論文「Combining chains of Bayesian models with Markov melding」の技術的サマリー

1. 背景と問題提起

ベイズ推論の実践者にとって、複数の異質なデータソースを統合したモデルを指定することは大きな課題です。すべてのデータとパラメータを単一の結合モデル（Joint Model）として直接指定するのは困難な場合が多く、代わりに各データソースごとに独立した「部分モデル（Submodel）」を指定し、それらを結合するアプローチが望ましい場合があります。

既存の「マルコフ・メルドリング（Markov melding）」手法（Goudie et al., 2019）は、すべての部分モデルが**共通の単一量（$\phi$）を共有する場合に有効ですが、部分モデルが鎖状（チェーン構造）**に連結されている場合（例：モデル 1 と 2 が $\phi_{1\cap2}$ を共有し、モデル 2 と 3 が異なる $\phi_{2\cap3}$ を共有する構造）には適用できませんでした。また、鎖状結合においては、共通量間の事前分布の依存性を適切に捉えつつ、隣接する部分モデル間での事前分布の不一致を調整する必要があるという課題がありました。

2. 提案手法：鎖状マルコフ・メルドリング（Chained Markov Melding）

著者らは、鎖状に連結された部分モデルを結合するための汎用的な手法「鎖状マルコフ・メルドリング」を提案しました。

2.1 モデルの定式化

$M$ 個の部分モデル $p_m(\theta_m, Y_m)$ が鎖状に連結されていると仮定します。隣接するモデル $m$ と $m+1$ は共通量 $\phi_{m\cap m+1}$ を共有します。

• 共通量ベクトル: $\phi = (\phi_{1\cap2}, \dots, \phi_{M-1\cap M})$
• 部分モデル固有パラメータ: $\psi_m$

結合されたモデル（Melded Model）の事後分布は、以下の手順で構築されます。

1. 周辺置換（Marginal Replacement）:
   各部分モデルの事前分布を、共通量 $\phi$ に対する共通の「プールされた事前分布（Pooled Prior）」$p_{pool}(\phi)$ に置換します。これにより、隣接モデル間の事前分布の不一致を解消し、共通の枠組みを提供します。
   $$p_{repl,m}(\phi, \psi_m, Y_m) = p_{pool}(\phi) \frac{p_m(\phi_m, \psi_m, Y_m)}{p_m(\phi_m)}$$
   ここで、$\phi_m$ はモデル $m$ に関連する共通量の部分ベクトルです。

2. マルコフ結合（Markov Combination）:
   周辺置換された部分モデルを結合し、最終的な結合モデルを生成します。
   $$p_{meld}(\phi, \psi, Y) = p_{pool}(\phi) \prod_{m=1}^M \frac{p_m(\phi_m, \psi_m, Y_m)}{p_m(\phi_m)}$$

2.2 プールされた事前分布の構築

鎖状構造において、異なる部分モデルが異なる量（または異なる次元の量）を共有するため、従来の線形・対数プーリングの拡張が必要です。

• 対数プーリングの拡張: 各部分モデルの事前分布の積を重み付けして定義します。これにより、共通量間の依存性を保持したままプールできます。
• 線形プーリングの拡張: 隣接する共通量に対して個別に線形プーリングを行い、それらを積として結合します（ただし、これは共通量間の独立性を仮定することになるため注意が必要です）。
• 独裁的プーリング（Dictatorial Pooling）の拡張: 特定の部分モデルの事前分布を「権威ある事前分布」として採用し、他の部分についてはそれを補完する形で定義します。

2.3 事後分布の推定：多段階サンプリング

結合モデルの事後分布を直接サンプリングするのは計算コストが高く、実用的でない場合があります。そこで、鎖状構造を利用した並列多段階 MCMC サンプリングを提案しています。

• ステージ 1（並列処理）: 両端の部分モデル（例：モデル 1 とモデル 3）を独立して、それぞれのデータに基づきサンプリングします。これにより、計算負荷の高い部分モデルのサンプリングを並列化できます。
• ステージ 2（結合処理）: ステージ 1 で得られたサンプルを提案分布として使用し、メトロポリス・イン・ギブス（Metropolis-within-Gibbs）法を用いて、中間モデル（モデル 2）とプールされた事前分布を考慮した完全な結合事後分布をサンプリングします。
  • この手法により、すべての部分モデルを同時に評価する必要がなくなり、既存のソフトウェア（BUGS, Stan など）の再利用が可能になります。
  • また、サブモデルの事後分布を正規分布で近似する簡易手法も提案されています。

3. 適用事例と結果

事例 1：コノハズクの統合個体群モデル（IPM）

• 概要: 捕獲・再捕獲データ、個体数カウントデータ、繁殖データという 3 つの異なるデータソースを統合し、個体群動態（生存率、繁殖率、移入率）を推定します。
• 結果: 鎖状マルコフ・メルドリングによって得られた事後分布は、従来の統合モデル（IPM）とほぼ一致しました。特に、対数プーリングの重みを適切に設定した場合、両者は数学的に同一になります。
• 意義: 既存の統合モデルを部分モデルに分解し、再結合するプロセスとして手法の有効性を示しました。また、異なるプーリング手法（積の専門家、対数、線形）が結果に与える影響を評価しました。

事例 2：不確実なイベント時間を持つ生存分析

• 概要: ICU 患者の呼吸不全（RF）発症までの時間を分析します。RF の発症時刻は、血中酸素分圧（PaO2）と吸入酸素濃度（FiO2）の比（P/F 比）のデータから推定される「不確実な量」です。
• 構造:
  1. P/F 比サブモデル: P/F 比データから発症時刻 $T_i$ とイベント指標 $d_i$ を推定（不確実性を保持）。
  2. 生存サブモデル: 発症時刻 $T_i$ を応答変数として、生存時間をモデル化。
  3. 縦断データサブモデル: 患者の体液量データなど。
• 結果:
  • 不確実なイベント時刻を点推定（固定値）として扱う従来の手法と比較し、鎖状メルドリングを用いた場合、パラメータ推定における不確実性が適切に反映され、バイアスが軽減されました。
  • 特に、イベント時刻の不確実性（多峰性など）を無視すると、生存関数の推定が過信（Overconfident）になり、バイアスが生じることが実証されました。
  • 並列サンプリングにより、複雑な最適化問題（発症時刻の求解）を MCMC 反復内で解く必要がなくなり、計算効率が向上しました。

4. 主要な貢献

1. 鎖状構造への拡張: 共通量が単一ではなく、鎖状に連結されている場合のマルコフ・メルドリングの一般化。
2. 事前分布の調整: 異なる部分モデル間で共通量に対する事前分布が異なる場合の調整手法（プーリング関数の拡張）の提案。
3. 計算効率化: 部分モデルの特性を活かした並列多段階サンプリング手法の提案。既存のサブモデル実装やサンプラーの再利用を可能にし、大規模・複雑なモデルの構築を容易にしました。
4. 不確実性の定量化: 部分モデルから導出される量（イベント時刻など）の不確実性を、最終的な推論に完全に組み込む重要性を、実データを通じて実証しました。

5. 意義と結論

この論文は、複数の異質なデータソースを統合する際、部分モデルを「鎖」のように連結して結合する汎用的な枠組みを提供しています。従来の「点推定による結合」や「単純なメタ分析」では見逃されがちな、サブモデル間の依存関係や不確実性を、ベイズの枠組み内で厳密に扱える点が最大の特徴です。

特に、医療データ解析や生態学など、複雑な現象を複数のデータソースから理解する必要がある分野において、既存の専門的なサブモデルを再利用しつつ、統合的な推論を行うための強力なツールとして機能します。また、計算コストの削減と並列化の仕組みは、実用的な応用を大きく促進するものです。