論文の概要: From Structural Equation Modelling to Double Machine Learning: Robustness Analysis for Survey-Based Research

• arxiv url: http://arxiv.org/abs/2607.00512v1
• Date: Wed, 01 Jul 2026 06:46:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-02 19:56:07.764872
• Title: From Structural Equation Modelling to Double Machine Learning: Robustness Analysis for Survey-Based Research
• Title（参考訳）: 構造方程式モデリングからダブル機械学習へ:サーベイベース研究のためのロバストネス分析
• Abstract要約: 構造方程式モデリング(SEM)は、調査に基づくビジネスと情報システムの研究で広く用いられている。 本研究では、SEM、通常最小二乗(OLS)回帰、Double Machine Learning(DML)を接続するステージドロバストネス分析フレームワークを開発し、実証する。 その結果、SEM、OLS、DMLスタイルのチェックでどの関係が安定しているかがわかり、より慎重に解釈する必要がある。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Structural equation modelling (SEM) is widely used in survey-based business and information systems research to assess latent constructs and theory-driven structural relationships. However, SEM path significance is obtained within a particular model specification and may not show whether findings remain stable under alternative estimation frameworks. This study develops and demonstrates a staged robustness analysis framework that connects SEM, ordinary least squares (OLS) regression, and Double Machine Learning (DML). SEM is first used to refine the measurement structure and estimate the robustness-baseline SEM model, in which the full theory-specified structural path system is retained for downstream robustness analysis before final structural path evaluation. OLS regression is then applied to SEM-derived construct scores as a transparent regression benchmark. Finally, DML-style residualisation is used to examine whether each tested focal relationship remains stable after flexible machine-learning-based adjustment for observed controls. Learner-sensitivity checks compare Random Forest, Gradient Boosting, and Support Vector Machine learners, and selected reverse-direction diagnostics are used to examine directional sensitivity. The framework is demonstrated using a FinTech Digital Customer Intimacy survey model. The findings identify which relationships are stable across SEM, OLS, and DML-style checks, and which require more cautious interpretation. A reproducible Google Colab workbook and generated result files are publicly available, providing a reusable template that researchers and students can adapt to other survey-based latent-construct studies. The paper contributes a practical robustness workflow and interpretation guide for survey-based researchers seeking to complement SEM with conventional and machine-learning-based robustness checks.
• Abstract（参考訳）: 構造方程式モデリング(Structure equation modelling, SEM)は、調査に基づくビジネスおよび情報システムの研究において、潜在構造と理論駆動構造関係を評価するために広く用いられている。 しかし、SEMパスの重要度は、特定のモデル仕様の中で得られ、代替推定フレームワークの下では、発見が安定しているかどうかを示さない可能性がある。 本研究では、SEM、通常最小二乗回帰(OLS)、Double Machine Learning(DML)を接続するステージドロバストネス分析フレームワークを開発し、実証する。 SEMは、まず測定構造を洗練させ、最終的な構造経路評価の前に下流のロバスト性解析のために完全な理論指定された構造経路系を保持するロバストネスベースラインSEMモデルを推定するために使用される。 OLS回帰は、透過的な回帰ベンチマークとして、SEM由来の構成スコアに適用される。 最後に、DMLスタイルの残留化を用いて、各テスト対象の焦点関係が、観察された制御に対するフレキシブルな機械学習ベースの調整後に安定しているかどうかを調べる。 学習者の感度チェックはランダムフォレスト、グラディエントブースティング、サポートベクトルマシンの学習者を比較し、選択された逆方向診断を用いて方向の感度を調べる。 このフレームワークはFinTech Digital Customer Intimacy Surveyモデルを用いて実証されている。 その結果、SEM、OLS、DMLスタイルのチェックでどの関係が安定しているかがわかり、より慎重に解釈する必要がある。 再現可能なGoogle Colabワークブックと生成された結果ファイルが公開されており、研究者や学生が他の調査ベースの潜在構造研究に適応できる再利用可能なテンプレートを提供する。 本稿では,SEMを従来型および機械学習ベースの堅牢性チェックで補完しようとする調査ベースの研究者に対して,実用的なロバストネスワークフローと解釈ガイドを提供する。

関連論文リスト

• I-SAFE: Wasserstein Coherence Metrics for Structural Auditing of Scientific AI Models [5.562984399879219]
  我々は、科学AIモデルのためのtextscI-SAFE(Interventional Secure, Accurate, Fair and Explainable)フレームワークを紹介する。 textscI-SAFEは、入力の構造的誘導摂動の下で生モデル出力を評価する。 Davis kinase ベンチマークを用いて,薬物-標的相互作用(DTI)予測におけるtextscI-SAFE のインスタンス化を行う。
  論文  参考訳（メタデータ） (2026-05-20T20:44:30Z)
• K-Models: a Flexible and Interpretable Method for Ordinal Clustering with Application to Antigen-Antibody Interaction Profiles [65.21921642886367]
  K-Modelsは、順序的制約を統合し、観察された機能プロファイルを生成するランダムプロセスの基本的な要素を推定する新しいフレームワークである。 提案手法はシミュレーションと実世界の応用を通して評価する。
  論文  参考訳（メタデータ） (2026-05-14T13:35:44Z)
• PRIM: Meta-Learned Bayesian Root Cause Analysis [6.537088094470879]
  PRIM (Prior-fitted Root cause Identification with Meta-learning) は因果メタラーニング手法である。 PRIMは、ベースラインと異常周期の間のデータ生成機構の変化を暗黙的に識別する。 明示的な統計的テストなしで分布差を推測し、テスト時にモデルフィッティングなしで因果構造を暗黙的に学習する。
  論文  参考訳（メタデータ） (2026-05-09T08:14:09Z)
• On the Robustness of LLM-Based Dense Retrievers: A Systematic Analysis of Generalizability and Stability [25.692340232648366]
  我々は、最先端のオープンソースLLMベースの高密度レトリバーの堅牢性に関する最初の体系的研究について述べる。 一般化のために,30のデータセットにまたがる4つのベンチマークの検索効率を評価する。 安定のために、意図しないクエリのバリエーションと悪意のある攻撃に対するモデルレジリエンスを評価する。
  論文  参考訳（メタデータ） (2026-04-17T13:02:29Z)
• MaP: A Unified Framework for Reliable Evaluation of Pre-training Dynamics [72.00014675808228]
  大規模言語モデルの不安定性評価プロセスは、真の学習力学を曖昧にする。 textbfMaPは、アンダーラインMergingアンダーラインとアンダーラインPass@kメトリックを統合するフレームワークです。 実験により、MaPはよりスムーズな性能曲線を示し、ラン間分散を低減し、より一貫性のあるランキングを保証する。
  論文  参考訳（メタデータ） (2025-10-10T11:40:27Z)
• SHAP-Guided Regularization in Machine Learning Models [1.0515439489916734]
  本稿では,特徴量制約をモデルトレーニングに組み込んだSHAP誘導正規化フレームワークを提案する。 提案手法は, アントロピーに基づくペナルティを応用し, スパース, 集中した特徴属性の促進と, 試料間の安定性の促進を図った。
  論文  参考訳（メタデータ） (2025-07-31T15:45:38Z)
• Interpretable Credit Default Prediction with Ensemble Learning and SHAP [3.948008559977866]
  本研究では、信用デフォルト予測の問題に焦点をあて、機械学習に基づくモデリングフレームワークを構築し、様々な主流分類アルゴリズムの比較実験を行う。 その結果、アンサンブル学習法は、特に特徴とデータ不均衡問題の間の複雑な非線形関係を扱う際に、予測性能に明らかな利点があることが示唆された。 外部クレジットスコア変数はモデル決定において主要な役割を担い、モデルの解釈可能性と実用的な応用価値を改善するのに役立ちます。
  論文  参考訳（メタデータ） (2025-05-27T07:23:22Z)
• Model-free Methods for Event History Analysis and Efficient Adjustment (PhD Thesis) [55.2480439325792]
  この論文は、モデルフリーの観点から統一された統計学への独立した貢献のシリーズである。 第1章では、機械学習から予測技術を活用する柔軟なメソッドを定式化するために、モデルフリーの視点をどのように利用できるか、詳しく説明している。 第2章では、あるプロセスの進化が他のプロセスに直接影響されるかどうかを記述した地域独立の概念を研究している。
  論文  参考訳（メタデータ） (2025-02-11T19:24:09Z)
• StructTest: Benchmarking LLMs' Reasoning through Compositional Structured Outputs [78.84060166851805]
  StructTestは、大規模な言語モデル(LLM)を合成命令に従って構造化出力を生成する能力に基づいて評価する、新しいベンチマークである。 評価はルールベースの評価器を用いて決定的に行われ、新しいタスクやデータセットに容易に拡張できる。 StructTestは、Deepseek-V3/R1やGPT-4oといったトップパフォーマンスモデルでも、依然として難しいままです。
  論文  参考訳（メタデータ） (2024-12-23T22:08:40Z)
• Geometric Deep Learning for Structure-Based Drug Design: A Survey [83.87489798671155]
  構造に基づく薬物設計(SBDD)は、タンパク質の3次元幾何学を利用して、潜在的な薬物候補を特定する。 近年の幾何学的深層学習の進歩は、3次元幾何学的データを効果的に統合・処理し、この分野を前進させてきた。
  論文  参考訳（メタデータ） (2023-06-20T14:21:58Z)
• Incorporating Domain Knowledge in Deep Neural Networks for Discrete Choice Models [0.5801044612920815]
  本稿では,DCMにおけるデータ駆動型アプローチの可能性を拡張するフレームワークを提案する。 これには、必要な関係を表す擬似データサンプルと、その実現度を測定する損失関数が含まれる。 ケーススタディは、このフレームワークの個別選択分析の可能性を示している。
  論文  参考訳（メタデータ） (2023-05-30T12:53:55Z)
• Variable Importance Matching for Causal Inference [73.25504313552516]
  これらの目標を達成するためのModel-to-Matchと呼ばれる一般的なフレームワークについて説明する。 Model-to-Matchは、距離メートル法を構築するために変数重要度測定を使用する。 LASSO を用いて Model-to-Match フレームワークを運用する。
  論文  参考訳（メタデータ） (2023-02-23T00:43:03Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。