■　独立データ（非重複データ）は推定法によらず同一な結果をもたらし、元データに一致した.独立データを図式した段階で、ｍが抑制、阻止の２面性をもつことがわかったが、それを数的に表し、元データと一致するか調べたい.

■　交互作用に工夫をしてみる.ｍの曝露データを　ｍ、ｍ１、ｍ２　と名を変え、複写し追加、中身は皆ｍなのだが.単独なｍ、生起因子と重複するｍ１、抑制因子とも重複するｍ２ として別々の因子のようにモデルを組む.

　　　　×　t + m + tm + tms ＋・・・　ｍは、ばらついた区間をもつ１値
　　　　○　t + m + tm1 + tm2s ＋・・・単独、tへの効果　tsへの効果 ；違った値をもつ

　発散しがちなので一部のｇについてモデル化する.
　その結果、ｍは生起的、ｍ１は生起に対して抑制的、ｍ２は抑制に対して阻止的とわかり（３面性）、それらに対応する独立データｇの推定値と、パラレルになる.r-sqやres-devなども改善.

*１因子１係数の前提でばかりモデル化したのでは、どうにもならないが独立データｇの特徴から別名推定すると相異なる推定値が得られる.

■　複雑な交互作用を持つ場合を想定した推定
　今までの試行からデータ処理するためのステップが考えられて、
　　　　　　　　 　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　 　　　
　　cludeな傾向 層化*　独立データｇ化　←→　データ再現性検討： 別名推定　　　
　　　　　　　　　　　　　　⤵　　　　　　　　　　　↑　　　　　　　　　　　　
　　　　　　↓　　①　　　　　⤵　
　　モデリングによる推定　→　  ②　　→　 交互作用モデル　　　　　
　　　　　　　　　　　　　　　　　　　　　　　　　　　　* 検定するんじゃないぞ
　　　　①　生起、抑制因子が判明
　　　　②　阻止ほか複雑な影響ある因子に目星
　　　　　　　～　ある程度の数の因子を一斉に回帰分析してみることができる

・いいかえれば、
　Ⅰ　元データから線形独立なモデリング(g)lmを実行し因子を見極めていく方向
と、
　Ⅱ　独立データ化して差分を調べていく方向
の２通りの方法がある.

Ⅰ　多くの因子を入れて推定し、各係数の標準誤差の大きさを観察する　別記事詳細
　交互モデルで推定することで、膨大な組み合わせとなる試行を削減する.
　また、さらに別名推定することで複雑因子を量的に調べ、独立データの率を再現するかを検討できる.

　図　lm系で推定、結果から係数安定度のとびぬけた値↓を調べる

Ⅱ　独立データのｇ推定から行う方法
　まず各独立ｇの係数（率）を羅列、mstpとmtpの係数差を取る；Δβｓになる
　ついで、他のｇからもsについてのΔβｓを取る（下図、左式上）

　ｓについていえば、Δβｓのうちの最大から最小を差し引き、幅を出し、それらの平均で割る（下図、右式）.
　　　　

　ｔほか因子についてもこれを繰り返し、各因子の取りえた係数の最大最小幅が、それらの平均に対して大きいか小さいかを測る.これが著しく大きければ、生起性がありかつ抑制性ももつなど異なった性質を持つ因子である可能性がみえる.また、右式を因子についてよく見れば阻止効果にも気づける.
　このようにして、ｍについて多面性を想定した別名推定を行える.

・独立ｇの係数の比較は、Δβの観察の段階で、生起、抑制の見当をつけることができ、阻止等の性質も現れる.Ⅰでもかなりの傾向は知れる.層化の煩わしい操作から逃れる方法とすら思える.

■　生起、抑制をみつけ、それ以外の効果を持つかもしれない因子に注目して、別名推定・交互作用を試し、はずれ数の少ない、データをそこそこ再現できるモデルかを確かめる流れ.
　因果関係のあてが付くなら予測子を関係式にして発生を再現できるか試すことになる.