研究内容

　以下に、宇佐美がこれまで行ってきた研究を説明します。心理統計学・教育測定学・行動計量学等と呼ばれる立場から、現実の行動科学（教育学・心理学・医学など）の研究・実践との接点を意識しながら、潜在変数モデリングを基軸とした統計学的方法の開発・応用研究を中心に進めてきました。最近は特に縦断データ分析に関わる方法論の開発と応用に軸足を置いていますが、問題意識を幅広く持ち、必ずしも以下のようなテーマに限定しすぎず、行動科学に関わる研究・実践上の問題の解決に資するような分野横断的な展開を目指していきたいと考えています。

研究キーワード: 縦断データ分析　構造方程式モデリング　項目反応モデル　マルチレベルモデル　混合効果モデル　潜在成長モデル　交差遅延パネルモデル　因果推論　モデル選択　再帰分割回帰木　決定木　サンプルサイズ決定　実験デザイン　検定力　尺度構成法　ベイズ推測　計算機統計　教育測定　論述式・記述式テスト　心理検査　医学検査

1, 縦断データ分析（longitudinal data analysis）
2, 混合効果モデルを用いる研究における研究デザイン構築支援(research design for research that uses mixed-effects model)
3, 論述式・記述式テストに関する測定論的検討（measurement issues in essay type test)
4, 項目反応モデル（item response model）
5, 行動科学研究への統計学的手法の応用（statistical methods and applications for behavioral science）
6, 医学検査・心理検査等のテスト開発(development of clinical and psychological tests)

1, 縦断データ分析（longitudinal data analysis）

　複数の対象（個人）に関して複数回収集されたデータは一般に縦断データ（longitudinal data）と呼ばれます。例えば、高齢者の身体能力がどのように変化していくかを追跡的に調査して得られたデータは縦断データです。成長・発達軌跡（変化のパタン）の記述やその個人差・集団差に関する推測ならびに因果推論上の利点があることから、縦断データを活用した研究は年々増大し、現在ではおよそ毎年2万件以上の研究成果が報告されています。私は、縦断データに関する以下の研究を進めてきました。

縦断的に測定された変数間の相互関係(reciprocal relation)さらには因果関係(causality)を推測するための方法論に関する研究。特に、(i)相互関係を調べることを目的として開発されてきた従来の縦断モデル間の数理的・概念的関係性の精緻化、ならびに(ii)個人の安定的特性（stable trait)を特性因子と呼ばれる潜在変数によってモデリングし統制することを通した、個人内関係(within-person relation)や因果関係を推論するための方法論の開発と考察。

時間経過に伴う個人の成長・発達・変化のパタンやその集団差・個人差を記述するための潜在成長モデル(latent growth model)や混合効果モデル（mixed-effects model)を基軸とした方法論に関する研究。特に、 (i)ランダムに生じる時点特有の効果(time-specific effect)の影響を考慮したモデリング、(ii)縦断データに見られる多様な変化の背後にある、（加齢に伴って身体能力が低下する人もいれば、ほとんど低下しない人もいる、と言ったような）複数の変化のパタンを検出すると同時に類似したパタンを示すクラス・グループに対象を分類するための手法である潜在成長混合モデル（latent growth mixture model）や構造方程式モデル決定木(Structural Equation Model Trees: SEM Trees) と呼ばれる方法論についての研究。

　　　　　相互関係の推測に利用される縦断モデルの統合的表現　　　　　　　　　　　SEM Treesの適用例
　　　　　　　　(Usami, Murayama & Hamaker, 2019)

主要業績

Usami,S. (2023). Within-person variability score-based causal inference: A two-step estimation for joint effects of time-varying treatments. Psychometrika, 88(4), 1466-1494. [Paper]

宇佐美慧 (2022). 個人内関係の推測と統計モデル―ランダム切片交差遅延パネルモデルを巡って―　発達心理学研究, 33, 267-286.　[論文][補足資料]

Usami,S. (2021). On the differences between general cross-lagged panel model and random-intercept cross-lagged panel model: Interpretation of cross-lagged parameters and model choice. Structural Equation Modeling, 28, 331-344. [Paper]

Usami,S., Murayama,K., & Hamaker,E.L. (2019). A unified framework of longitudinal models to examine reciprocal relations. Psychological Methods, 24(5), 637-657.[Paper]

Usami,S., Jacobucci,R., & Hayes,T. (2019). Performance of latent growth model based structural equation model trees to uncover population heterogeneity in growth trajectories. Computational Statistics, 34(1), 1-22.[Paper]

Usami,S., & Murayama,K. (2018). Time-specific errors in growth curve modeling: Type-1 error inflation and a possible solution with mixed-effects models. Multivariate Behavioral Research, 53, 876-897.[Paper] [OSM]

Usami,S., Hayes,T., & McArdle,J.J. (2017). Fitting structural equation model trees and latent growth curve mixture models in longitudinal designs: The influence of model misspecification in estimating the number of classes. Structural Equation Modeling. 24, 585-598.

Usami,S., Hayes,T., & McArdle,J.J. (2015). Inferring longitudinal relationships between variables: model selection between the latent change score and autoregressive cross-lagged factor models. Structural Equation Modeling, 23, 331-342.

Usami,S., Hayes,T., & McArdle,J.J. (2015). On the mathematical relationship between latent change score model and autoregressive cross-lagged factor approaches: Cautions for inferring causal relationship between variables. Multivariate Behavioral Research, 50, 676-687.

宇佐美慧・荘島宏二郎 (2015). 発達心理学のための統計学―縦断データの分析―　誠信書房 [Amazon]

2, 混合効果モデルを用いる研究における研究デザイン構築支援(research design for research that uses mixed-effects model)

　二段抽出の場合に代表されるように、行動科学のデータでは、収集された個人(例えば、生徒、患者、市民)の測定データが、それを包含するより高次の抽出単位である集団(例えば、学校、病院、地域)を介して得られている場合が非常に多くあります。このような、個人のデータが集団に対してネストされている（＝入れ子構造になっている）データは階層データ(hierarchical data)と呼ばれ、また階層データのための統計モデルに混合効果モデル (または、マルチレベルモデル、階層線形モデル)があります。
　このような階層データは実験研究・調査研究の双方において多く見られます。例えば、実験研究では、開発された数学用の新指導プログラムの効果を検証するために、学校単位で実験参加者を募り、新指導プログラムを受ける実験群と、従来と同じ指導プログラムを受ける統制群に分けて、群間差（=実験効果)の有無を検証する場合です。
　私は、このような階層データにおいて、「どの程度のサンプルサイズ（＝集団と個人それぞれのサイズ）を収集すれば真に存在する（実験）効果の有無やその大きさを正確に評価できるか」という問題に興味があります。この問題は一見極めて素朴なものですが、実は、真の（実験）効果が実用上十分に大きいにもかかわらず、サンプルサイズが少なかったために効果を統計学的に立証できない（または、十分正確に推定できていない）例は多くあり、実践上も重要度の高い研究テーマです。この問題に関しては、研究仮説やデータ収集デザインの違いに応じた、必要なサンプルサイズを計算するための公式の導出や、簡便な推定法、また数表や計算用のプログラムの作成など、実践上の利便性を重視した研究を行ってきました。
　また、広義には縦断データも階層データの範疇に含めて扱えますが、縦断的なデザインを通して収集された実験データから実験効果を検証する際に必要なサンプルサイズを推定する簡便法についても研究を行いました。他にも、混合効果モデルを用いて縦断的な変化の有無を検定する場合の第一種の過誤(帰無仮説が真のときに、誤ってそれを棄却する確率)の問題についても研究を進めてきました。

主要業績

Murayama,K., Usami,S., & Sakaki,M. (2022). Summary-statistics-based power analysis: A new and practical method to determine sample size for mixed-effects modelling. Psychological Methods, 27(6), 1014-1038.[Preprint]

Usami,S. (2020). Confidence interval-based sample size determination and some mathematical properties for hierarchical data. British Journal of Mathematical and Statistical Psychology, 73, 1-31.[Preprint]

Usami,S., (2016). Generalized sample size determination formulas for investigating contextual effects by a three-level random intercept model. Psychometrika, 82, 133-157.

Usami,S. (2014). A convenient method and numerical tables for sample size determination in longitudinal-experimental research using multilevel models. Behavior Research Methods. 46, 1207-1219.

Usami,S. (2013). Generalized sample size determination formulas for experimental research with hierarchical data. Behavior Research Methods. 46, 346-356.