[論文レビュー] piecewiseSEM: Piecewise structural equation modeling in R for ecology, evolution, and systematics

Jonathan S. Lefcheck|arXiv (Cornell University)|Sep 6, 2015

Ecology and Vegetation Dynamics Studies参考文献 20被引用数 39

ひとこと要約

この論文は、生態学、進化、系統分類分野における部分的構造方程式モデリング（SEM）を実装するオープンソースのRパッケージであるpiecewiseSEMを紹介する。このパッケージは、一般化線形モデル、最小二乗法、混合効果モデルをサポートするようにベースRの構文を拡張し、階層的で非正規分布のデータを含む、柔軟で使いやすいSEMを可能にする。また、系統的独立対照（PIC）を含む。

ABSTRACT

Ecologists and evolutionary biologists are relying on an increasingly sophisticated set of statistical tools to describe complex natural systems. One such tool that has gained increasing traction in the life sciences is structural equation modeling (SEM), a variant of path analysis that resolves complex multivariate relationships among a suite of interrelated variables. SEM has historically relied on covariances among variables, rather than the values of the data points themselves. While this approach permits a wide variety of model forms, it limits the incorporation of detailed specifications. Here, I present a fully-documented, open-source R package piecewiseSEM that builds on the base R syntax for all current generalized linear, least-square, and mixed effects models. I also provide two worked examples: one involving a hierarchical dataset with non-normally distributed variables, and a second involving phylogenetically-independent contrasts. My goal is to provide a user-friendly and tractable implementation of SEM that also reflects the ecological and methodological processes generating data.

研究の動機と目的

• 生態的および進化的システムにおける複雑な多変量関係をモデル化するための高度な統計的手法の需要が高まっているのに対応する。
• 共分散に依存する伝統的なSEMの制限を克服し、特に非正規分布や階層的データに対してモデル指定が制限される問題を解決する。
• lme4、nlme、glmなどの既存のRモデリングフレームワーク（例：lme4、nlme、glm）と統合された、使いやすくオープンソースのR実装を提供する。
• 系統的依存関係や混合効果構造を含む、現実的なデータ生成プロセスを反映したSEMを可能にすることで、生態学的・進化的研究を支援する。
• 生命科学分野の非統計専門家がSEMをより簡単に利用可能にし、手法の透明性を高める。

提案手法

• 各パスを個別に標準回帰手法で推定する部分的アプローチを用いてSEMを実装する。
• lmer、glmer、lmなどのベースRのモデル構文（例：lmer、glmer、lm）を用いて個々の構造的方程式をフィットさせ、一般化線形モデルおよび混合効果モデルとの互換性を確保する。
• AICに基づく適合度指標と有向分離（d-sep）の検定を用いて、独立性の主張を評価する有意性検定フレームワークを採用する。
• 一般化線形モデルおよび混合モデル用の既存のRモデリング関数を活用することで、非正規分布および階層的データを処理する。
• 系統的独立対照（PIC）を特別なケースとして統合し、種間の進化的関係を含むSEMを可能にする。
• 尤度比検定とAICに基づく比較を用いて、モデルの適合度を評価し、代替のモデル構造を比較する。

実験結果

リサーチクエスチョン

• RQ1 構造方程式モデリングは、非正規分布、階層的構造、系統的構造を持つ生態学的データにどのように適合させることができるか。
• RQ2 部分的SEMアプローチは、生態学者や進化的生物学者にとってのアクセス性を向上させつつ、統計的厳密性を維持できるか。
• RQ3 複雑な生態学的システムにおいて、部分的アプローチは伝統的なSEMと比較して、モデルの適合度やパラメータ推定の観点で優れているか。
• RQ4 多様な生態学的データセットにおいて、d-sep検定はモデルの誤指定を効果的に検出できるか。
• RQ5 連続変数、カウント変数、バイナリ変数を含む混合タイプの変数を持つデータセットに対して、SEMはどのように効果的に適用できるか。

主な発見

• piecewiseSEMパッケージは、標準的なRモデリング構文を用いてSEMを実装し、生態学的および進化的モデルの広範な範囲で柔軟なモデル指定を可能にした。
• 既存のRモデリング関数との統合により、非正規分布および階層的データ構造（例：ネストされたデータや繰り返し測定）を処理できる。
• 有向分離（d-sep）検定の使用により、複雑なモデルであってもモデルの適合度を評価し、誤指定を検出する強固な手法が得られた。
• 系統的独立対照（PIC）が有効な入力として処理可能であり、進化的関係を含む比較的データにSEMを適用できる。
• 伝統的なSEMと同等の統計的パワーと正確性を維持しながら、応用研究者にとってよりアクセス可能で拡張性のあるアプローチである。
• 2つの実例を通じて、複数のパスと複雑な依存関係を含むモデルに対しても、計算的に効率的かつスケーラブルであることが示された。