01 / 読書ガイド
読書ガイド
引用
Field, A. (2024). Discovering Statistics Using IBM SPSS Statistics (6th ed.). SAGE Publications.
章の要約
第6版は22章からなり、1,144ページである。SAGE は本書を、ユーモアと段階的な指導を組み合わせ、最初の理論から回帰、因子分析、マルチレベルモデリングまでを進み、著者の風変わりな例と活動で統計と SPSS を生き生きと見せるものと説明している。挙げられている特徴は、分野を問わない柔軟な範囲、実データの分析、よくある誤解や誤りの強調、動画、事例研究、データセット、テストバンクからなる刷新されたオンライン資料である。本書は IBM SPSS Statistics の幅広いバージョンに対応する。内容は5つの段階に分かれる。基礎、ソフトウェア、線形モデルと平均の比較、多変量・カテゴリカルな手法、そしてマルチレベルモデルである。
第1–3章：Why is my evil lecturer forcing me to learn statistics?（なぜ意地悪な講師は私に統計を学ばせるのか）／The SPINE of statistics（統計学の背骨）／The phoenix of statistics（統計学の不死鳥）
第1章は研究のプロセスを扱う。最初の観察、理論と仮説、測定、研究デザイン、データの報告である。第2章は、SPINE という語呂合わせを軸に統計モデルを組み立てる。標準誤差、パラメータ、（信頼）区間、帰無仮説有意性検定、そして推定である。第3章は帰無仮説有意性検定の問題点を取り上げ、それを科学全体の問題の中に位置づける。「A phoenix from the EMBERS」という節が、分別（sense）、事前登録とオープンサイエンス、効果量、ベイズ的アプローチの各節へつながる。
第4–6章：The IBM SPSS Statistics environment（IBM SPSS Statistics の環境）／Data Visualisation（データの可視化）／The beast of bias（バイアスという怪物）
第4章はソフトウェアを紹介する。バージョン、データエディタ、データの取り込み、ビューア、シンタックスエディタ、拡張機能である。第5章はチャートビルダーによる作図を、ヒストグラムや箱ひげ図から誤差バー、散布図まで教える。第6章はバイアス、外れ値、線形モデルの仮定、そしてその違反の検出と軽減を扱う。
第7–9章：Non-parametric models（ノンパラメトリックモデル）／Correlation（相関）／The Linear Model (Regression)（線形モデル（回帰））
第7章は、2つまたは複数の独立・対応する群のための順位に基づく検定を示す。第8章は二変量相関、偏相関、半偏相関を扱い、第9章は1つおよび複数の予測変数をもつ線形モデルを導入し、標本サイズ、ロバスト回帰、ベイズ回帰の節がある。線形モデルは以降の章の土台である。
第10–11章：Comparing two means（2つの平均の比較）／Moderation and Mediation（調整と媒介）
第10章は線形モデルにおけるカテゴリカルな予測変数を導入し、続いて独立および対応する平均のための t 検定を扱う。第11章は交互作用と媒介を、PROCESS ツールを用いて扱う。
第12–16章：GLM 1 から GLM 5
5つの章が、モデルをカテゴリカルな予測変数へと拡張する。複数の独立した平均の比較（対比と事後比較を含む）、共分散分析、要因計画、反復測定計画、混合計画である。そのうち複数の章にロバストな方法やベイズ的な代替法が含まれ、大半の章が効果量と結果の報告を扱う。
第17–18章：Multivariate analysis of variance (MANOVA)（多変量分散分析）／Exploratory factor analysis（探索的因子分析）
第17章は行列、MANOVA の理論、そしてフォローアップの判別分析を導入する。第18章は因子分析を扱い、信頼性分析も含む。
第19–22章：Categorical outcomes: chi-square and loglinear analysis（カテゴリカルな結果：カイ二乗と対数線形分析）／Categorical outcomes: logistic regression（カテゴリカルな結果：ロジスティック回帰）／Multilevel linear models（マルチレベル線形モデル）／Epilogue（エピローグ）
第19・20章はカテゴリカルな結果を扱い、カイ二乗と対数線形分析から二項・多項ロジスティック回帰までを含む。第21章は階層的データ、マルチレベルモデル、成長モデルを扱う。第22章はエピローグである。
主要概念
第1–3章：基礎
- 統計学の SPINE：標準誤差、パラメータ、区間、帰無仮説有意性検定。モデルに基づく推測の核心。
- NHST の問題点：効果量、オープンサイエンス、ベイズ的アプローチの動機となる批判。
- 効果量とベイズ因子：有意性検定とともに、またはその代わりに報告される。
第4–9章：ソフトウェア、仮定、線形モデル
- バイアスと仮定：外れ値、正規性、線形性、等分散性、独立性。
- ノンパラメトリック検定：仮定が満たされないときの代替。
- 線形モデル：1つまたは複数の予測変数をもつ回帰で、後の章の土台として教えられる。
第10–22章：平均の比較、多変量手法、マルチレベルモデル
- 一般線形モデル：t 検定、分散分析、共分散分析、反復測定計画が、1つのモデルの変種として示される。
- 調整と媒介：交互作用と間接効果。
- 多変量・カテゴリカルな手法：MANOVA、因子分析、カイ二乗、対数線形モデル、ロジスティックモデル。
- マルチレベルモデル：階層的データと成長の分析。
批判的分析
長所
- 線形モデルの統一的な見方。 第9章が回帰を示し、第10章が2つの平均の比較に進み、GLM 1 から GLM 5 と題された第12–16章が同じ考え方を分散分析の計画に拡張する。そのため多くの検定が、無関係な手順の寄せ集めではなく、1つのモデルの変種として現れる。
- 有意性検定の限界の率直な扱い。 NHST の問題、効果量、事前登録、ベイズ的アプローチについての1章と、後の章のロバストおよびベイズ的な節が、学生を現在の実践に備えさせる。
- 実用的な報告の指針。 多くの分析章に結果の報告の仕方の節があり、実験レポートや卒業論文を支える。
- 1冊での幅広い範囲。 本書は基本的な研究デザインから MANOVA、因子分析、マルチレベルモデルまで進むので、1冊で複数の授業に使える。出版社は、柔軟な範囲、実データ、よくある誤解と誤りを強調している。
短所
- SPSS に結びついている。 ソフトウェアは題名にも多くの節見出しにも現れる。R、jamovi など他のソフトウェアを使う学生は、概念は使えるが操作手順は使えない。
- 分量。 1,144ページは1つの授業をはるかに超えるので、選択した経路で読むべきである。
- 扱われない手法。 目次には共分散構造分析、時系列、生存分析の章がなく、分野によっては他の資料が必要になる。
コースにおける位置づけ
Field の本は、このリストの中で実践的でソフトウェアに基づく統計のテキストである。Reidy と Dancey の Statistics without Maths for Psychology も SPSS を使い、論理を数式ではなく言葉と図で説明するので、最もやさしい道を求める学生に向く。Field の目次は因子分析、ロジスティック回帰、マルチレベルモデルに及び、これは他方の説明には挙げられていない。
研究デザインについては、Jhangiani らの無料の Research Methods in Psychology と Morling の Research Methods in Psychology が、研究の設計と解釈の仕方を教え、Field の第1–3章と組み合わせられる。Maxwell、Delaney、Kelley の Designing Experiments and Analyzing Data はモデル比較による分散分析の大学院向けの扱いで、第12–16章の後に進むのによい。McElreath の Statistical Rethinking は R と Stan によるベイズのコースで、Field の第3章で紹介されるベイズ的アプローチから自然に続く。
本書の使い方
心理学や社会科学で SPSS を使って分析を行い報告する必要がある、学部生から大学院生までの学生に向く。出版社は前提条件を挙げていない。
無理のない経路は、基礎、ソフトウェア、仮定のための第1–6章、続いて相関、回帰、2つの平均の比較のための第8–10章である。第12–14章で学部レベルの分散分析の大半をカバーし、反復測定計画と混合計画が出てくるときに第15・16章を加える。第11章と第17–21章は上級の授業やプロジェクト向けで、必要に応じて取り上げる。
キーボードを使って学ぶこと。データセットと刷新されたオンライン資料を使い、分析を繰り返し、報告の節に従って各結果を書く。クリックの手順ではなく考え方については、SPINE と EMBERS の章は読み直す価値がある。