インディアナポリスの医療機器メーカーで品質管理スペシャリストとして働くスコット・トンプソンさんは、8歳の娘と6歳の息子が最近頻繁にオンラインゲームをしていても気にしないと話す。コロナの流行で友人やいとこと安全に遊べる選択肢はほとんどない。ビデオゲームがなければ「子どもたちは今ごろ気がおかしくなっていただろう。そして妻と私も発狂していた」とトンプソンさんは言う。「彼らには社会的な交流が必要だ」

2020-11-13

合成信頼性を計算する[R]

計量 R 構造方程式モデリング

合成信頼性(Composite Reliability)はCronbach'αの代替指標として使われているものである。
semToolsで最後まで計算できると思っていたが、そうではなかったらしいので計算方法を再度調べてみた。

合成信頼性の解釈

合成信頼性（construct reliabilityと呼ばれることもあります）は、尺度項目の内部一貫性の尺度で、Cronbachのアルファによく似ている（Netemeyer, 2003）。これは、スケールのスコアの分散の合計に対する真のスコアの分散の合計量に等しいと考えることができる(Brunner & Süß, 2005)。別の方法として、「潜在的な構成要素の指標として使用される観察された変数間の共有分散の指標」(Fornell & Larcker, 1981)がある。
合成信頼性のしきい値は議論の余地がある（妥当なしきい値は、0.60以上の範囲であることがある）。多くは、スケールの項目数に依存する。尺度項目の数が少ないほど信頼性レベルは低くなり、尺度項目の数が多いほど信頼性レベルは高くなる傾向がある、とRichard NetemeyerらはScaling Proceduresの中で述べているIssues and Applicationsでは、5～8項目の狭義の構成要素が0.80の最低閾値を満たすことが「合理的」であると述べている。

www.statisticshowto.com

データについてはこちら。 https://ides.hatenablog.com/entry/2020/06/13/005540

今回は1因子のみ、visualのみに絞って値を計算する。

計算式

今回はパッケージにすべて任せきりではなく計算をするので、計算式も掲示しておく。

f:id:iDES:20201113070823p:plain

λi = 標準化された因子負荷量
V(δi) = 残差分散
p = 指標の数

要するに標準化された因子負荷量と残差分散をパッケージで計算して、後は計算式を書いて求めるという手順になる。

コード

途中までlavaanパッケージを使用する。

library(lavaan)
visual.model <- ' visual  =~ x1 + x2 + x3'
dat <- HolzingerSwineford1939[, paste0("x", 1:3)]
fit <- cfa(visual.model, data = dat)

標準化された因子負荷量を計算する。slに変数名とともに格納。

library(dplyr)
sl <- standardizedSolution(fit)
sl <- sl$est.std[sl$op == "=~"]
names(sl) <- names(dat)
sl

結果。

       x1        x2        x3 
0.6209312 0.4788703 0.7096890

各項目の残差分散を計算。reに格納する。

re <- 1 - sl^2

合成信頼性を計算する。

sum(sl)^2 / (sum(sl)^2 + sum(re))

結果。

0.6350718

参考

https://www.r-bloggers.com/2016/08/five-ways-to-calculate-internal-consistency/ https://rpubs.com/wiryantodatascience/Comp_Reliability

2020-11-13

楊永信と電気けいれん療法

ネット・ゲーム依存依存・嗜癖

ja.wikipedia.org

f:id:iDES:20201113004649p:plain

楊永信（中国語: 杨永信、Yang Yongxin）は中華人民共和国の精神科医で、主に10代のインターネット依存症患者の治療に電気痙攣療法を提唱・実施した事で有名[4][5][6]。現在は山東省沂水県の沂水第四病院の副院長を務める。
インターネット依存症治療センターを経営しており、第四病院では10代のインターネット依存症患者の治療合宿を行っている。患者の家族が毎月約9万円を支払って、投薬と電気痙攣療法(楊曰く「醒脑/脳を起こす」)を受けさせている事が報道された[7]。衛生部が禁止するまでに、楊は約3000人の子供達に電気痙攣療法を行った[7][8]。
楊は96%の患者が改善したと主張したが、中国メディアからは疑問視されている。禁止後は自ら開発した「低頻度パルス療法」を実施しているが、これは電気痙攣療法よりも苦痛であると患者が報告している[9]。
2016年時点で治療センターは営業しており、治療した患者は6000人を超えたと病院側は主張している[10]。

電気けいれん療法そのものは一般的なイメージとは異なり、懲罰的な方法でもなく、比較的安全な方法でもあるが、そもそもメリットがあるのかという疑問はある。依存症・嗜癖に対しての電気けいれん療法のエビデンスは限られている。おそらくデメリットがメリットを大きく上回っているだろう。

近年では経頭蓋直流電気刺激(transcranial direct current stimulation)を用いた研究がされている。

f:id:iDES:20201113005132j:plain

pubmed.ncbi.nlm.nih.gov

低頻度パルス療法と経頭蓋直流電気刺激が同じかはわからないが、まったく非科学的というわけでもない気がする。
ただ、エビデンスが乏しく、効果が期待できるのかわからない上、他の方法で十分対処可能なので、わざわざ使う意義は感じられない。

2020-11-12

Mplusの推定方法[Mplus]

Mplus 計量

早見表

コマンド	推定法
ML	最尤法
MLR	ロバスト最尤法
WLS	重み付き最小二乗法
WLSMV	ロバスト重み付き最小二乗法
ULS	重みなし最小二乗法
ULSMV	ロバスト重みなし最小二乗法
GLS	一般化最小二乗法
BAYES	ベイズ推定法

詳述

和訳は定訳がないものが多いので適切か否かは不明。

ML - 従来の標準誤差およびカイ二乗検定統計量を用いた最尤パラメータ推定(maximum likelihood parameter estimates with conventional standard errors and chi-square test statistic)
MLM - 非正規性にロバストな標準誤差と平均調整カイ2乗検定統計量を持つ最尤パラメータ推定(maximum likelihood parameter estimates with standard errors and a mean-adjusted chi-square test statistic that are robust to non-normality)。 MLMのカイ2乗検定統計量は，Satorra-Bentlerのカイ2乗とも呼ばれる。
MLMV - 非正規性にロバストな標準誤差と平均および分散調整カイ2乗検定統計量を持つ最尤パラメータ推定( maximum likelihood parameter estimates with standard errors and a mean- and variance-adjusted chi-square test statistic that are robust to non-normality)。
MLR - TYPE=COMPLEXで使用される場合、非正規性およびオブザベーションの非独立性にロバストな標準誤差およびカイ二乗検定統計量（該当する場合）を持つ最尤推定(maximum likelihood parameter estimates with standard errors and a chi-square test statistic (when applicable) that are robust to non-normality and non-independence of observations)。 MLR標準誤差は、サンドイッチ推定量を用いて計算される。MLR カイ2乗検定統計量は、Yuan-Bentler T2＊検定統計量と漸近的に等価である。
MLF - 1次導関数および従来のカイ2乗検定統計量で近似された標準誤差を持つ最尤パラメータ推定値(maximum likelihood parameter estimates with standard errors approximated by first-order derivatives and a conventional chi-square test statistic)。
MUML - Muthénの限定情報パラメータ推定値、標準誤差、カイ二乗検定統計量
WLS - 完全な重み行列を使用する従来の標準誤差とカイ2乗検定統計量を用いた重み付き最小2乗パラメータ推定値(weighted least square parameter estimates with conventional standard errors and chi-square test statistic that use a full weight matrix)． WLSのカイ2乗検定統計量は、すべての結果変数が連続している場合、ADFとも呼ばれる。
WLSM - 完全重み行列を使用する標準誤差と平均調整カイ2乗検定統計量を持つ対角線重み行列を使用する重み付き最小2乗パラメータ推定値(weighted least square parameter estimates using a diagonal weight matrix with standard errors and mean-adjusted chi-square test statistic that use a full weight matrix)。
WLSMV - 標準誤差および完全な重み行列を使用する対角重み行列と平均・分散調整カイ2乗検定統計量を使用した重み付き最小2乗パラメータ推定値(weighted least square parameter estimates using a diagonal weight matrix with standard errors and mean- and variance-adjusted chi-square test statistic that use a full weight matrix)。
ULS - 非加重最小二乗パラメータ推定値(unweighted least squares parameter estimates)
ULSMV - 完全な重み行列を使用する標準誤差と平均・分散調整カイ2乗検定統計量を持つ非重み付き最小2乗パラメータ推定値(unweighted least squares parameter estimates with standard errors and a mean- and variance-adjusted chi-square test statistic that use a full weight matrix)。
GLS - 従来の標準誤差とカイ2乗検定統計量を用いた一般化最小2乗パラメータ推定値(generalized least square parameter estimates with conventional standard errors and chi-square test )で、正規理論に基づく重み行列を使用する。
Bayes - 信頼区間と事後予測チェックを用いたベイズ的事後パラメータ推定。

使い分け

Type of Analysis TYPE=	すべて連続変数	少なくとも1つの2値または順序変数が従属変数にある	少なくとも1つの打ち切り、順序のないカテゴリ変数、またはカウントデータが従属変数にある
GENERAL	ML＊＊ MLM＊＊＊＊＊ MLMV＊＊＊＊＊ MLR＊＊ MLF＊＊ GLS＊＊＊＊＊ WLS＊＊＊＊＊ BAYES	WLS WLSM WLSMV ULSMV ML＊ MLR＊ MLF＊ BAYES	WLS＊＊＊＊ WLSM＊＊＊＊ WLSMV＊＊＊＊ ML＊ MLR＊ MLF＊
GENERAL RANDOM	ML＊＊ MLR＊＊ MLF＊＊	ML＊ MLR＊ MLF＊	ML＊ MLR＊ MLF＊
GENERAL RANDOM COMPLEX	MLR＊＊	MLR＊	MLR＊
GENERAL COMPLEX	ML＊＊＊＊＊＊ MLR＊＊	WLS WLSM WLSMV ULSMV MLR＊	WLS＊＊＊＊ WLSM＊＊＊＊ WLSMV＊＊＊＊ ULSMV＊＊＊＊ MLR＊
MIXTURE	ML＊＊ MLR＊＊ MLF＊＊ BAYES	ML＊＊ MLR＊＊ MLF＊＊ BAYES	ML＊＊ MLR＊＊ MLF＊＊
MIXTURE RANDOM	ML＊＊ MLR＊＊ MLF＊＊	ML＊＊ MLR＊＊ MLF＊＊	ML＊＊ MLR＊＊ MLF＊＊
MIXTURE COMPLEX MIXTURE COMPLEX RANDOM	MLR＊＊	MLR＊＊	MLR＊
TWOLEVEL	MUML＊＊＊ ML＊＊ MLR＊＊ MLF＊＊ WLS WLSM WLSMV ULSMV BAYES	ML＊ MLR＊ MLF＊ WLS WLSM WLSMV ULSMV BAYES	ML＊ MLR＊ MLF＊
TWOLEVEL RANDOM	ML＊＊ MLR＊＊ MLF＊＊ BAYES	ML＊ MLR＊ MLF＊ BAYES	ML＊ MLR＊ MLF＊
TWOLEVEL MIXTURE TWOLEVEL RANDOM MIXTURE	ML＊ MLR＊ MLF＊	ML ＊ MLR＊ MLF＊	ML＊ MLR＊ MLF＊
COMPLEX TWOLEVEL COMPLEX TWOLEVEL RANDOM	MLR＊＊	MLR＊	MLR＊
COMPLEX TWOLEVEL MIXTURE COMPLEX TWOLEVEL RANDOM MIXTURE	MLR＊	MLR＊	MLR＊
THREELEVEL THREELEVEL RANDOM	ML MLR MLF BAYES	BAYES	NA
COMPLEX THREELEVEL COMPLEX THREELEVEL RANDOM	MLR	NA	NA
CROSSCLASSIFIED CROSSCLASSIFIED RANDOM	BAYES	BAYES	NA
EFA	ML MLR＊＊ MLF＊＊ ULS＊＊＊＊＊ BAYES	WLS WLSM WLSMV ULS ULSMV ML＊ MLR＊ MLF＊ BAYES	ML＊ MLR＊ MLF＊
EFA MIXTURE	ML＊＊ MLR＊＊ MLF＊＊	ML＊ MLR＊ MLF＊	ML＊ MLR＊ MLF＊
EFA COMPLEX	MLR＊＊	WLS WLSM WLSMV ULSMV MLR＊	MLR＊
EFA TWOLEVEL	M＊＊ MLR＊＊ MLF＊＊ WLS WLSM WLSMV ULSMV	WLS WLSM WLSMV ULSMV	NA

＊ Numerical integration required
＊＊ Numerical integration an option
＊＊＊ Maximum likelihood with balanced data, limited-information for unbalanced data, not available with missing data
＊＊＊＊ Only available for censored outcomes without inflation
＊＊＊＊＊ Not available with missing data
＊＊＊＊＊＊ Default with replicate weights
NA Not available

2020-11-12

ベンゾジアゼピンと認知症リスク

薬理

ケース

メタアナリシス。対象となった研究は2002年[27]から2013年[16]の間に発表されたものである。最大追跡期間は8年 [15, 27] から25年 [12] であった。対象となった研究のサンプル数は1063件[13]から25,140件[14]で、合計45,391人であった。認知症症例数は93例[12]から8,434例[14]で、合計11,891例であった。

結果

認知症のプール調整後リスク比（RR）は、未使用者と比較して、常用者では1.49（95％信頼区間（CI）1.30-1.72）、最近の使用者では1.55（95％CI1.31-1.83）、過去の使用者では1.55（95％CI1.17-2.03）であった。ベンゾジアゼピンの定められた1日量を年間20回追加するごとに認知症リスクは22％増加した（RR、1.22、95％CI 1.18-1.25）。

ベンゾジアゼピン系薬剤の使用経験と認知症リスク

RRを未調整のままプールしたところ、常用者は常用者と比較して認知症リスクの増加を示した（RR 2.03、95％CI 1.56-2.63）（図2）。交絡因子を調整した後も、プールされたRRは有意なままであり（RR 1.49、95％CI 1.30-1.72）（図2）、不均一性は低かった（p = 0.19; I2 = 35.1％）。

f:id:iDES:20201112000833p:plain

ベンゾジアゼピン系薬剤の最近の使用と認知症リスク

最近の使用者は、未調整のRRをプールした場合、使用者よりも認知症リスクが高かった（RR 1.93、95％CI 1.33-2.79）（図3）。交絡因子を調整した後も、プールされたRRは有意であり（RR 1.55、95％CI 1.31-1.83）（図3）、不均一性は低かった（p = 0.32; I2 = 15.0％）。

f:id:iDES:20201112000848p:plain

ベンゾジアゼピン系薬剤の過去の使用と認知症リスク

過去の使用者は、未使用者と比較して認知症リスクが1.69倍（95％信頼区間1.47-1.95）高かった（図4）。交絡因子を調整した後も、プールしたRRは有意なままであり（RR 1.55、95％CI 1.17-2.03）（図4）、中等度の不均一性を有していた（p<0.01；I2=72.6％）。

f:id:iDES:20201112000903p:plain

用量反応解析

わずか2件の研究[14, 15]に基づいて、ベンゾジアゼピンの使用と認知症の間に有意な用量反応関係があることがわかった。認知症のリスクは、ベンゾジアゼピンの定義された1日量を年間20回増量すると22％増加した（RR 1.22、95％CI 1.18-1.25）が、不均一性の証拠はなかった（p = 0.32; I2 = 0.0％）。

結論

ベンゾジアゼピン長期使用者は、非使用者に比べて認知症のリスクが高い。しかし、研究が限られていることや逆因果関係の可能性があることから、本研究で得られた知見には注意が必要である。

いくつかの研究[13, 14, 27]では、Z-drugsなどのベンゾジアゼピン関連薬をベンゾジアゼピンとして扱っており、ベンゾジアゼピン使用と認知症のリスクを過大評価する可能性がある。

先行研究

65歳以上の対象者におけるベンゾジアゼピン使用率は、ドイツでは18.9％[5]、カナダでは15.0％[6]である。中国では不眠症患者の3分の1近くがベンゾジアゼピンを服用している[7]。ガイドラインでは、ベンゾジアゼピンの全体的な使用期間は数週間に限定すべきであると推奨されているが[8]、長期使用は依然として一般的である[3、9、10]。

2020-11-11

修正版YDQ

ネット・ゲーム依存依存・嗜癖精神障害精神医学

少し古いがYDQの修正版として提案されているもの。