係数(adjusted coefficient of determination)のことです。説明変数の数が多い場合に、この点を補正した自由度調整済み決定係数を用いることで、「異なる回帰モデル間での良し悪しを横断的に判断することができる」というわけです。特に、説明変数の数が異なるモデルどうしを比較する場合には、自由度調整済み決定係数を使います。決定係数や自由度調整済み決定係数の値が高いほど、元のデータに対する適合度が高いモデルであるということができす。
adjusted-R²: 0.792 → 0.4315
ほらね。自由度を調整してみてもやっぱり説明力が低下しています。
話を本筋に戻します。「逆転現象が弱くなった」こと。これが意味することは、どういうことでしょうか?
実は前回のEmotionalは、DAG上における
Visual → ECG → Duration
のECG…つまり「ビジュに反応したときめきやすさ」ではなく、むしろ「感情豊かさ」そのもの
Emotional → Duration
に近い変数だった可能性があります。つまり「感情豊かさ」は「第一印象」というよりは関係継続そのものに近い。そのため、「顔面ビジュ」と競合して符号反転を引き起こしていた可能性があります。
①再解析の結果をもうちょっと見ていきましょう。むしろ今回の結果はより自然なのかもしれません。
b. 年齢評価
Age: β = +5.8, p = 0.347, VIF = 1.354625
効かない。これは一貫しています。ここまで年齢は3モデル連続で効果のない因子です。
c. 会話頻度評価
Conversation: β = +11.7, p = 0.064, VIF = 2.042233
また出てきました。もはや鉄板指標ですね。
前回結果である(1)交絡モデル①②③、そして今回因果モデル2件、全部まとめると最も安定している変数は、「Conversation」です。どうやらこれが婚活の交際継続における重要指標なんだと思います。
d. 収入評価
Income: β = +14.4, p = 0.048, VIF = 2.504512
有意。これは初登場の因子です。これも興味深いですねえ。
DAGでは収入評価の位置づけは…
Income → 将来設計 → Duration
を想定していました。今回それと整合しています。
e. ときめき評価
今回差し替えにしたことで注目すべきときめき評価です。
ECG: β = +43.4, p = 0.3841, VIF = 3.856376
と大きい効果量を示します。しかしちょっと注目したい指標が「標準誤差」です。つまりデータのばらつき。
SE = 44.4
でした。ちゃんと書き直すならば
ECG: β = +43.4 ± 44.4
なのでCIが極めて広いことになります。
補足します。
標準偏差(SD: Standard Deviation)はデータ自体のばらつきを示します。数学的には標準偏差は「平均値からの平均的な距離」を概念的に示すものです。さて、「もしも同じ解析を何回も行ったらその推定値はどのくらいばらつくのか?」ということについても理論上計算することは可能となります。このような理論上の推定値のばらつきを標準誤差(SE: Standard Error)と呼びます。標準誤差の計算は、数学的な根拠に基づいたデータのばらつきである「標準偏差」を、研究対象数の平方根で割った数で計算できます。
標準誤差 = 標準偏差 / √研究対象者数
SE = SD / √n
ということになるます。
ここまでばらつきのはなし。でもばらつきって元のデータあってこそのばらつきです。じゃあ元のデータそのものっていったいいくつなのでしょうか?世界中の全部のデータを集めるという神の所業をすれば真の数値にたどり着きます。でもそんなことはできないので、世の中の研究者様はわからない真実の数値(真の平均値)を表現することを諦めました。なんて潔いのでしょう、婚活を諦めたKerotan-Frog先生のようです…。失礼、ちょっと中の人がいまちょっとだけ出てきてしましました…緑色の着ぐるみの中にもう一度お帰りいただきます。で、その代わりに、真実の数字ではなく信頼区間(CI: Confidence Interval)というものを記載することになります。
データから得られた真の数値を推定する数値(例えば平均値とか中央値とか)と標準誤差を用いて示された範囲のことを信頼区間と呼びます。推定値が正規分布に従っているならば、特に「推定値 ± 2×標準誤差」で計算される範囲を「95%信頼区間」と表現します。信頼区間は手元のデータから推定した値の精度を示すことになります。信頼区間が広ければ推定の精度は低く、反対に信頼区間が狭ければ推定の精度が高いことになります。
換言するならば「標本調査あるいは実験などを100回繰り返したとき、そのうち約95回の割合で算出された区間に母集団の真の値が含まれる」という意味になります。「95%信頼区間の中に真の値が入る確率が95%である」というのは誤解釈です。
つまり…ときめき評価は、効果はありそうだけど症例数不足で確定できないという状態です。「ときめきやすさは交際継続と正の関連を示す方向であったが、サンプル数の制約により統計学的確証には至らなかった」くらいが妥当な評価でしょうか。
★ ①再 DAGモデルの評価:DAG視点で最大の収穫です!
むしろここがポイント。
当初仮説は
Age → Visual → ECG → Duration
でした。
しかしデータが指し示すところは
Age ×
Conversation ○
Income ○
CXR △
ECG △
になったのでした。
つまり…交際期間を規定しているのは、第一印象系因子に相当するような、「Visual」「ECG」よりも、関係構築系因子に分類されるような「Conversation」「CXR」「Income」である可能性が出てきました。
つまりひらたくいうと「見た目仮説」は敗北。勝利したのは「関係構築仮説」でした。データが示しているのはあくまで顔面ビジュは入口であって、交際期間(…あるいはその先にあるはずの成婚)には直結しない可能性を示唆しています。一方で、「会話満足度」「将来性評価指標(仕事重視 or 家庭重視)」「収入状況」など関係構築因子は繰り返し現れる。
すると婚活DAGは当初想定されたような…
顔面ビジュ → 交際成立
といった単純な考えではなく、むしろ実際は
顔面ビジュ → マッチング → 会話満足度 → 価値観一致 → 成婚
だったのではないか、という方向に進みます。
★①および①再 因果推論まとめ
この結果を見ると、次に最も面白いのはビジュとときめきやすさの関係です。つまりあえて「交際期間を外す」評価です。
まず
・ECG ~ Visual + Age
を診る。そして次に
・Conversation ~ Wise + Visual + ECG
を診る。そして
・Duration ~ ECG
・Duration ~ Conversation
・Duration ~ SharedValues
を診る。これをすることで「仮交際成立に至る入口の因子」と「仮交際成立後に長続きする因子・本格交際に至る因子」を分離できる可能性があります。
したがって①および①再解析によって『「Visualの負の有意効果」というやや不自然な結果が後退し、DAG仮説全体の整合性がむしろ高まった』ということになります。そして複数モデルを通じて最も再現性がある信号は、『年齢ではなく会話頻度(Conversation)』であるようにもみえます。
② 「年齢は本当に悪者なのか?」モデル
観察結果:年齢は交際期間に影響する
疑問:年齢は因果なのか?
暴露: 年齢
アウトカム: 交際期間
調整変数: 出産可能性認識 収入 気性 メンタル 浪費
作業仮説は、『年齢が交際期間にマイナスの影響を与えている。そして収入増、気性安定、メンタル安定、浪費傾向の改善などなど…年齢とともに「丸くなった」「落ち着いた女性になった」といった正方向の補正経路が年齢の不利をリカバリーすることができるのか?』というお話になります。
…ただね。昨日と今日ここまでの因果推論の結果からは、思ったほど年齢って効いてない因子なんだよね。DAGを組んだときにはもうちょっとだけ効果あると思ってたんだけどさ…。
★②DAGモデルの結果解釈
これは非常に示唆的です。先に結論を書くと、この (2)-②「年齢は本当に悪者なのか?」モデルは、現時点では仮説を支持しなかった と解釈するのが妥当です。ただし、「失敗」ではありません。単純に「年齢の効果を説明する媒介経路として選んだ変数群が適切でなかった可能性」を示しています。
モデルを提示します。

人間的な円熟味が年齢の数字を凌駕するのかが課題となります。
a. 総合評価
結果を一言でまとめると「何も残らなかった」ことになります。
Age: β = +0.78, P = 0.952, VIF = 3.763850
Age classification: β = +11.35, P = 0.862, VIF = 4.079403
Income: β = +3.46, P = 0.588, VIF = 1.870098
Mood: β = +65.0, P = 0.379, VIF = 4.432467
Angry: β = +11.2, P = 0.880, VIF = 5.345446
Spendthrift: β = -28.1, P = 0.499, 1.635575
すべて非有意です。なんだこれ?
b. 実は重決定係数も騙されやすい
ならば重決定係数をみてみます。
R = 0.526
だけ見るとまあまあ説明できているように見えます。しかし補正をしてみると…
Adjusted R² = -0.043
です。これは重要です。adjusted-R²がマイナスということはこれすなわち
「このモデルは平均値だけを使う予測とほぼ同等」という状態です。
c. F検定も全滅
みるだけみてみます…。
F statistic p = 0.545
です。つまりモデル全体としても有意ではありません。これはとんでもないダメダメな結果です。これは煮ても焼いても喰えない…とんでもない生ゴミを誕生させてしまいましたです…。くすん。
★②DAGモデルの評価:DAG視点で何が起きたのか
今回のDAGは
Age
↓
Age Classification
↓
Duration
Age
↓
Income
↓
Duration
などを想定していました。しかし結果を見ると
・Age → Duration:なし
・AgeClassification → Duration:なし
・Income → Duration:なし
です。
少なくとも今回のデータでは仮説の根幹が成立していません。
これまでの解析を振り返ると有意方向だったのは以下のような項目でしたね。
・Conversation
・CXR
・ECG(弱いけど…)
・Emotional
・Income(これはモデルによります…)
でした。ところが今回はIncomeすら消えています。なぜなのでしょうか?
おそらく原因①
推定される破綻原因は、Ageを中心にDAGを組んだからです。
今回の仮説はあくまで
Age → Income → Duration
です。しかしKerotan-Frog先生のこれまでの因果推論結果で何度も出てきている結果は実は…
Conversation → Duration
の関係性、しかもかなり強い関係性です。
つまり「Age起点の世界観」よりも「Relationship起点の世界観」の方がデータに合っている可能性があります。
おそらく原因②
そもそも論として、Age Classificationの因子設定が粗すぎたという原因です。正直なところここは結構疑っています。実際のところAge Classificationのパラメータ設定ですが、35歳以下(n=7)と36歳以上(n=5)の二値層別化なのです。
これが例えば
・20代
・30代前半
・30代後半
・40代前半
・40代後半
のような詳細な階級別区分だった場合には、サンプル数 n= 12 ではほぼ情報がありません。
ならばいっそAgeそのものの連続変数の方がむしろ情報量が多い可能性さえあります。要は単純化しすぎたのです。婚活文脈で「35歳と36歳に劇的な差があるとは限らない」と解釈するならば、年齢の連続的な効果が存在していても検出しにくくなりますね。
おそらく原因③
実は「本当に年齢が効いていない」という大胆仮説です。大胆なんですが、じつは今回の解析群をみるとあながち否定もできませんね。
☆ 年齢について考える
年齢に影響は低いようです…
今までの結果を並べると、年齢に関しては実は6連敗です。
昨日の(1)交絡因子モデルと今日の因果モデルでは
・モデル(1)① Age ×
・モデル(1)② Age ×
・モデル(1)③ Age ×
・モデル(2)-① Age ×
・モデル(2)-①再 Age ×
・モデル(2)-② Age ×
確認しましたがやっぱり6連敗です。まぁどこかの獅子軍団のエースさんのあまりにも不幸な成績である「年間0勝11敗」よりは救いがあるのかもしれませんが。あれもかわいそうね…でも今年こそMLBに挑戦するんでしょ?今度はポスティングじゃなくて海外FAだから、好きなところに行けるといいね…。あと髪の毛切ろっか。
もちろん N = 12 なので断言できません。しかし少なくともここまで年齢と交際期間に関するという強い経路は見出されていませんね。その前の大前提として統計学的な問題があります。統計学的にはたったの n=12でありながら
・35歳以下 = 7
・36歳以上 = 5
への二値化は、もともと連続変数である年齢の情報をかなり失わせる結果になります。例えば「29歳」「34歳」「35歳」が同じ群になります。一方で「35歳」と「36歳」がこの線引きではは別群扱いになります。
DAG的にもっとも気になる点
今回のDAGの仮説はあくまで
Age → Age Classification → Duration
です。しかしここで使用された「Age Classification」という因子そのものがAgeから作られた変数なのです。つまり「Age」と「Age Classification」はほぼ同じ情報を持っています。実際、VIFを比較すると…
・Age: VIF = 3.76
・Age Classification: VIF = 4.08
です。突出して高くはないもののほぼ同値です。これって同じモデルに「年齢」と「年齢から生成した二値変数」を同時投入することを意味していて、それはそのまんま互いの情報を奪い合います。DAG的には不自然ということになります。もしも本当に
Age → Age Classification → Duration
という媒介仮説を検証したいなら、むしろ
・モデルA:Duration ~ Age
・モデルB:Duration ~ Age + AgeClassification
を比較したほうが良いことになります。しかしここで「AgeClassification」が実質的に「Ageの再符号化」なので、独立した媒介変数として扱うのは苦しい。
本質的な問いは出産可能性認識か?
婚活DAGとしての本質的な問題として、読者さまが潜在的にイメージしている経路は
Age → 出産可能性認識 → 交際継続
なのではないでしょうか。ところが今回の解析で使ったのはあくまで「Age Classification」なのです。設定すべきDAGの真のノードは生々しいですが「Perceived fertility」あるいは「結婚・出産タイムリミット認識」なのです。しかし実際に測定したのは「35歳以下かどうか」という代理変数です。
しかし…とはいえ、女性の35歳というのは、「Perceived fertility」「社会的な結婚・出産タイムリミット認識」あるいは「生物学的にトリソミー発生率の上昇起点」でもあります。従って35歳という線引きには一定の社会的意味はあるかと考えて採用したのです。ただしデータ解釈では事前予想どおりではなかったようです。「婚活」よりも「結婚後」に影響の多い数値かもしれません。
むしろ今回のDAG解析で興味深いのは、「35歳境界は意味がない」のではなく、「35歳境界が交際継続期間には現れなかった」という点です。この違いは非常に重要だと考えています。
つまり今回の結果から言えるのはあくまで「35歳以下群と36歳以上群で交際期間の差は確認できなかった」のであって、「出産可能性認識の影響が存在しない」までは言及できないのです…。ならばむしろ年齢については、「効果がない」ではなく「少なくとも交際期間には見えていない」と表現する方がより適切なのではないかと思います。婚活では
年齢 → マッチング成立
には効くかもしれませんが、それがそのまま
年齢 → 交際期間
には効かないという構造はじゅうぶんにあり得るのです。
35歳はDAG上どこに位置するのか?:アウトカムは「交際期間」
35歳という数字自体には婚活市場において一定の実体があります。これをDAGで描くなら、
年齢
↓
Perceived Fertility(妊孕性認識)
年齢
↓
Social Deadline(結婚・出産期限認識)
であって、この代理変数として「35歳以下/36歳以上」を置いたわけです。理論的には十分合理的です。実際にDAGを組んだときの事前予想では、「35歳境界→交際継続」の差が出ても不思議ではないと思っていました。
ここがこの話題における最大のポイントかもしれません。今回のアウトカムはあくまで「Duration(交際継続期間)」でした。しかし35歳境界の効果が現れるとすれば、むしろ「マッチング成立」や「交際開始」、あるいはそこを飛び越えて最終判断に至る「結婚意思決定」の段階かもしれません。例えば、「年齢→交際開始率」は影響する。しかし一度交際が始まった後は、「会話」「価値観」「家庭観」「情緒的相性」のほうがが支配的になるという多段階説はじゅうぶんにあり得るわけです。
疫学的には「アウトカム違い」の可能性
医学研究でもよくあります。例えば、
因子A → 発症
には効くのに、
因子A → 予後
には効かないという現象です。婚活でもおなじなのかもしれません。つまり…
年齢 → 選抜
には効くが、
年齢 → 交際継続
には効かない。という構造は全く不自然ではありません。
むしろ今回の結果は婚活DAGとして面白い
ここまでの因果推論を統合すると
a. 年齢 → 入口
b. 会話・価値観・将来設計 → 継続
この両者を区別し始めているように見えます。
これをDAG的にイメージすると、
Age
↓
Matching
Visual
↓
First Date
Conversation
↓
Shared Values
↓
Duration
↓
Marriage
というカスケードモデルです。この構造なら、35歳境界が交際期間で消失しても全く矛盾しません。
つまり結論としてはこういうことだってばよ。
年齢
↓
初回選抜
会話満足度
価値観の一致
↓
Life planning
↓
成婚
ですよ。実はこれまでKerotan-Frog先生が提示してきた複数モデルは、むしろこちらの路線を支持しているように思えてきました…。
★②因果推論まとめ
もしかしたら記事としてはむしろ面白いのかもしれません。実は読者さまはこっそりひそかに…
年齢増 → 交際期間短縮
を予想しあるいは期待していたのかもしれないのです。
しかしデータは年齢の関与を繰り返し否定し続けているのです。一方で重回帰分析結果はこれでもかというほどに
Conversation ○
Relationship factors ○
が出続ける…会話の重要性を導き出しているのです。
すると因果推論としては
『「年齢は本当に悪者なのか?」の問いに対し「少なくとも本データでは、年齢そのものよりも関係構築要因の方が交際継続と強く関連する」ことを導き出した』
という結論になります。
まとめ:因果モデルの因果推論評価
これまでの解析群の中で、現時点で因果モデルに成績表を付けるとなると以下のようになります。
(2)-①
★★★★★
非常に面白い。
(2)-②
★★★☆☆
結果そのものは地味でした。しかし「年齢神話の否定」という結果が示す意義は大きい。むしろ(2)-②単独ではなく、(2)-①の結果と並べてみてわかるのが…
Age ×
Conversation ○
Emotional ○
CXR ○
という対比であったということができそうです。現時点では、「年齢は本当に悪者なのか?」というDAG仮説は支持されなかった。むしろ交際継続を説明していたのは、年齢ではなく会話や将来設計などの関係性変数だった」という整理が最も自然に見えます。これは「相関と因果は違う」という話にきれいにつながると思います。
すなわち
「女性35歳は婚活市場において特別な意味を持つ年齢としてしばしば語られる。しかし本解析では、35歳以下群と36歳以上群で交際継続期間に差は認めなかった。」
これは
「この結果は「35歳が重要ではない」ことを意味しない。35歳という指標は、交際継続よりも交際開始や結婚意思決定といった別の因果経路に作用している可能性がある。」
と非常に綺麗に考察できそうです。
すなわち
「婚活で語られる35歳問題は存在するか否か」
ではなく、
「35歳問題は婚活プロセスのどの段階に作用するのか」
という問いに変わったことです。
これはDAGらしい非常に良い発見ですし、「相関と因果は違う」の続編としても発展性がある論点だと思います。
きょうのまとめ:Take home messages
きょうは
(1) 交絡モデル
(2) 媒介モデル
(3) カスケードモデル
の3種類のうち(2)につき因果推論してみました。
きょうのおべんきょうのまとめです。
★因果推論をすることができる(2)
・仮説DAGをもとに統計学的に検証することができる
・得られた重回帰分析の結果を解釈することができる
・重回帰分析結果の説明力について、重決定係数を用いて評価できる
・標準偏差、標準誤差、信頼区間について説明することができる
・想定外の結果に慌てずにDAGを再度書き換えることができる
そして今日のポイントは、「婚活ちゃんDAG大作戦の答え合わせを始めたら、データよりも自分の仮説の方が間違っていたことを検証し始めた回」になったことです。DAG作成の本当の価値は、一旦つくったらそれでおしまいではなく、あくまでパラメータを用いて数学的に評価をすること、そのプロセスを介して再検証をしていくことにあります。
次回予告
次回以降は、「因果推論」の続きです。
(3) カスケードモデル
につき因果推論していきましょう。
たのしみにまっててね~。
- #結婚
- #婚活
- #40代
- #友達
- #医師
- #モデル
- #結婚相談所
- #独身
- #アラフォー婚活
- #統計
- #ドラえもん
- #婚活コラム
- #婚活疲れ
- #ブロック
- #統計学
- #40代男性
- #閉じる
- #婚活男性
- #婚活エッセイ
- #婚活体験談
- #フォーク
- #連鎖
- #婚活相談
- #婚活男子
- #チェーン
- #分離
- #撤退
- #婚活日記
- #ノード
- #独身男性
- #相関
- #エッジ
- #分岐
- #疫学
- #標準偏差
- #婚活戦略
- #婚活ノウハウ
- #因果推論
- #大人の婚活
- #婚活難民
- #合流
- #婚活のリアル
- #婚活記録
- #バックドア
- #重回帰分析
- #信頼区間
- #時限爆弾
- #40代独身男性
- #効果量
- #有意差
- #婚活やめた
- #交絡因子
- #疑似相関
- #標準誤差
- #統計的因果推論
- #ノンパラメトリック検定
- #統計的有意差
- #コライダー
- #医師の婚活
- #有意差検定
- #因果推論の科学
- #婚活統計
- #婚活統計学
- #有向非巡回グラフ
- #バックドア基準
- #媒介因子
- #有向
- #DirectedAcyclicGraph
- #非巡回
- #DAGitty
- #最小調整セット
- #婚活宇宙図
- #分散と標準偏差