マツダ技報2025

54/257

e1,2,3,4F1を512212λ014――マツダ技報No.41（2025）　　　 つLinear Non-Gaussian Acyclic Model: LiNGAM）。本手法では，回答（データ分析による検討を行った（数もその数だけ設定される1. はじめに2. 方法2.1　アンケートデータの取得とモデル化　まず，調査対象者に対して調査会社経由で日々の生活や仕事のなかでどんなふうに感じるかについてさまざまな角度からのアンケート項目（評価で回答を求めた。最終的な分析対象のアンケート項目の選定は目の方法はであり，クを基軸にするで試行した。その後2.2SEMSEM　次にきない潜在変数を導入し，潜在変数と観測変数との間の変数関係を推定する統計的なアプローチである。本検討では，「幸福度」を導くという仮説を立てており，仮説モデル：SEM取得データ，潜在変数：アンケート各項目から「幸福度」に至る変数名を仮説担当者が任意に決めることができる。それぞれ変数間の関連の程度を示した分散共分散行列の計算を内部で行っている。ここで測定モデルとしては各指標の因子に対する負荷量という表現を用いることが一般的である。構造モデルのパス係数と区別するためにを使用する。各変数のスケールを標準化した場合（各変1数の平均をいう），負荷量が高いほどその指標が対応する因子をよく反映していることを意味する。程式として表せるが汎用性を高めるためIBM AMOS Ver28, 29ア（によ言語などでも同様のアプローチが可能である。また内部SEMのアルゴリズムは基本的な形は負荷量と原因因数の因子の積に誤差項形になっている（下記の例の場合）。測定モデルでは，通常は各因子につき複数の指標が仮定されるため方程式の3）。SEMモデ　式（）～（45Well-Being）を用いた40種類の因果推定法を基に行っている。つ目はマツダで開発したベイジアンネットワーGraph Structured Analysis: GSASEMによるモデリングを行っている。Fig. 2One Scene of Research Dataによる因果的プロセスの探索SEMの構造について述べる。（パス図）及び観測変数：アンケートからの，標準偏差をに変換する操作を標準化とFig. 2）を使用して検討している。SEM）においては例えば変数）（　近年，人々の仕事のみならず生活を通じて幸福を感じるといった構造の因果と活性化を促すため確保できるようにしたいという風潮がある。そこで毎年全従業員向けに行われているアンケートで得られた結果を可視化するための手法の開発を目的とした研究を行った。毎年アンケートでデータを取得しているものの職場の細分化により問題がどこに潜んでいるかはつかみにくく，データより得られた知見を十分に活かせていないという課題が存在していた。そこで，筆者らはこうした課題を解決するための一つの方法として，構造方程式モデリング（Structural Equation Modeling: SEM者の感性や意識に関するアンケート項目への回答データを観測変数として用いた。それに加えて，各分析での目的変数に応じて観測変数の背後に想定される潜在変数も分析に用いた。では実際に測定を行った複数の観測SEM変数から潜在変数を推定して分析モデルの中で用いることができる。これにより，先行研究を加味しながら収集したデータと統計モデルにより推測を利用したデータドリブンなアプローチが実現できる。更に単なるコーチングやファシリテーションに終わらず専門集団が経験を活かして働けるようにするために，このアプローチをどのように活かすことができるか，その産業応用を社内で議Fig. 1論した。に本手法の概要図を示す。Fig. 1The Process of Statistical Validity Archive　これまで行ってきたアンケート分析では，担当者の提供するアドバイスは限られており，そうした取り組みの中でデータが十分に活用されていたとはいえない。本研究のアプローチでは，この点を改善するためにる初期段階の分析で得られた適合度指標に基づいてモデル修正を行うとともに，そのモデルに対して社内の専門集団からのフィードバックをもらい修正の是非を議論した。この議論を効率的に進めながらアンケート項目間の因果関係を探るために結果の出力の自動化及びルを効率的に構築する方法を検討した。項目前後）を，段階による手法は直接観測でのモデルは構造方GUIソフトウエRと同じでパス係数のが加わった：所属する誇り，