構造方程式モデリング（SEM／共分散構造分析）とは｜パス解析でKPIの波及効果を可視化する

01.結論：SEMのパス図でKPIの波及効果を数値化する

「ある施策や機能の変更が、他のKPIにどう波及するか」を議論するとき、多くの現場では担当者ごとの経験則やKPIツリーのような階層図に頼りがちです。KPIツリーは「KGIを構成要素に分解する」には向きますが、KPI同士が双方向・多対多で影響し合う関係（MAUが有料転換率にも売上にも効く、利用時間も有料転換率に効く、といった重なり）を表すのは苦手です。

この重なり合った影響関係を、仮説として矢印で結び、実データから矢印1本ごとの影響の強さ（パス係数）を推定するのが、構造方程式モデリング（SEM）のなかのパス解析です。推定結果はそのまま有向グラフとして描けるので、「Aを強化するとB・C・Dにこれだけ波及する」を、社内の共通言語にできます。以降、この作り方と実装、注意点を順に見ていきます。

02.構造方程式モデリング（SEM）とは

構造方程式モデリング（Structural Equation Modeling、以下SEM）は、重回帰分析・因子分析・パス解析の機能を併せ持つ統合的な統計手法です。日本語では共分散構造分析とも呼ばれ、マーケティングリサーチの文脈ではこちらの呼び名の方がよく使われます。どちらも同じ手法を指す別名だと考えて問題ありません。

重回帰分析との一番の違いは、「結果」が1つに限られない点です。重回帰分析は「複数の説明変数 → 1つの目的変数」という一方向の式しか扱えませんが、SEMは「MAU → 有料転換率 → 売上」のように、ある変数が別の式では説明変数にも目的変数にもなる、連鎖した関係を1つのモデルとしてまとめて推定できます。この連鎖の部分だけを取り出したものが、本記事で中心的に扱うパス解析です。

03.因子分析とパス解析の違い

SEMを学ぶとき、多くの人が最初につまずくのが「因子分析とパス解析、結局どちらを使えばいいのか」という点です。この2つは目的が異なります。

本記事のテーマである「機能Aを強化するとB・C・Dに波及する」を可視化する用途では、MAUや売上のようにそのまま測定できる観測変数だけを使うパス解析で十分なケースがほとんどです。「潜在変数を使って、目に見えない概念（顧客満足度・ブランド力など）を数値化したい」場合は、因子分析まで含めたフルSEMが必要になりますが、これは今回のテーマとは別の問いに答える手法です。

因子分析そのものや、主成分分析との使い分けについては、以下の記事で基礎から整理しています。

04.作り方の5ステップ

パス解析でKPIの波及効果図を作る流れは、次の5ステップです。

ポイントは、ステップ1の「仮説となるパス図を先に決める」という部分です。SEMは、データから自動的に構造を発見する手法ではなく、分析者が立てた仮説構造の上で、係数の大きさを検証する手法です。この前提は、後述する「注意点と限界」でもう一度取り上げます。

05.Rのlavaanで実装する

Rでパス解析・SEMを行う定番パッケージが、無料で使えるlavaanです。ここでは、架空のKPIデータ（新機能の利用率・MAU・平均利用時間・有料転換率・売上の日次データ）を例に、モデルを書いて推定するところまでを見ます。

install.packages("lavaan")  # 初回のみ
library(lavaan)

# kpi_daily: new_feature, mau, engagement, paid_rate, revenue を
# 日次で並べたデータフレーム（すべて数値・標準化前でよい）

model <- '
  mau        ~ new_feature
  engagement ~ new_feature
  paid_rate  ~ mau + engagement
  revenue    ~ mau + paid_rate
'

fit <- sem(model, data = kpi_daily)

summary(fit, fit.measures = TRUE, standardized = TRUE)

~ は「左辺が右辺から影響を受ける」ことを表すlavaan独自の記法です。mau ~ new_feature は「MAUは新機能の利用率から影響を受ける」という1本の矢印を意味し、複数の矢印をまとめて書くとパス図全体になります。summary() に fit.measures = TRUE を渡すと、後述する適合度指標が、standardized = TRUE を渡すと標準化されたパス係数（後述するシミュレーターと同じ「標準偏差（SD）単位」の係数）がまとめて出力されます。

06.Pythonのsemopyで実装する

Pythonでは、同じことをsemopyで実装できます。モデル式の書き方はlavaanとほぼ同じで、pandasのDataFrameをそのまま渡せます。

# pip install semopy

import pandas as pd
import semopy

df = pd.read_csv("kpi_daily.csv")  # new_feature, mau, engagement, paid_rate, revenue 列を持つ

model_desc = """
mau        ~ new_feature
engagement ~ new_feature
paid_rate  ~ mau + engagement
revenue    ~ mau + paid_rate
"""

model = semopy.Model(model_desc)
model.fit(df)

print(model.inspect())          # パス係数・標準誤差・p値の一覧
print(semopy.calc_stats(model))  # CFI・RMSEAなどの適合度指標

model.inspect() でパス係数（Estimate）・標準誤差・p値が、semopy.calc_stats(model) で適合度指標がまとめて確認できます。既存の分析基盤がPython中心のチームは、この時点で追加の言語を持ち込まずに済みます。

適合度指標の目安は、Hu & Bentler（1999）に基づく一般的なカットオフ基準として、次の4つを押さえておけば十分です。CFI・TLIは数値が大きいほど良く、RMSEA・SRMRは数値が小さいほど良い、と向きが逆になる点に注意してください。1つの指標だけで判断せず、4つをまとめて確認し、全部が目安を満たしていれば当てはまりが良いモデルと判断します（後述のシミュレーターでは、プリセットごとにこの4つを実際にチェックできます）。

07.触って理解する｜KPI波及効果シミュレーター

数式だけだとイメージがつかみにくいので、架空のKPIパス図で実際に触って確認できるシミュレーターを用意しました。サブスクアプリ・マッチングアプリ・メディアサイトの3業種を切り替えられ、上部のランキングで「最終成果指標に一番効くKPIはどれか」を即座に確認できます。さらにノードをクリックすると、そこから下流のKPIへの総合効果（直接効果＋間接効果）が、経路ごとの内訳つきで表示されます。プリセットの下部には、前章の適合度4指標をそのプリセットの数値でチェックした一覧も表示されます。パス係数の数値を直接編集したり、矢印そのものを外して「パス図の構造（仮説）を変えたら波及はどうなるか」を試したりもできます。実装後には「予測 vs 実測」を比較する検証ツールも使えます（使い方は次の章で説明します）。

「サブスクアプリの例」を使って、起点を変えたときの計算のされ方を実際に見てみましょう。

ケース1: MAUを起点にした場合

• 直接効果: MAU→売上の矢印1本＝0.58
• 間接効果: MAU→有料転換率→売上を経由する分＝0.18 × 0.46 =0.083
• 総合効果（直接効果＋間接効果）: 0.58 + 0.083 =0.663（ランキング1位の数値と一致）

ケース2: 新機能の利用率を起点にした場合

• 経路1: 新機能の利用率→MAU→売上＝0.42 × 0.58 = 0.2436
• 経路2: 新機能の利用率→MAU→有料転換率→売上＝0.42 × 0.18 × 0.46 = 0.0348
• 経路3: 新機能の利用率→平均利用時間→有料転換率→売上＝0.35 × 0.31 × 0.46 = 0.0499
• 総合効果（3経路の合計）: 0.2436 + 0.0348 + 0.0499 = 0.3283 ≒ 0.328（シミュレーターは小数第3位までの表示です。「新機能の利用率→売上」への直接の矢印はモデル上に無いため、この3経路はすべて間接効果です。直接効果はありません）

2つのケースを比べると、MAU（0.663）の方が新機能の利用率（0.328）より売上への総合効果が大きいことが分かります。MAUは売上への直接効果に加えて有料転換率を経由する間接効果も持つため、波及の総量が大きくなるからです。この「経路をすべて洗い出し、経路上の係数を掛け算し、それを足し合わせる」という手順が、パス解析における「総合効果＝直接効果＋間接効果」の考え方そのものです。R（lavaan）でも、パスにラベルを付けて（例: mau ~ a*new_feature）:= 演算子で間接効果を定義すれば（例: indirect := a*b）、同じ数値を自動計算させることもできます。

08.実装後、本当に効果があったか検証する

パス図が完成したら、それを使って「新機能を実装したら本当に効果があったか」を検証するフェーズに進みます。SEMのパス係数はあくまで過去データにおける相関構造から推定した数値であり、「この機能を実装すれば必ずこれだけ効く」という保証ではありません。実装後の検証には、確実さが異なる3つの方法があります。

③の考え方を、上のシミュレーターで試してみましょう。「サブスクアプリの例」で起点を「新機能の利用率」に選ぶと、売上への総合効果は0.328（SD単位）でした。これは「新機能の利用率がリリース前の標準偏差1つ分だけ動けば、売上も0.328標準偏差分だけ動くはず」というモデル上の予測を意味します。実装後、シミュレーターの「実装後、本当に効果があったか検証する（予測 vs 実測）」に、実装前の売上の平均・標準偏差と、実装後の売上の実測平均を入力すると、この予測値と実測値の差を自動計算できます。

• 実測値が予測値とほぼ一致：パス図の相関構造が、この施策についても実際の変化と整合していたことを示唆します（ただし、これは相関構造が再現されたという傍証にとどまり、それ自体が因果効果の証明にはなりません）。
• 実測値が予測値を大きく上回る：新機能そのもの以外の要因（同時期の別施策、季節要因、外部環境の変化など）が重なっている可能性があります。
• 実測値が予測値を大きく下回る：新機能の効果が理論値より小さいか、他の要因によって効果が相殺されている可能性があります。パス図の仮説自体を見直す材料にもなります。

09.注意点と限界

SEMは強力ですが、万能ではありません。実務で使う前に、次の点を押さえておいてください。

特に「相関であって因果ではない」という点は見落とされがちです。パス解析はあくまで相関構造の分解であり、「Aを強化すればBが上がる」という因果の証明にはなりません。「相関と因果を混同しない」考え方の基礎は、以下の記事で詳しく整理しています。

10.よくある質問（FAQ）

11.まとめ

構造方程式モデリング（SEM、共分散構造分析）は、重回帰分析・因子分析・パス解析を組み合わせた統合手法です。今回のテーマである「Aを強化するとB・C・Dにどれだけ波及するか」を可視化する用途では、観測変数だけを使うパス解析で十分なケースがほとんどです。R（lavaan）・Python（semopy）はどちらも無料で使え、パス図の仮説を組んで係数を推定し、適合度で当てはまりを確認する、という流れは共通です。ただし、推定されるのはあくまで相関構造であり、因果の証明にはA/Bテストなど別の手続きが要ることは忘れずに扱ってください。

自社のKPIでパス図を組んでみたいものの、どの変数を仮説に含めるべきか、適合度が思うように改善しないなど、最初の一歩でつまずきやすいところです。