🔹 共分散構造分析（SEM）とは？

SEM = 因子分析（潜在変数の測定モデル）＋回帰分析（構造モデル）を統合したもの
観測できない心理的・概念的な変数（例：ブランド態度、満足度）を扱いながら、因果構造を推定できるのが特徴です。

🔹 SEMの構成

1. 測定モデル（Measurement Model）
   • 潜在変数（latent variable）と観測変数（質問項目や指標）の関係を表す部分
   • 例：
     • ブランド態度（F1）→ 質問項目 Q1, Q2, Q3
     • 購買意図（F2）→ 質問項目 Q4, Q5, Q6
   記法例： F1 =~ Q1 + Q2 + Q3 F2 =~ Q4 + Q5 + Q6
2. 構造モデル（Structural Model）
   • 潜在変数どうし（あるいは観測変数）の因果関係を表す部分
   • 例：ブランド態度が購買意図に影響し、それが実際の購買につながる
   記法例： F2 ~ F1 Purchase ~ F2
3. 共分散（Covariance）
   • 外生変数どうしの相関関係をモデリングする
   • 記法例： F1 ~~ F2

🔹 SEMでよく使う分析内容

• 確認的因子分析（CFA）：測定モデルだけに注目（因子構造が妥当かを確認）
• パス解析：構造モデルだけに注目（因果パスの有意性を見る）
• 完全SEM：測定モデル＋構造モデルを同時推定
• 媒介分析（mediation）：ある変数が媒介しているかを確認（例：広告認知→ブランド態度→購買意図）
• 多母集団分析（multi-group SEM）：国・性別・年代で因果構造が同じかを比較

🔹 適合度指標（モデル全体のフィット感）

• χ²検定：理論モデルとデータの差（p>0.05なら適合）
• CFI, TLI：0.90以上（望ましくは0.95以上）
• RMSEA：0.08以下（望ましくは0.05以下）
• SRMR：0.08以下

🔹 Pythonでの実装（semopy）

from semopy import Model, calc_stats
import pandas as pd

# モデル記述（測定＋構造）
desc = """
F1 =~ Q1 + Q2 + Q3
F2 =~ Q4 + Q5 + Q6
F2 ~ F1
Purchase ~ F2
"""

# DataFrameを用意（Q1..Q6, Purchase列を含む）
df = pd.read_csv("survey.csv")

# モデル推定
model = Model(desc)
model.fit(df)

# 推定結果
print(model.inspect())       # パラメータ推定値
print(calc_stats(model, df)) # 適合度指標

🔹 マーケティングでの活用例

• ブランド態度 → 購買意図 → 実購買
  • 広告認知やブランドイメージ調査の項目を潜在変数に
  • 最終的に売上データや購買意図とつなぐ
• 顧客満足 → 推奨意図（NPS） → 継続利用
  • アンケート調査から「満足・信頼」と「NPS」を潜在変数にして分析

✅ まとめると：

• SEMは 「潜在変数と因果構造を統合的に推定」 する方法
• CFA・パス解析・媒介分析を包含する
• 適合度指標でモデル全体の妥当性を評価
• Pythonなら semopy、Rなら lavaan が代表的実装