スマホと脳の関係に詳しい「おくむらメモリークリニック」(岐阜県)の脳神経外科医、奥村歩さん(60)によると、脳の情報処理は(1)入力(2)整理(3)出力-の順に行われる。デジタル機器を休みなく使い続けると、大量の情報が絶え間なく流入し、脳内で整理されずに「ごみ屋敷」のようにたまり、「脳過労」の状態に陥る。すると物忘れやいらだち、抑うつなどの症状が起きる恐れがあるという。
エビデンスの欠如が相変わらず激しい。
コレスポンデンス分析(CA)は、主成分分析の拡張版で、質的変数(またはカテゴリデータ)間の関係を探索するのに適している。主成分分析と同様に、データセットを2次元プロットで要約し、可視化するためのソリューションを提供する。
ここでは、2つのカテゴリデータが形成する頻度、すなわちコンテンジェンシーテーブルと呼ばれるデータテーブルを分析するために使用される、単純なコレスポンデンス分析について説明する。これは、分割表の行と列の両方の点に対する因子得点(座標)を提供するものである。これらの座標は、分割表の行と列の要素間の関連をグラフで可視化するために使用される。
二元分割表を分析するとき、典型的な質問は、ある行の要素が列の要素のいくつかの要素と関連しているかどうかである。コレスポンデンス分析は、二元分割表の行と列を低次元空間の点として可視化し、行と列の点の位置が表中の関連と一致するようにする幾何学的アプローチである。その目的は、解釈のために有用なデータのグローバルビューを持つことである。
本章では,2つのRパッケージ、i) FactoMineRによる解析とii) factoextraによるデータの可視化を用いて、コレスポンデンス解析の計算と解釈の方法を紹介する。さらに、データセットの変動を説明する最も重要な変数を明らかにする方法を紹介する。さらに、補足の行と列を使用してコレスポンデンス分析を適用する方法を説明する。これは、CAで予測をしたい場合、重要だ。このガイドの最後のセクションでは、最も寄与の大きい変数だけを保持するために、CAの結果をフィルタリングする方法も説明する。最後に、外れ値を取り扱う方法を示す。
コレスポンデンス分析の計算を行うために,R ソフトウェアには様々なパッケージからいくつかの関数が提供されている。
どの関数を使うにしても、factoextra Rパッケージで提供されているR関数を使えば、コレスポンデンス解析の結果を簡単に抽出・可視化することができる。
ここでは、FactoMineR(解析用)とfactoextra(ggplot2ベースのエレガントな可視化用)を使用することにする。
library("FactoMineR") library("factoextra")
データは分割表でなければならない。ここでは、factoextra Rパッケージで提供されているデモデータセットhousetasksを使用する。
data(housetasks)
データ
Wife Alternating Husband Jointly Laundry 156 14 2 4 Main_meal 124 20 5 4 Dinner 77 11 7 13 Breakfeast 82 36 15 7 Tidying 53 11 1 57 Dishes 32 24 4 53
上記の分割表はそれほど大きくはない。そのため、行と列のプロフィールを視覚的に確認し、解釈することが容易である。
分割表の探索的データ解析と可視化については、前回の記事で取り上げた。簡単に説明すると、分割表は関数 balloonplot() [gplots package] と mosaicplot() [garphics package] を使って可視化することができる。 http://www.sthda.com/english/wiki/chi-square-test-of-independence-in-r
library("gplots") # 1. convert the data as a table dt <- as.table(as.matrix(housetasks)) # 2. Graph balloonplot(t(dt), main ="housetasks", xlab ="", ylab="", label = FALSE, show.margins = FALSE)
行と列の合計は、デフォルトでそれぞれ下と右の余白に表示されることに注目。これらの値は、上記のプロットでは、引数 show.margins = FALSE を使って隠されている。
小さな分割表では、カイ二乗検定を使用して、行と列のカテゴリ間に有意な依存性があるかどうかを評価することができる。
chisq <- chisq.test(housetasks) chisq
Pearson's Chi-squared test data: housetasks X-squared = 1944.5, df = 36, p-value < 2.2e-16
この例では、行と列の変数が統計的に有意に関連している(p-value = r chisq$p.value).
CA()[FactoMinerパッケージ]という関数が使用可能だ。簡略化した書式は:
CA(X, ncp = 5, graph = TRUE)
コレスポンデンス解析の計算には、このように入力する。
library("FactoMineR") res.ca <- CA(housetasks, graph = FALSE)
関数CA () の出力は以下を含むリストである。
print(res.ca)
**Results of the Correspondence Analysis (CA)** The row variable has 13 categories; the column variable has 4 categories The chi square of independence between the two variables is equal to 1944.456 (p-value = 0 ). *The results are available in the following objects: name description 1 "$eig" "eigenvalues" 2 "$col" "results for the columns" 3 "$col$coord" "coord. for the columns" 4 "$col$cos2" "cos2 for the columns" 5 "$col$contrib" "contributions of the columns" 6 "$row" "results for the rows" 7 "$row$coord" "coord. for the rows" 8 "$row$cos2" "cos2 for the rows" 9 "$row$contrib" "contributions of the rows" 10 "$call" "summary called parameters" 11 "$call$marge.col" "weights of the columns" 12 "$call$marge.row" "weights of the rows"
関数 CA() を使って作成されるオブジェクトは、多くの異なるリストやマトリックスに見られる多くの情報を含んでいる。これらの値については、次のセクションで説明する。
コレスポンデンス解析の解釈と可視化のために、以下の関数[in factoextra]を使用する。
次の章では、それぞれの機能を説明する。
コレスポンデンス分析を解釈するためには、まず行と列の間に有意な従属関係があるかどうかを評価することである。
厳密な方法は、行と列の変数の間の関連を調べるために、カイ2乗統計量を使用することである。これは、関数summary(res.ca)
またはprint(res.ca)
によって生成されるレポートの最上部に表示さ れるものだ。高いカイ二乗統計量は、行変数と列変数の間の強い関連を意味する。
この例では、関連性は極めて有意である(カイ二乗:1944.456、p = 0)。
# Chi-square statistics chi2 <- 1944.456 # Degree of freedom df <- (nrow(housetasks) - 1) * (ncol(housetasks) - 1) # P-value pval <- pchisq(chi2, df = df, lower.tail = FALSE) pval
[1] 0
考慮すべき軸の数を決定するために、固有値を調べることを思い出してほしい。固有値と異なる軸によって保持される分散の割合は、関数get_eigenvalue()
[factoextraパッケージ]を使用して抽出することができる。固有値は、最初の軸では大きく、後続の軸では小さくなる。
library("factoextra") eig.val <- get_eigenvalue(res.ca) eig.val
eigenvalue variance.percent cumulative.variance.percent Dim.1 0.5428893 48.69222 48.69222 Dim.2 0.4450028 39.91269 88.60491 Dim.3 0.1270484 11.39509 100.00000
固有値は、各軸が保持する情報量に対応する。次元は、解の中で説明される分散の量に従って、減少するように並べられ、リスト化される。次元は、解の中で最も多くの分散を説明し、2次元がそれに続き、以下同様である。
累積説明率は、説明された変動の連続した比率を追加して、実行中の合計を得ることによって得られる。例えば、48.69% + 39.91% = 88.6%、などだ。したがって、変動の約88.6%は最初の2次元で説明される。
固有値は、保持すべき軸の数を決定するために使用することができる。データ解釈のために保持すべき次元の数を選択するための「経験則」はありません。それは、リサーチクエスチョンと研究者の必要性に依存する。例えば、説明された全分散の80%に満足するのであれば、それを達成するために必要な次元の数を使用する。
最初の数次元が変動の大きな割合を占めている場合、良好な次元削減が達成されることに留意されたい。
今回の分析では、最初の2軸で変動の88.6%を説明している。これは、許容できるほど大きな割合だ。
次元数を決定する別の方法は、固有値/分散を最大から最小に並べたプロットであるScree Plotを見ることだ。成分の数は、残りの固有値がすべて比較的小さく、同等のサイズである点を超えて決定さ れる。
scree plot は関数fviz_eig()
またはfviz_screeplot()
[factoextra package]を用いて作成することができる。
fviz_screeplot(res.ca, addlabels = TRUE, ylim = c(0, 50))
scree plotが曲がる点(いわゆる " elbow " )は、最適な次元を示すと考えることができる。
また、軸を解に残すべき平均固有値をそれ以上算出することも可能だ。
我々のデータには13行と4列が含まれている。
もしデータがランダムであれば、各軸の固有値の期待値は行の観点から 1/(nrow(housetasks)-1) = 1/12 = 8.33%になるはずである。
同様に、平均軸は4列の観点から1/(ncol(housetasks)-1) = 1/3 = 33.33%を占めるはずである。
According to (M. T. Bendixen 1995):
この2つの割合の最大値よりも大きな寄与率を持つ軸は、重要であるとみなし、データの解釈のための解に含める必要がある。
以下のRコードでは、平均固有値を指定した赤い破線でscree plotを描画している。
fviz_screeplot(res.ca) + geom_hline(yintercept=33.33, linetype=2, color="red")
上のグラフによると、解答には次元1と2のみが使用されるべきだ。3次元は全慣性の11.4%しか説明できず、平均的な固有値(33.33%)を下回り、さらなる解析のためには少なすぎる値だ。
2つ以上の次元を使用することができることに注意。しかし、補足的な次元は、行と列の間の関連性の解釈には、あまり寄与しないだろう。
次元と2次元は、それぞれ全慣性の約48.7%と39.9%を説明している。これは、2次元が保持するイナーシャの累積が88.6%であることに相当する。保持率が高いほど、元データの微妙なニュアンスが低次元解に保持されていることになる(M. Bendixen 2003)。
行と列の変数のバイプロットを描くには、関数fviz_ca_biplot()
[factoextra package] を使用する。
# repel= TRUE: テキストが重ならないようにする(多点だと遅い) fviz_ca_biplot(res.ca, repel = TRUE)
上のグラフはsymetric plotと呼ばれ、データ内のグローバルなパターンを示している。行は青い点、列は赤い三角形で表される。
任意の行または列の点間の距離は、それらの類似性(または非類似性)の指標を与える。プロファイルが類似している行点は、ファクターマップ上で閉じている。列点についても同様である。
このグラフからわかることは: 夕食、朝食、洗濯などの家事は妻が行うことが多い 運転や修理は夫が行う
symetric plotクは、行と列のプロファイルを共通の空間で同時に表現する。この場合、行点間の距離または列点間の距離のみが、本当に解釈できる。
どの行と列の項目間の距離も意味を持たない! 観察されたパターンについて、一般的な記述をすることができるだけだ。
列と行の間の距離を解釈するためには、列のプロファイルを行のスペースに表示するか、またはその逆を行わなければならない。このようなマップは非対称バイプロットと呼ばれ、この記事の最後に説明されている。
解釈のための次のステップは、モデルで保持されるさまざまな次元の定義において、どの行と列の変数が最も貢献しているかを決定することである。
行変数の結果を抽出するために、関数get_ca_row()
[in factoextra]が使用さ れる。この関数は、行変数の座標、cos2、寄与度、慣性を含むリストを返す。
row <- get_ca_row(res.ca) row
Correspondence Analysis - Results for rows =================================================== Name Description 1 "$coord" "Coordinates for the rows" 2 "$cos2" "Cos2 for the rows" 3 "$contrib" "contributions of the rows" 4 "$inertia" "Inertia of the rows"
get_ca_row()
関数のコンポーネントは、以下のように行のプロットに使用することができる。
なお、行点のプロットは可能で、i) ファクターマップの品質 (cos2) または ii) 次元の定義への寄与度 (contrib) に応じて色を付けることができる。
各コンポーネントへのアクセスは以下の通り:
# 座標 head(row$coord) # Cos2: ファクトリーマップ上の品質 head(row$cos2) # 主成分への寄与 head(row$contrib)
このセクションでは、行の点のみを可視化する方法を説明する。次に、i) ファクターマップ上での表現の質、またはii) 次元への貢献度のいずれかによって、行をハイライトする。
以下のRコードでは、各次元(1、2、3)の各行点の座標を表示している。
head(row$coord)
Dim 1 Dim 2 Dim 3 Laundry -0.9918368 0.4953220 -0.31672897 Main_meal -0.8755855 0.4901092 -0.16406487 Dinner -0.6925740 0.3081043 -0.20741377 Breakfeast -0.5086002 0.4528038 0.22040453 Tidying -0.3938084 -0.4343444 -0.09421375 Dishes -0.1889641 -0.4419662 0.26694926
行点のみを可視化するには、関数fviz_ca_row()
[in factoextra] を使用する。
fviz_ca_row(res.ca, repel = TRUE)
引数col.row
、 shape.row
を用いて、以下のように行点の色や形状を変更することが可能だ。
fviz_ca_row(res.ca, col.row="steelblue", shape.row = 15)
上のプロットは、行点間の関係を示している。
rioパッケージの解説翻訳をした。
rio の背景にある考えは、R へのデータのインポートと R からのデータのエクスポートのプロセスを簡素化することだ。このプロセスは、おそらく不必要なほど、R の初級ユーザにとって非常に複雑である。実際、Rはデータのインポート/エクスポートのプロセスを説明したマニュアルを提供している。そして、そのような文章にもかかわらず、説明されているパッケージのほとんどは(程度の差こそあれ)時代遅れなものばかりだ。rio は、データの入出力(インポートとエクスポート)を、import()
と export()
という二つの簡単な関数に統一することを目的としており、初心者や経験豊富な R ユーザーが、R データの読み書きに最適な方法を二度(あるいは一度)考える必要がないようにするものだ。
rio の核となる利点は、ユーザがおそらく喜んで行うであろう仮定を行うことだ。具体的には、rio はファイル名の拡張子から、それがどのようなファイルであるかを判断する。これは、例えばWindows OSが、与えられたファイルタイプに関連するアプリケーションを判断する際に使用するのと同じロジックだ。rioは、初心者が認識できないようなファイル形式と特定のインポート/エクスポート機能を手作業で照合する必要をなくすことで、一般的なデータ形式のほとんどすべてを同じ機能で読み込むことを可能にした。
インポートとエクスポートを簡単にすることで、次のステップとして、Rを単純なデータ変換ユーティリティとしても使うことは明らかだ。様々な独自フォーマット間でデータファイルを転送することは常に苦痛であり、しばしば費用もかかる。そこで、変換機能はimport
とexport
を組み合わせて、ファイル形式を簡単に変換する(したがって、Stat/TransferやSledgehammerのようなプログラムのFOSS代替となるものである)。
rio は、インポートおよびエクスポートのために様々な異なるファイル形式をサポートしている。パッケージのスリム化を図るため、必須でないフォーマットはすべて "Suggests" パッケージでサポートされており、これらはデフォルトではインストール (またはロード) されないようになっている。rio が完全に機能するように、rio を初めて使うときにこれらのパッケージをインストールしてほしい。
install_formats()
対応フォーマットの一覧は以下の通りだ。
フォーマット | 代表的な拡張子 | インポートパッケージ | エクスポートパッケージ | デフォルトでインストールされているか |
---|---|---|---|---|
Comma-separated data | .csv | data.table | data.table | Yes |
Pipe-separated data | .psv | data.table | data.table | Yes |
Tab-separated data | .tsv | data.table | data.table | Yes |
CSVY (CSV + YAML metadata header) | .csvy | data.table | data.table | Yes |
SAS | .sas7bdat | haven | haven | Yes |
SPSS | .sav | haven | haven | Yes |
SPSS (compressed) | .zsav | haven | haven | Yes |
Stata | .dta | haven | haven | Yes |
SAS XPORT | .xpt | haven | haven | Yes |
SPSS Portable | .por | haven | Yes | |
Excel | .xls | readxl | Yes | |
Excel | .xlsx | readxl | openxlsx | Yes |
R syntax | .R | base | base | Yes |
Saved R objects | .RData, .rda | base | base | Yes |
Serialized R objects | .rds | base | base | Yes |
Epiinfo | .rec | foreign | Yes | |
Minitab | .mtp | foreign | Yes | |
Systat | .syd | foreign | Yes | |
“XBASE” database files | .dbf | foreign | foreign | Yes |
Weka Attribute-Relation File Format | .arff | foreign | foreign | Yes |
Data Interchange Format | .dif | utils | Yes | |
Fortran data | no recognized extension | utils | Yes | |
Fixed-width format data | .fwf | utils | utils | Yes |
gzip comma-separated data | .csv.gz | utils | utils | Yes |
Apache Arrow (Parquet) | .parquet | arrow | arrow | No |
EViews | .wf1 | hexView | No | |
Feather R/Python interchange format | .feather | feather | feather | No |
Fast Storage | .fst | fst | fst | No |
JSON | .json | jsonlite | jsonlite | No |
Matlab | .mat | rmatio | rmatio | No |
OpenDocument Spreadsheet | .ods | readODS | readODS | No |
HTML Tables | .html | xml2 | xml2 | No |
Shallow XML documents | .xml | xml2 | xml2 | No |
YAML | .yml | yaml | yaml | No |
Clipboard | default is tsv | clipr | clipr | No |
Google Sheets | as Comma-separated data |
さらに、rio がサポートしていないが R の実装が知られている形式は、パッケージとインポートまたはエクスポート関数を示す情報付きのエラーメッセージを生成する。認識できない形式は、単純に "Unrecognized file format" エラーを出力する。
"rio"では、1つの通常は単一引数の関数を使用して、ほとんどすべての形式のファイルをインポートできる。import () は、ファイルの拡張子からファイル形式を推測し、適切なデータインポート関数を呼び出して、単純なdata.frameを返す。これは、上記の形式の任意のに対して機能する。
library("rio") x <- import("mtcars.csv") y <- import("mtcars.rds") z <- import("mtcars.dta") # 同一のものであることを確認 all.equal(x, y, check.attributes = FALSE)
## [1] TRUE
all.equal(x, z, check.attributes = FALSE)
## [1] TRUE
何らかの理由でファイルに拡張子がない、あるいは実際の種類と一致しない拡張子を有している場合、手動でファイル形式を指定して、形式推論ステップを上書きすることができる。例えば、拡張子を持たないCSVファイルを読み込むには、csvを指定する。
head(import("mtcars_noext", format = "csv"))
import()
は単一のデータフレームを返すだけだが、import_list()
はファイル名のベクトルをRにインポートするのに使用できる。
str(import_list(dir()), 1)
同様に、いくつかの単一ファイル形式(Excel ワークブック、Zip ディレクトリ、HTML ファイルなど)には、複数のデータセットが含まれることがある。import() は型安全で、常にデータ・フレームを返すので、これらのフォーマットからのインポートには、どのデータ・セット(ワークシート、ファイル、テーブルなど)をインポートするかを指示するために import() に which 引数を指定する必要がある(デフォルトは which = 1)。しかし、import_list() を使用すると、これらのタイプのファイルからデータオブジェクトのすべて(または指定されたサブセットのみ、これも which を介して)をインポートすることができる。
rio のエクスポート機能は、様々な R パッケージで様々な関数が利用可能であることや、インポート関数はしばしば他のアプリケーションからのデータを利用するために書かれ、他のアプリケーションで使用される形式にエクスポートする関数は開発の優先順位が決して高くないことから、インポート機能よりもやや限定的なものとなっている。とはいえ、rioは現在、以下のフォーマットをサポートしている。
library("rio") export(mtcars, "mtcars.csv") export(mtcars, "mtcars.rds") export(mtcars, "mtcars.dta")
また、Rパイプの一部としてexport()を使用することも簡単である(magrittrまたはdplyrから)。例えば、次のコードは、単純なデータ変換の結果を保存するためにexport()を使用している。
library("magrittr") mtcars %>% subset(hp > 100) %>% aggregate(. ~ cyl + am, data = ., FUN = mean) %>% export(file = "mtcars2.dta")
ファイルフォーマットによっては(ExcelワークブックやRdataファイルなど)、1つのファイルに複数のデータオブジェクトを格納できるものもある。export()は、これらのタイプのファイルへの複数のオブジェクトの出力をネイティブでサポートする。
# Excelワークブックのシートにエクスポートする export(list(mtcars = mtcars, iris = iris), "multi.xlsx")
# .Rdataファイルへのエクスポート ## 名前付きリストとして export(list(mtcars = mtcars, iris = iris), "multi.rdata") ## 文字ベクトルとして export(c("mtcars", "iris"), "multi.rdata")
また、新しい関数 export_list() (v0.6.0 以降) を使って、ファイル名のベクトルかファイルパターンを使って、データフレームのリストを複数のファイルに書き出すことができる。
export_list(list(mtcars = mtcars, iris = iris), "%s.tsv")
convert() 関数は、インポートされたファイルからデータフレームを構築し、直ちにディスクに書き戻すことで、import() と export() を連携さ せる。 convert() はエクスポートされたファイルのファイル名を見えないように返すので、それを使って新しいファイルにプログラム的にアクセ スできる。
convert()
は import()
と export()
の薄いラッパーに過ぎないので、非常に簡単に使用することができる。たとえば、次のように変換できるようになる。
# 変換するファイルを作成する export(mtcars, "mtcars.dta") # StataからSPSSへの変換 convert("mtcars.dta", "mtcars.sav")
convert() は、インポート (in_opts) とエクスポート (out_opts) を制御するための引数のリストも受け取ることができる。これは、インポートやエクスポートのメソッドに追加の引数を渡すのに便利だ。これは、例えば、固定幅のフォーマットファイルを読み込んで、それをカンマ区切りの値ファイルに変換するのに便利だろう。
# 未定義のファイルを作成する fwf <- tempfile(fileext = ".fwf") cat(file = fwf, "123456", "987654", sep = "\n") # ファイルを読み込むための2つの方法を見る identical(import(fwf, widths = c(1,2,3)), import(fwf, widths = c(1,-2,3)))
## [1] FALSE
# CSVに変換する convert(fwf, "fwf.csv", in_opts = list(widths = c(1,2,3))) import("fwf.csv") # 変換をチェックする
## V1 V2 V3 ## 1 1 23 456 ## 2 9 87 654
メタデータが豊富なファイル形式(Stata、SPSS、SASなど)では、オープンなテキスト区切り形式に変換する際に、インポートしたデータをcharacterize()やfactorize()に通すことも有用である。characterize()は、「ラベル」属性を持つデータフレーム内の単一の変数またはすべての変数を、値のラベルへのマッピングに基づいて文字ベクトルに変換する(例:export(characterize(import("file.dta"), "file.csv"))-). 別の方法として、CSVY形式へのエクスポートがある。これは、CSVファイルの冒頭にあるYAML形式のヘッダーにメタデータを記録するものである。
また、Rscript に -e (expression) 引数を付けて呼び出すことで、コマンドラインから rio を使用することも可能だ。例えば、Stataファイル(.dta)をカンマ区切り値(.csv)に変換するには、次のようにするだけでよい。
rioの核となる利点は、ユーザーがおそらく望んでいるであろう仮定を行うことだ。このうち8つが重要だ。
1.rioはファイル名の拡張子を使って、それがどのような種類のファイルであるかを決定する。これは、例えばWindows OSが、与えられたファイルタイプに関連するアプリケーションを判断する際に使用するのと同じロジックだ。初心者が認識できないようなファイル形式と特定のインポート/エクスポート機能を手作業で照合する必要をなくすことで、rioはほとんどすべての一般的なデータ形式を同じ機能で読み込むことができるようになった。また、ファイル拡張子が正しくない場合、ユーザーは format
引数を指定することで、特定のインポート方法を強制することができる。他のパッケージでもこのようなことは可能だが、rio は各パッケージよりも完全で一貫性のあるものを目指している。
readerは、特定のテキスト形式と R バイナリファイルを扱うことができます。
SchemaOnReadは、1つのメソッドが成功するまで、多数の可能なインポートメソッドを繰り返し実行する
2.rioはテキスト区切りファイルに対して data.table::fread() を使って、拡張子に関係なくファイル形式を自動的に判断する。そのため、実際にはタブ区切りである CSV も正しくインポートさ れる。また、ものすごく速い。
7.rioは、リッチなファイルフォーマット(SPSS、Stataなど)からのメタデータを、ファイルタイプやインポート機能に関係なく、一貫した形で変数レベルの属性として保存する。これらの属性は次のように識別さ れる。
label: 変数の説明
gather_attrs()
関数は、変数レベルの属性をデータフレームレベルに簡単に移動さ せることができる(そしてspread_attrs()
は、その収集プロセスを逆転させる)。これらは、特に、ファイル変換の際に、ファイルフォーマット間で異なって扱われる属性をより簡単に変更するのに便利だ。例として、次のイディオムはSPSSの値ラベルをStataで許される最大32文字に切り詰めるために使用することができる。
dat <- gather_attrs(rio::import("data.sav")) attr(dat, "labels") <- lapply(attributes(dat)$labels, function(x) { if (!is.null(x)) { names(x) <- substring(names(x), 1, 32) } x }) export(spread_attrs(dat), "data.dta")
さらに、2つの関数(v0.5.5 で追加)が、これらの "labels" 属性から文字変数と因子変数を簡単に作成する方法を提供する。characterize()
は、 "labels" 属性を持つ単一の変数またはデータフレーム内のすべての変数を、値のラベルへのマッピングに基づいて文字ベクターに変換する。characterize()
は、これらのリッチなファイル形式をオープンな形式に変換する際に特に役立つ(例:export(characterize(import("file.dta")), "file.csv"
)。
rioは内部のS3クラスインフラに基づいてファイルのインポートとエクスポートを行う。これは、他のパッケージがS3メソッドを登録することによって、rioの拡張機能を含むことができることを意味する。これらのメソッドは.import.rio_X()
と.export.rio_X()
という形式を取る必要があり、ここでX
はファイルタイプの拡張子である。例として、[rio.dbパッケージ}(https://github.com/leeper/rio.db)で提供されている。
ファミリー・アコモデーションに関する研究は急増しており,小児期不安の発達,維持および治療にファミリー・アコモデーションが関与していることが示されている。この領域における理論構築と臨床応用の指針として、さらなるデータが必要である。ファミリー・アコモデーションの測定法の基礎となる因子はこれまで確認されておらず、テスト・レテスト・データも報告されていない。本研究の目的は、子どもの不安に対するファミリー・アコモデーションの尺度として最も広く用いられているFASA(Family Accommodation Scale - Anxiety)および子ども評価版FASA-CRの要因構造の確認データおよび最初のテスト・リテスト信頼性データを提供することである。
参加者は、不安障害プログラムを連続して受診した331人の子ども(51%が女性、平均年齢10.44歳、SD=2.95、84.6%が白人)とその親であった。まず、無作為抽出した105組の親子に対して探索的因子分析(EFA)を行い、残りの226組の親子に対して確証的因子分析(CFA)を行って因子を確認した。FASAとFASA-CRのテスト・リテスト信頼性(平均再テスト間隔=10日)を検討した。収束的妥当性は、子どもの不安症状、育児ストレスとの関連で検討された。弁別的妥当性は、子どもの抑うつ症状との関係で検討した。
ファミリー・アコモデーションは、「子どもの不安駆動型行動への参加」と「子どもの不安駆動型行動による家族のルーチンやスケジュールの変更」の2因子モデルであることが、EFAおよびCFAにより支持された。また,親と青少年については,テスト・リテスト信頼性は良好であったが、6歳から12歳の子どもについては,あまり良好ではなかった。
ファミリー・アコモデーションは、小児期不安における重要な構成要素であり、FASAおよびFASA-CRを用いて有効かつ信頼性の高い評価を行うことができる2つの基礎因子を有していた。
小児不安障害のファミリー・アコモデーションに関する最初の系統的研究(Lebowitz et al.,2013)から6年が経過した。その間に、子どもの不安に関連する苦痛を回避または緩和するために親が行動を変えるという現象への関心が急増している(最近のレビューについては、以下を参照。Kagan, Frank, & Kendall, 2017; Lebowitz, Panza, & Bloch, 2016; Norman, Silverman, & Lebowitz, 2015; Storch et al., 2015)、子どもの不安治療における収容を標的とした新規かつ非常に有望な介入策が開発されている(Lebowitz, Marin, Martino, Shimshoni, & Silverman, 2019)。
90%以上の母親が不安な子どもをアコモデートしており、より多くのアコモデーションは、より重度の不安とより悪い治療アウトカムと関連している(Benito et al, 2015; Kerns, Pincus, McLaughlin, & Comer, 2017; Lebowitz, 2017; Lebowitz, Scharfstein, & Jones, 2015; Lebowitz et al., 2013; Norman et al., 2015; Reuman & Abramowitz, 2017; Settipani & Kendall, 2017; Storch et al., 2015; Thompson-Hollands, Kerns, Pincus, & Comer, 2014)。子どもの不安治療後の改善は、収容の減少とも関連している(Kagan, Peterman, Carper, & Kendall, 2016)。
ファミリー・アコモデーションの理論開発には,構成概念,その内的妥当性,その基礎となる因子に関する知識の増加が必要である。そこで、我々は、最初の、最も広く使われている尺度であるファミリー・アコモデーション尺度-不安(FASA)、およびそれに付随する子ども評価版(FASA-CR)(Lebowitz et al.、2015;Lebowitz et al.、2013)について探索・確認的因子分析(EFA/CFA)を報告した。EFAは、構成要素内の理論的に意味のある次元を特定し、CFAは、仮説モデルが最適なデータ適合をもたらすかどうかをテストする。私たちが報告するEFAとCFAデータは、測定値の内的妥当性と要因構造に関する重要な情報を提供しています。これまでのデータは、測定の内部一貫性(Cronbach alphas ranging from .82 - .90 for FASA; .85 for FASA-CR)、子どもの不安指標との収束(例:r = .45, p < .001)、子どものうつ指標との発散(例:, r = .17, p = .56)であった(Kagan et al., 2016; La Buissonniere-Ariza et al., 2018; Lebowitz et al., 2015; Lebowitz et al., 2013; Norman et al., 2015; Schleider, Lebowitz, & Silverman, 2017)。
FASAとFASA-CR以降、小児不安に対するファミリー・アコモデーション測定が2つ開発された。干渉指数を追加したファミリー・アコモデーション・チェックリストと干渉尺度(FACLIS)(Thompson-Hollands et al., 2014)と,臨床家主導の尺度として設計された小児アコモデーション尺度(PAS)(Benito et al., 2015)である。いずれも満足のいく内的一貫性と弁別的妥当性を有している。それらの要因構造と再試験信頼性に関するデータはまだ報告されていない。
FASAの以前のEFAでは、2因子の相関モデルが分散の62.2%を占め、「子どもの不安駆動行動への参加」と「家族のルーチンの修正」に相当することがわかった(Lebowitz et al, 2013)強迫性障害におけるファミリー・アコモデーションのEFAでも同様の2因子構造が報告されている(Albert et al., 2010; Flessner et al., 2011; Gomes et al., 2015; Mahapatra, Gupta, Patnaik, Pattanaik, & Khandelwal, 2017)、チック障害(Shorch et al., 2017)。しかし、参加因子と修正因子との関連性のパターンは、変数や情報提供者によって異なり、確証的因子分析の欠如によって残されたギャップを強調している(Flessner et al.2011; Mahapatra et al.2017; Norman et al.2015; Peris, Benazon, Langley, Roblek, & Piacentini, 2008)。もう一つの研究ギャップは、ファミリー・アコモデーションのテスト・リテスト信頼性データがないことである。このギャップは、創発的な縦断的研究を進め、経時的な治療-変化を理解するために特に問題となる(Kagan et al.、2016)。
そこで、私たちの目標は、クリニックから紹介された不安な子どものサンプルにおいて、FASAとFASA-CRの要因構造とテスト・レテスト信頼性を検討することであった。我々は、先のEFAで確認された2因子構造がデータに最適に適合すると仮定した。先行研究(Lebowitz, Storch, MacLeod, & Leckman, 2014; Lebowitz et al., 2013)と一致し、今回の独立サンプルでは、総得点と下位尺度が子どもの不安と有意かつ正の相関を示し(収束)、子どものうつ症状とは(発散)しないと仮定したが、ある研究ではFASA得点と子どものうつ症状の指標に有意な関連性が報告されている(La Buissonniere-Ariza et al.,2018)。我々は、FASA/FASA-CRと母親の子育てストレスの収束を検討することで、過去の研究をさらに拡張する。子育てストレスは、アコモデーションを提供することで親が苦痛を感じることを報告しているため、利用可能なデータから選択しました(Lebowitz et al., 2015; Lebowitz et al., 2013)。最後に、FASAとFASA-CRが満足のいくテスト-リテスト信頼性を示すと仮定した。
参加者は、不安障害専門研究クリニックに紹介された6歳から17歳の子ども331人(女児51%)(M=10.44歳、SD=2.95)とその親(98%が母親)であった。280人の子ども(84.6%)は白人、13人(3.9%)はアフリカ系アメリカ人、7人(2.1%)はアジア系、25人(7.6%)は多民族、6人(1.8%)は子どもの人種の報告がない。31人(9.4%)の子どもはヒスパニック/ラテン系であった。世帯年収は、10万ドル以上が195家族(58.9%)、4万1000ドルから9万999ドルが83家族(25.1%)、4万1000ドル以下が23家族(6.9%)、収入の報告がないのは30家族(9.1%)であった。277人(83.7%)の親は結婚しているか家庭内パートナーであり、18人(5.4%)は独身または未婚、30人(9.1%)は離婚、3人(0.9%)は寡婦、3人(0.9%)は結婚歴の報告がないことが明らかになった。
子どもは、一次不安障害診断のDSM-5基準を満たした場合に組み入れられた。除外基準には、重度の非不安性精神病理学(例:統合失調症、積極的な自殺念慮)または発達障害(例:自閉症スペクトラム障害、知的障害)が含まれていた。最も一般的な不安障害の診断は、全般性不安障害(34.1%)、社会恐怖症(30.2%)、分離不安障害(19.6%)、特定恐怖症(10.0%)であった。サンプルの82%は、うつ病の基準を満たした11%を含む、併存する診断があった。
不安障害面接スケジュール-子供および親バージョン-IV (ADIS-C/P-IV). ADIS-C/P (Albano & Silverman, 1996; Silverman & Albano, 1996) は半構造化診断面接法で、子どもの不安診断に対して良好から優れた信頼性を推定し (Silverman & Nelles, 1988) 、優れたテスト-リテスト信頼性 (Silverman, Saavedra, & Pina, 2001) が得られてきたものである。ADIS-C/Pは、直接観察と監督下で訓練を受けた博士レベルの臨床家と大学院生によって実施された。診断は、ケースプレゼンテーションの際に、専門家グループのコンセンサスによって最終的に決定された。
ファミリー・アコモデーション・スケール-不安(FASA;Lebowitz et al.、2013)。FASA は 13 項目からなる。最初の9項目は、アコモデーションの頻度を評価し、アコモデーションの総得点に合計される。さらに4つの項目は、アコモデーションに関連する親の苦痛(1項目)、およびアコモデーションさせられないことに対する子どもの短期的な反応(3項目)を評価するものである。項目は、0から4(「全くない」から「毎日ある」)の5段階評価である。9項目のファミリー・アコモデーションの合計得点は0から36まであり、得点が高いほどアコモデーションが進んでいることを示す。今回のサンプルにおける9項目合計の収容スコアの内部整合性はα=.87であった。
Family Accommodation Scale for Anxiety - Child Report(FASA-CR;Lebowitz et al.,2015)。FASA-CR は 16 項目で構成されている。最初の13項目はFASAと並行しており、FASAと同様に最初の9項目を合計して0~36の総得点とする。3つの補助的な項目は、アコモデーションに関する子どもたちの信念を問うものである。今回のサンプルでは、9項目の合計得点の内部整合性はα=0.79であった。
多次元不安尺度第2版(MASC-2; March, 2013) MASC2は、子どもと親の視点から子どもの不安症状を評価する50項目で構成されている。各項目は0~3(「全くない」~「よくある」)で評価され、得点は0~150点で、得点が高いほど不安が強いことを示しています。内部整合性、信頼性、妥当性は確立されている(March, 2013)。今回のサンプルにおける内部一貫性は、子ども報告でα=.94、親報告でα=.89であった。
子育てストレス指数-短形式(PSI-SF;Abidin, 1995)。PSIは、育児ストレスを評価する36項目からなり、親が記入する。項目は5点満点で採点され、合計すると36点から180点までとなり、得点が高いほど育児ストレスが少ないことを示す。内部一貫性、信頼性、妥当性は確立されている(例:Haskett, Aher, Ward, & Allaire, 2006)。今回のサンプルにおける内部整合性はα=.91であった。
Children's Depression Inventory (CDI; Kovacs, 1992)。CDIは、子どもの抑うつ症状を評価する27項目の質問紙で、子ども自身が記入する。項目は0から2まで得点化され、合計されたものが総得点となる。内的一貫性、テスト・リテスト信頼性、妥当性は確立されている(Carey, Faulstich, Gresham, Ruggiero, & Enyart, 1987; Smucker, Craighead, Craighead, & Green, 1986)。今回のサンプルにおける内部整合性はα=.89であった。
本研究は、大学の機関審査委員会により承認された。保護者と子どもは、試験-再試験の信頼性を調べるためのアコモデーションの再診断を含むすべての研究手順について、書面による同意/承諾を得た。その後、ADIS-C/P-IVと質問票を、より広範な評価バッテリーの一部として、1回の来院時に実施された。訓練されたリサーチアシスタントが、低年齢児や読字困難な子どもたちの質問票記入を支援した。試験-再試験の手順は、他の研究データ収集の進行中に導入されたため、試験-再試験のサンプルは全サンプルより少ないものである。試験-再試験を実施した子どもと親の間で、人口統計学的変数や研究変数に有意な差はなかった。試験-再試験の信頼性データは、訓練されたリサーチアシスタントが電話で収集し、再試験間隔は7~14日であった。
EFAとCFA。全サンプルから105組の子ども・親ダイアドを無作為に抽出し、226組のダイアドをCFA用の独立したサンプルとして残しました。EFAとCFAサンプルの間に、人口統計学的変数や研究変数に関する有意な差はなかった(表1参照)。最適な解は、scree plot、固有値、因子負荷量を調べることによって決定された。CFAは、Mplus Version 7.44 (Muthén & Muthén, 1998-2012) を用いて実行された。モデルの適合性を評価するために、適合性指標を調べた[例えば、モデル適合のカイ二乗検定、二乗平均平方根誤差近似値(RMSEA)とp close、比較適合指標(CFI)、標準化平均平方根残差(SRMR); Hu & Bentler 1995(Kline, 2011)].良好な適合性は、次の値によって示された:有意でないカイ二乗;RMSEA < .08 with p close > .05;CFI > .95;SRMR < .05。モデル適合のカイ二乗検定が報告されているが、100以上の標本で帰無仮説を棄却するカイ二乗の感度を考えると、他の適合指標に重きが置かれている(Hu & Bentler, 2006)。(Hu & Bentler, 1995).
収束的妥当性は、FASA/FASA-CR得点と子どもの不安および育児ストレスとの関連を検討することによって評価した。弁別的妥当性は、FASA/FASA-CR得点が子どものうつ病得点よりも子どもの不安得点と有意に強い相関を示すかどうかを調べることで評価した。試験-再試験の信頼性との関連は、時間1と時間2におけるFASA(n=118)とFASA-CR(n=88)の合計得点間の関連を通して検討し、平均試験-再試験間隔は、FASAで9.81(SD=3.08)日、FASA-CRで10.42(SD=3.19)日であった。
非モデルおよびモデルベースの外れ値分析が行われたが、外れ値は見つからなかった。解析は、正規性違反を考慮し、ロバスト標準誤差を持つ最尤推定量を使用した。欠測データは最小で(5%未満)、完全情報最尤法(Enders, 2010)を用いて対応させた。欠測データの偏りは、各変数の欠測データの有無を反映するダミー変数を計算することで評価された。このダミー変数は、モデル内のすべての研究変数と相関させた。意味のあるバイアスは観察されなかった。FASAおよびFASA-CRスコアは、男女間で有意な差はなかった。
プロマックス回転を用いた主因子法を用いて、3つの解が評価された。その結果、FASAとFASA-CRは2因子解であることが示唆された。この2つの因子は、FASAの全分散の61.04%、FASA-CRの全分散の51.37%を説明することが示された。
2つのモデルを検証した。1)過去のEFA結果(Lebowitz et al., 2013)に基づき、項目1~5がParticipation、項目6~9がModificationに負荷される相関2因子モデル、2)本研究のEFA結果に基づき、項目1~4がParticipation、項目5~9がModificationに負荷される相関2因子モデル、である。
FASAを用いた。モデル適合度の指標は、モデル1の適合度が低いことを示した(chi square = 84.99, p < .001; RMSEA = .10, p-close < .001; CFI = .91; SRMR = .05)。モデル適合の指標は、モデル2(カイ二乗 = 58.50, p < .001; RMSEA = .07, p-close > .05; CFI = .95; SRMR = .04)の良好な適合を示した。すべての標準化因子負荷は、0.57から0.81の範囲であった(表3参照)。
FASA-CR。モデル適合の指標は、モデル1の適合が比較的悪いことを示した(χ2 = 51.49, p < 0.01; RMSEA = 0.07, p-close > 0.05; CFI = 0.92; SRMR = 0.06)。モデル適合の指標は、モデル2(カイ二乗 = 35.83, p > .05; RMSEA = .04 p-close = .66; CFI = .97; SRMR = .05)が良好に適合していることを示した。また、表2の3因子解を検証したが、反復回数を増やしても解は収束しなかった。モデル2において、すべての標準化因子負荷量は0.49から0.70の範囲であった(表3参照)。
児童年齢とFASA/FASA-CR得点の間に有意な逆相関があることから(表4参照)、FASA因子指標が児童年齢によって異なるかどうかを調べるために、多重指標/多重原因(MIMIC)モデル(Jöreskog & Goldberger, 1975)が実施された。両モデルとも、子どもの年齢を連続変数とした。児童年齢を含めても、FASA、FASA/CRともにモデルの適合性に悪影響はなかった。FASAでは、参加(パス係数-.06、S. E. = .02、p < .01)と修正(パス係数-.05、S. E. = .02、p < .05)に子ども年齢が有意な直接効果を示すことが示された。つまり、子どもの年齢が1単位上がるごとに、参加と修正のスコアは、それぞれ0.06単位、0.05単位減少することがわかった。FASA-CRでは,子どもの年齢が参加に有意な直接効果を示したが(パス係数=-;.04,S. E. = .02,p<.05),修正には効果がなく(パス係数= -;.01,S. E. = .02,p=.74),このことから,ファミリー・アコモデーション指標は子どもの年齢層で不変でないことが示された。
FASAとFASA-CRの2因子構造はCFA分析によって確認され、対応する下位尺度の構成には、前述のように1つの調整のみが行われた。この結果をもとに、「参加」と「修正」の下位尺度のスコアを再計算し、収束的妥当性と弁別的妥当性を検討した。表4は、研究変数間の二変量相関を示したものである。
FASAの合計得点は、親が評価したMASC-2の合計得点と有意かつ正の相関を示したが、子どもが評価したMASC-2の合計得点とは相関がなかった。FASA参加および修正下位尺度もまた、親が評価したMASC-2総得点と有意に正の相関を示したが、子どもが評価したMASC-2総得点とは相関がなかった。FASAの総得点はPSI-SFと有意かつ負の相関があった。FASA得点は、子どものCDI得点と有意な相関はなかった。
FASA-CRの総得点は、子ども評価および親評価のMASC-2総得点と有意かつ正の相関があった。参加と修正もまた、子ども評価および親評価のMASC-2と有意かつ正の相関があった。FASA-CRの総得点はPSI-SFと有意な相関はなかった。FASA-CR得点は、子ども評価のCDI得点とわずかな相関があったが、FASA-CRとCDIの相関は、FASA-CRと子ども評価あるいは親評価のMASC-2の相関より有意に小さく(Fisherのz = 2.05, p<.05; Fisherのz = 2.3, p<.05, respectively)、FASA-CRの弁別的妥当性を支持するものである。
FASAの総スコア(r = .79, p < .001)および下位尺度(Participation: r = .69, p < .001; Modification r = .76, p < .001)は、試験-再試験信頼性が高いことを示唆するものであった。FASA-CRでは、時間1と時間2の相関は有意であったが、低かった(合計:r = .52, p < .001; 参加:r = .40, p <.001; 修正:r = .53, p <.001 )。そこで、小児(6~12歳)と青年(12歳以上)で推定値に違いがあるかどうかを調べるために、FASA-CRの再試験信頼度を再調査した。小児(n=65)のFASA-CR総スコア試験-再試験信頼性は,r=.46,p<.001であった(参加:r=.33,p<.01,修正:r=.54,p<.001).青年(n=22)におけるFASA-CR総スコアの試験-再試験信頼性は,r=.66,p<.001(Participation:r=.65,p<.001,Modification:r=.49,p<.001)であった。
これは、小児期不安のファミリー・アコモデーションに関するこれまでで最大の研究であり、その評価に最も広く用いられている尺度の心理測定学的特性について重要な証拠を提供するものである。CFAは、FASAとFASA-CRが2つの異なるが相関する因子から構成されていることを示した。このことは、EFAを用いた先行研究を支持するものである。先行研究とは対照的に、項目5(子どもの不安のために、何かをしたり、場所に行ったり、人と一緒にいることを避ける)は、FASAとFASA-CRの両方で、参加因子ではなく、修正因子に負荷さ れた (Lebowitz et al., 2013)。しかし、Lebowitz et al.は、項目5が両方の因子に負荷され、項目が修正されたルーチン(例えば、場所に行くことを避ける)を扱うことを指摘しているので、これは驚くべきことでは無い。それ以外の点では、今回の結果は、独立したサンプルを用いて以前に説明した因子構造と一致しており、これらの因子を用いた過去の研究を支持し、その継続的な臨床・研究利用を肯定するものである。
また、FASAとFASA-CRの両方で同様の結果が得られたことも注目すべき点である。最近、ファミリー・アコモデーションに関する子どもの視点を検証する研究が始まっている(Lebowitz et al.,2015;Schleider et al.,2017)。子どもがファミリー・アコモデーションを識別する能力を理解することは、治療戦略の一環としてファミリー・アコモデーションを減らすことを目的とする介入にとって重要であると考えられる。同様に、親が自身のファミリー・アコモデーションについて報告することは、不正確さおよび/またはバイアスに左右される可能性がある。例えば、親は子供の反応の一部を形成する不安の役割を認識しておらず、ファミリー・アコモデーションの過小評価につながる可能性がある。逆に、子供がファミリー・アコモデーションを要求していなくても、子供の苦痛を回避するために親が行動を変えることがあり、親がファミリー・アコモデーションレベルを過大評価することにつながる。多情報の視点を統合することで、これらの問題の研究を進めることができ、FASAとFASA-CRの並列因子構造は、そのような統合を促進することができる。
FASAとFASA-CRの収束的妥当性試験と弁別的妥当性試験の結果は、有望であった。母親と子どものアコモデーションの評価は、子どもの不安症状の評価と有意な相関があった。特に、FASA-CRの得点は、子どもと親の両方からの子どもの不安の評価と相関し、FASAの得点は、親が評価した子どもの不安と相関したが、子どもが評価した子どもの不安とは相関がなかった。これらの知見は、複数の情報による評価を統合することの重要性をさらに強調するものであるが、このパターンが単に、子どもの不安に関する子どもと親の評価の間に一般的に見られる全体的に緩やかな関連性を反映しているか、あるいは、親と子どもがアコモデーションを評価する方法におけるより意味のある差異であるかを決定するための追加研究が必要である。
ファミリー・アコモデーションと子どもの不安評価の間には、ファミリー・アコモデーションと子どものうつ病の間よりも有意に強い相関があり、尺度の弁別的妥当性を支持するものである。FASA得点は、子どものCDI得点と有意な相関を示さなかった。FASA-CR得点は、子どものCDI得点とわずかな相関を示したが、子どもの不安との相関は有意に強かった。FASA-CRスコアではなく、FASAスコアは母親の育児ストレスとも有意な相関を示し、FASAと関連する親変数の間の収束を示す最初の証拠となった。親が評価したアコモデーションのみが育児ストレスと有意に相関するという知見は、情報提供者間の分散に起因するものである可能性がある。また、育児ストレスに最も寄与する適応は、親にとって最も顕著であり、子どもにとって最も顕著な適応とは異なる可能性がある。
また、今回、初めて試験-再試験の信頼性を測定した。一般的に知られているように、信頼性は青年や親よりも幼い子どもで低かった(Cicchetti, 1999; Silverman & Eisen, 1992)。FASA-CRは有用な情報を提供するが、幼児を縦断的に評価する場合、親の報告を含めることが特に重要であろう。全体的に満足できる信頼性は、治療に関連した変化に関する研究が現れる中で重要である(Kagan et al.、2016)。
本研究にはいくつかの限界がある。サンプルは人種や民族が比較的均一であり、社会経済的地位が比較的高く、結果の一般化可能性を制限する可能性がある。より多様なサンプルを用いた研究が必要である。保護者の参加者は、過去のアコモデーションと子どもの不安に関する研究の多くと同様に、ほぼ全員が母親であった(McLeod, Wood, & Weisz, 2007; Wood, McLeod, Sigman, Hwang, & Chu, 2003)。最後に、電話による再試験の収集は結果に影響を与えるかもしれないが、対面式と電話式で収集した再試験データの比較は良好であることが研究で示されている(例:Pinto-Meza et al.、2005)。
これらの限界にもかかわらず、この研究は重要な新情報を提供している。探索的な分析、小さなサンプルサイズから、サイズの大きなサンプルでの確認的な分析に移行することは、ファミリー・アコモデーションの研究において重要なマイルストーンとなるものである。
依存に詳しい国立病院機構久里浜医療センター(神奈川県)の樋口進名誉院長は「ゲーム障害とギャンブル依存が重なったような子がいる」として、依存性の高いゲームについて周知と対策の強化が必要と話している。
根本的な治療法はないものの、例えばうつ病を合併していれば薬物治療が行われる。
デジタル・デトックスとやらは止めたのだろうか。
一方で、eスポーツを語る上で切っても切り離せないのが、昨今深刻化しているゲーム障害。ゲームの利用時間などをコントロールできなくなり、日常生活に支障が出る病気で、19年にWHO(世界保健機関)が新たな病気として、国際疾病分類に加えた。
これに対し、群馬県では、北米教育eスポーツ連盟日本本部(NASEF JAPAN)と連携し、ゲーム障害対策を行っている。その一つが「NASEF G.A.M.E.R.S」。成長(Growth)、運動(Activity)、思考力(Mind)、身の回り(Environment)、人間関係(Relationships)、栄養(Sustenance)の頭文字から名付けた心身の健康のためのチェックシートで、トッププレーヤーを目指すからこそ、学校の課題や睡眠といった日々の生活の重要性を訴えている。このチェックシートを県のホームページに掲載するほか、県内高校や大会などで配布し、周知徹底を図っている。