繰り返し測定分散分析：被験者内設計による効率的な検定
繰り返し測定分散分析（Repeated Measures ANOVA）は、同一被験者が複数の処理条件を経験する実験設計で、個体差の影響を統計的に除去しながら処理効果を検定する強力な手法です。
被験者内設計の基本概念
- 被験者内要因：各被験者が全ての処理を経験
- 個体差制御：被験者間の基礎能力差を統計的に除去
- 検定力向上：誤差分散の減少により高い検定力
- 経済性：少ない被験者数で高精度な実験
Step 1: 実験計画の詳細構造
本研究の被験者内設計：
| 学生 | 方法A | 方法B | 方法C | 被験者平均 | 個体効果 |
|---|
| 1 | 75 | 78 | 82 | 78.33 | +1.83 |
| 2 | 68 | 72 | 75 | 71.67 | -4.83 |
| 3 | 80 | 83 | 85 | 82.67 | +6.17 |
| 4 | 72 | 74 | 79 | 75.00 | -1.50 |
| 5 | 77 | 80 | 84 | 80.33 | +3.83 |
| 6 | 70 | 73 | 76 | 73.00 | -3.50 |
| 処理平均 | 73.67 | 76.67 | 80.17 | 76.50 | - |
データパターンの重要な特徴
- 処理効果：A < B < C の明確な向上パターン
- 個体差：学生3が最も高いベースライン能力
- 一様性：全学生で同様の向上傾向（加法性）
- 範囲：処理効果が6.5点の範囲で変動
Step 2: 統計モデルの定式化
繰り返し測定ANOVAの加法モデル：
$Y_{ij} = \mu + \alpha_i + \beta_j + \epsilon_{ij}$
ここで：
- $Y_{ij}$：被験者$i$、処理$j$での観測値
- $\mu$：全体平均効果
- $\alpha_i$：被験者$i$の個体効果（$i = 1,2,\ldots,6$）
- $\beta_j$：処理$j$の主効果（$j = A,B,C$）
- $\epsilon_{ij}$：被験者×処理交互作用（誤差項）
制約条件：
$\sum_{i=1}^n \alpha_i = 0, \quad \sum_{j=1}^k \beta_j = 0$
Step 3: 変動分解の理論的基礎
繰り返し測定分散分析では、全変動を3つの成分に分解：
$SS_{total} = SS_{被験者} + SS_{処理} + SS_{誤差}$
各平方和の計算式：
$SS_{被験者} = k \sum_{i=1}^n (\bar{Y}_{i\cdot} - \bar{Y}_{\cdot\cdot})^2$
$SS_{処理} = n \sum_{j=1}^k (\bar{Y}_{\cdot j} - \bar{Y}_{\cdot\cdot})^2$
$SS_{誤差} = \sum_{i=1}^n \sum_{j=1}^k (Y_{ij} - \bar{Y}_{i\cdot} - \bar{Y}_{\cdot j} + \bar{Y}_{\cdot\cdot})^2$
ここで、$n = 6$（被験者数）、$k = 3$（処理数）
平方和分解の直感的理解
各平方和の意味：
- $SS_{被験者}$：被験者間の基本能力差による変動
- $SS_{処理}$：学習方法の効果による変動（主要な関心事）
- $SS_{誤差}$：被験者×処理の交互作用（残差変動）
重要なのは、被験者間変動を分離することで処理効果の検定精度が大幅に向上することです。
Step 4: 自由度の詳細計算
各変動源の自由度の理論的導出：
$df_{total} = nk - 1 = 6 \times 3 - 1 = 17$
$df_{被験者} = n - 1 = 6 - 1 = 5$
$df_{処理} = k - 1 = 3 - 1 = 2$
$df_{誤差} = (n-1)(k-1) = 5 \times 2 = 10$
自由度の確認：
$df_{total} = df_{被験者} + df_{処理} + df_{誤差} = 5 + 2 + 10 = 17 \quad ✓$
誤差自由度の理論的根拠
誤差自由度が$(n-1)(k-1)$となる理由：
- 交互作用構造：$n \times k$の交互作用項から制約を差し引く
- 被験者制約：各被験者で処理効果の合計が0
- 処理制約：各処理で被験者効果の合計が0
- 残余自由度：$nk - n - k + 1 = (n-1)(k-1)$
Step 5: 平均平方の計算と期待値理論
各平均平方の計算：
$MS_{被験者} = \frac{SS_{被験者}}{df_{被験者}} = \frac{432.00}{5} = 86.40$
$MS_{処理} = \frac{SS_{処理}}{df_{処理}} = \frac{180.00}{2} = 90.00$
$MS_{誤差} = \frac{SS_{誤差}}{df_{誤差}} = \frac{108.00}{10} = 10.80$
期待平均平方の理論：
- $E[MS_{誤差}] = \sigma^2$（被験者×処理交互作用分散）
- $E[MS_{処理}] = \sigma^2 + \frac{n\sum\beta_j^2}{k-1}$（処理効果ありの場合）
- $E[MS_{被験者}] = \sigma^2 + \frac{k\sum\alpha_i^2}{n-1}$（個体差ありの場合）
Step 6: F統計量の計算と分布理論
処理効果のF検定：
$F_{処理} = \frac{MS_{処理}}{MS_{誤差}} = \frac{90.00}{10.80} = 8.33$
帰無仮説：$H_0: \beta_A = \beta_B = \beta_C = 0$
帰無仮説の下で：$F_{処理} \sim F(2, 10)$
被験者効果のF検定（参考）：
$F_{被験者} = \frac{MS_{被験者}}{MS_{誤差}} = \frac{86.40}{10.80} = 8.00$
Step 7: 統計的有意性の判定
臨界値との比較：
| 効果 | F値 | F₀.₀₅(df1,df2) | F₀.₀₁(df1,df2) | 判定 |
|---|
| 処理 | 8.33 | F₀.₀₅(2,10) = 4.10 | F₀.₀₁(2,10) = 7.56 | 1%水準で有意 |
| 被験者 | 8.00 | F₀.₀₅(5,10) = 3.33 | F₀.₀₁(5,10) = 5.64 | 1%水準で有意 |
結果の統計的解釈
- 処理効果：F(2,10) = 8.33, p < 0.01 → 学習方法間に有意差
- 個体差：F(5,10) = 8.00, p < 0.01 → 学生間の能力差が大きい
- 設計の妥当性：個体差の除去により処理効果が明確に検出
Step 8: 効果量の計算と実践的意義
部分η²（処理効果）の計算：
$\eta^2_{partial} = \frac{SS_{処理}}{SS_{処理} + SS_{誤差}} = \frac{180.00}{180.00 + 108.00} = \frac{180.00}{288.00} = 0.625$
全体η²（処理効果）の計算：
$\eta^2_{total} = \frac{SS_{処理}}{SS_{total}} = \frac{180.00}{720.00} = 0.25$
効果サイズの解釈：
- 部分η² = 0.625：大きな効果サイズ（被験者差を除いた効果）
- 全体η² = 0.25：中程度の効果サイズ（全変動に対する割合）
- 実用的意義：学習方法の改善により平均6.5点の向上
Step 9: 多重比較による詳細分析
Bonferroni法による対比較：
$t = \frac{|\bar{Y}_{\cdot j} - \bar{Y}_{\cdot j'}|}{\sqrt{\frac{2 \times MS_{誤差}}{n}}}$
標準誤差：$SE = \sqrt{\frac{2 \times 10.80}{6}} = 1.90$
Bonferroni調整後の有意水準：$\alpha' = \frac{0.05}{3} = 0.0167$
| 比較 | 平均差 | t値 | p値 | 判定 |
|---|
| C vs A | 6.50 | 3.42 | < 0.01 | 有意 |
| C vs B | 3.50 | 1.84 | 0.095 | 有意でない |
| B vs A | 3.00 | 1.58 | 0.146 | 有意でない |
多重比較の結果解釈
厳密な多重比較では方法Cと方法Aの間のみ有意差が検出されました：
- 明確な優位性：方法Cが方法Aより平均6.5点高い
- 段階的改善：A → B → C の順での向上傾向
- 統計的慎重性：隣接する方法間では慎重な判断が必要