1. 樫原 潤 (東洋大学)
グラフィカル・ベクトル自己回帰 (GVAR)
モデルによる縦断データのネットワーク分析
1/17

2. このパートで登場するネットワーク
※ Burger et al. (2022) より引用
同時性
ネットワーク
経時的
ネットワーク
個人間
ネットワーク
2/17

3. このパートでお伝えしたいこと
◼ 「縦断データ×ネットワーク分析」の面白さ！
• 変数間の「経時的な関連」が推定できる
→因果に肉薄できる！
◼ グラフィカル・ベクトル自己回帰 (GVAR) モデル
のワクワク感！
• 3種類のネットワーク (経時的，同時性，個人間) を
一度に検討できる！
• N = 1のデータにも，N > 1 のデータにも使える！
◼ 魅力的…だからこそ，特有の困難もある
• 「仮定」「制約」を押さえてうまく付き合おう！
3/17

4. グラフィカル・ベクトル自己回帰
(GVAR) モデルとは？
4/17

5. (lag-1の) GVARモデルの概要
◼ 連続変数 (≠離散変数) の縦断データが適用対象
• N = 1でもN > 1でもよい
◼ 「特定の時点における測定値群」を，「1つ前の
時点における測定値群」で条件付け，グラフとし
て視覚化する
• 自己回帰など，時点をまたいだ関連に着目
• 1つ前の時点の変数群 (=ベクトル) からの予測について
検討している
• 分析結果をグラフィカルに表現していく
※原理的には，lag-2モデルも可能？
5/17

6. 特徴：複数のネットワーク構造を含む
◼ 言い換えれば，データを複数のネットワーク構造
に分解している
◼ 基本は，経時的 (temporal) ネットワークと
同時性 (contemporaneous) ネットワークの2つ
• N = 1でもN > 1でも推定可能
◼ やろうと思えば，個人間 (between-person) ネッ
トワークもおまけで推定可能
• ただし，N > 1の場合のみ
6/17

7. 経時的ネットワーク
◼ 自己ループ (自己回帰) と，
異なるノード間の関連
(交差遅延回帰) を推定
• 𝑡 − 1時点で通常より『リラッ
クスが困難』だった場合…
• 𝑡時点でも，『リラックスが困
難』という傾向が通常よりも
顕著だろう (自己回帰)
• また， 𝑡時点では『イライラ』
『心配』が通常よりも顕著だ
ろう (交差遅延回帰)
有向ネットワークのため，
InとOutを区別できる
※ Burger et al. (2022) より引用
7/17

8. 同時性ネットワーク
◼ 「経時的効果を統制した上
での，同一の測定時点にお
ける変数間の関連」を表現
• 現在，通常よりも『リラック
スが困難』だったならば…
• 通常と比べ，『イライラ』
『神経質』『心配』等も顕著
になっているだろう
横断的解析では実は検討でき
ない「同一時点での関連」を
検討できるのが強み
※ Burger et al. (2022) より引用
8/17

9. 個人間ネットワーク
◼ 「各変数の平均値」同士の
関連を視覚化している
• 『心配』しがちな人は…
• 『イライラ』『神経質』等に
なりがちな人でもある
◼ 解釈の難しさ？
• 『絶望感』と『リラックスの
困難』が負の関連になってい
るが…
※ Burger et al. (2022) より引用
9/17

10. GVARモデルを推定するには？
◼ Rの複数のパッケージで実行可能
• graphicalVAR
• mlVAR
• psychonetrics
• BGGM …など
◼ 具体的なコード例は，先行研究から入手できる
• 「OSFからコードがDLできる」とした論文の増加
• アムステルダム大学の公開コードはたいていキレイ
• 細かい推定のオプションもあるが・・・
まずは真似るところからでいいのでは？
10/17

11. GVARの推定にまつわる困難
11/17

12. 教科書 (10章) に記された事項の数々！
◼ 教科書 (10章) に記された事項だけでもたくさん
• グレンジャー因果
• 検定力と実行可能性
• 不均質性 (heterogeneity)
• 欠損データ
• 定常性の仮定
• 等間隔測定の仮定
• タイムスケール
◼ 「ベターな研究実践」になるよう，通読は必要
• ここでは，3つのトピックをピックアップ
Isvoranu et al. (2022)
12/17

13. グレンジャー因果
◼ 有向エッジ ≠ 純粋な因果
• 有向エッジが示しているのは，
あくまでも「経時的な予測」
• 𝑡 − 1時点の『リラックスが困
難』という傾向によって，𝑡時
点の様々な症状を予測できる
(グレンジャー因果は成立)
• だが，『リラックスが困難』
という傾向が原因で様々な症
状が引き起こされる，という
純粋な因果的関連が立証され
たわけではない
※ Burger et al. (2022) より引用
13/17

14. 検定力と実行可能性
◼ 十分な検定力を保てるだけのデータ数を確保する
のが容易ではない
• N = 1のデータの場合…
「横断データ解析の場合に必要な研究参加者数」と
同程度の観測値数が必要となる
• 現実問題，1名から大量の観測値数を稼ぐことは可能？
• 「横断データ解析の必要サンプルサイズ」の計算法も
(Constantin et al., 2023)，そう単純ではない
◼ 大量の観測値数が稼げない場合は・・・
• あくまで一般論だが，GVARモデルのノード数を少な
くしておく (例：10個未満) 方がよい
14/17

15. 定常性の仮定
◼ (G)VARモデルは，定常性の仮定をおいている
• データを定義づける特徴量 (例：平均値・分散) が時間
とともに変化することはない，と仮定
• 時系列データ内にトレンドが存在した場合には，推定
実施前の「デトレンド」が推奨される
◼ だが，大半の場合は「特徴量が時間的にどう変化
するか」が研究関心となるはず
• 「心理療法を続けていくことで，ネットワーク全体と
個別症状がどう鎮静化していくか？」など
• 次パートの時変ネットワークモデルを用いれば，特徴
量の経時的変化も含めてモデル化できる！
15/17

16. 文献
Burger, J., Hoekstra, R. H. A., Mansueto, A. C., & Epskamp, S. (2022). Network
estimation from time series and panel data. In Isvoranu, A. M., Epskamp, S.,
Waldorp, L., J. & Borsboom, D. (Eds.). Network psychometrics with R: A guide
for behavioral and social scientists. Routledge.
Constantin, M. A., Schuurman, N. K., & Vermunt, J. K. (2023). A general Monte
Carlo method for sample size analysis in the context of network models.
Psychological Methods. Advance online publication.
https://doi.org/10.1037/met0000555
Isvoranu, A. M., Epskamp, S., Waldorp, L., & Borsboom, D. (Eds.). (2022).
Network psychometrics with R: A guide for behavioral and social scientists.
Routledge.
16/17

17. Enjoy the
Psychological Network Approach!
※本動画は，科研費課題 (21H05068) の一環として収録・公開さ
れています。
※本発表について，開示すべき利益相反関連事項はありません。
17/17