家族研究における探索的分析のための監視下機械学習

要旨 目的 本論文は、透明かつ体系的な方法で探索的かつ発見志向の家族研究を行うための監視下機械学習（ML）を紹介します。 背景 監視下MLは、多数の変数を同時に検討し、重要な予測因子を特定し、予測因子間のパターンを探ることができるアプローチであり、家族研究において理論的特異性の欠如や無指導の探索的分析の普及に関する懸念に対処するのに役立つ可能性があります。 方法 監視下MLの概要に続いて、例として全国青年健康長期研究（Add Health）データセットを用いて、I～IV波（N = 5114人の青年、女性50.53%、平均年齢= 15.94、標準偏差= 1.77、I波時）の分析が行われました。 Add Healthデータを使用した143本の論文から、8つの領域（例：社会経済、育児、健康）における62の青年家族変数が、若年成人（24～32歳）の教育達成の予測因子として特定されました。 ベンチマーク回帰モデルに続いて、Lasso回帰、意思決定木、ランダムフォレスト、極限勾配ブースティングを用いてMLモデルが訓練され、これらは訓練データとは別にテストされ、SHapley Additive exPlanationsを通じて解釈されました。 結果 ランダムフォレストモデルが最も高いパフォーマンスを示しました（全予測因子を用いたモデルのR^2 = .382）：教育達成の重要な予測因子として14の変数が特定されました。 これらの予測因子間におけるパターン、すなわち方向性、非線形性、相互作用が現れました。 結論 監視下ML研究は、さらなる確認分析を知らせ、理論を進展させるために利用できます。