技術要約：死亡時の最頻年齢を推定するための確率論的枠組み

問題の定義

死亡時の最頻年齢（$M$）は、生命表における死亡分布がピークに達する年齢として定義され、死亡の高齢化（後退）を追跡するための標準的な指標である。平均余命とは異なり、若年期の死亡率には依存しない。しかし、$M$の推定は、死亡分布のピーク付近が平坦になることが多いため、困難を伴う。その結果、単一年齢の死亡数における小さなランダムな変動によって、特定された最大値が1歳以上もシフトしてしまうことがある。

既存の手法では、通常、$M$を単一の点推定値（例：パラメトリックなGompertzモデル、P-スプライン平滑化、または離散微分テストによるもの）として報告し、不確実性はブートストラップ法やデルタ法を用いて別途評価している。これらのアプローチは、データの仮説的な反復を記述する信頼区間を算出するが、隣接する年齢がデータ上でほぼ等しい支持を持つ場合があることを見いだしたり、各候補年齢に対して確率を割り当てたりすることはできない。本論文は、事後分布を推定することで、特定の年齢がモード（最頻値）である確率を直接定量化するという、手法へのニーズに対処するものである。

手法

著者らは、死亡率の不確かな情報を生命表を通じて死亡時の最頻年齢へと伝播させるベイズ的な枠組みを提案している。核心となる革新性は、最頻年齢を固定されたパラメータとしてではなく、死亡率の事後分布から導かれる確率変数として扱う点にある。

1. 最尤性と独立事前分布

モデルは、年齢 $x$ における死亡数 ($D_x$) が、死亡率 ($m_x$) と曝露量 ($E_x$) を与えられた条件の下でポアソン分布に従うと仮定する：
$$D_x | m_x \sim \text{Poisson}(m_x E_x)$$
当初、著者らは各率に対して独立なガンマ事前分布（$m_x \sim \text{Gamma}(\alpha, \beta)$）を検討した。共役性により、各率の事後分布もまたガンマ分布となる：
$$m_x | D \sim \text{Gamma}(\alpha + D_x, \beta + E_x)$$
この設定により、正確なモンテカルロ積分が可能となる。これらの事後分布から率のサンプルを抽出し、それらを生命表上の死亡数 ($d_x$) に変換して最大値を特定することで、著者らは事後分布 $P(M=x | D)$ を構築する。

2. ランダムウォーク事前分布 (RW2)

単一年齢の率はノイズが多く、また死亡率（対数スケール）は通常、年齢とともに線形に増加する（Gompertzの法則）ことを認識し、著者らは対数率 ($\eta_x = \log m_x$) に対して二次ランダムウォーク (RW2) 事前分布を導入する：
$$\eta_x - 2\eta_{x-1} + \eta_{x-2} \sim N(0, \lambda^{-1})$$
この事前分布は、隣接する年齢間の死亡率の傾きの大きな変化を罰することで、平滑化を促進し、情報の共有を効果的に行う。平滑化パラメータ $\lambda$ はラプラス近似を用いて積分され、データによって平滑化の度合いが決定されるようにしている。

3. 推定と補間

• 点推定値: 補間された最頻年齢 ($\tilde{M}$) の事後平均、中央値、およびモードが点推定値として用いられる。補間は、最頻区間とその隣接区間の生命表上の死亡数に対して放物線を適合させることで、連続的な年齢を推定する。
• 不確実性: 信頼区間は、事後サンプルの分位点から導出される。
• 計算: RW2事前分布の場合、閉形式の事後分布が存在しないため、著者らは統合ネストされたラプラス近似 (INLA) アプローチを使用する。彼らは、罰則付きフィッシャー・スコアリングを通じて対数率の事後モードを求め、精度パラメータ $\lambda$ を積分しながら、事後分布をガウス分布として近似する。

主な貢献

1. 確率論的定式化: 本論文は、最頻年齢の推定を点推定から完全な事後分布へと移行させ、特定の年齢がモードである確率を提供している。
2. 厳密かつ近似的な推論: 独立事前分布による厳密な解と、より堅牢なRW2事前分布による計算効率の高いラプラス近似の両方を提供している。
3. 不確実性の補間: 生命表変換を通じて不確実性を伝播させ、すべての事後サンプルに対して一貫した補間スキーム（Kannisto, 2001）を適用することで、連続的な最頻年齢を推定する。
4. 局所モード分析: 本フレームワークは、局所モードの事後確率を計算することを可能にし、死亡スケジュール（mortality schedule）の「粗さ」に関する洞察を与える。

結果

シミュレーション研究

著者らは、Gompertz分布の混合分布を用いたシミュレーションデータを用いて、提案手法（RW2事後平均）をGompertz、P-スプライン、および離散微分テスト (DDT) の推定値と比較した。

• 精度: 単峰性のシナリオにおいて、RW2の事後平均は、独立事前分布の下での事後平均と比較して、1.4倍から10.6倍高い精度（平均絶対誤差において）を示した。
• 他の推定手法との比較:
  • 単峰分布では、RW2、P-スプライン、およびGompertzの推定はいずれも非常に高精度であったが、RW2は補間バイアスによりわずかに誤差が大きかった。
  • 二次的なピーク（サブポピュレーションを表す）を持つ分布では、Gompertzモデルは深刻なバイアス（誤設定）が生じたが、RW2の事後平均は比較的正確さを維持した。多峰性のケースでは、P-スプライン推定が最も正確であった。
• 区間被覆率: RW2の信頼区間は保守的であり、すべてのシナリオにおいて、全反復試行の**98%から100%**で真のモードをカバーした。対照的に、他の推定量のブートストラップ区間は、被覆率が低かったり（Gompertzの区間は二次ピークのシナリオで真のモードを一度もカバーできなかった）、あるいは著しく広かったり（DDTの区間は単峰性のケースでRW2の区間より4〜8倍広かった）した。

実データへの適用

本手法は、デンマーク、フランス、日本、スウェーデンの女性死亡率データ（1960–2020年）に適用された。

• 傾向: RW2の推定値は、すべての国において一貫した最頻年齢の上昇を示した。
• 安定性: RW2の事後平均は、推定の開始年齢 ($x_0$) に対して非常に安定していた。$x_0$ を40から70に変更しても、Gompertzモデルの0.42年に対し、RW2の変動は平均でわずか 0.03年 であった。
• 2020年の低下: 本フレームワークは、2020年における最頻年齢の低下の確率を定量化することに成功した。フランスについては、2019年と2020年の周辺区間が重なっているにもかかわらず、低下の事後確率は 0.99 であった。スウェーデンでは 0.94 であった。

意義と主張

本論文の主な貢献は、最頻年齢の不確実性を明示的に定量化する確率論的枠組みを提供することであり、これは、データのノイズや平坦な死亡ピークによって隣接する年齢の区別が困難な場合に特に価値がある。

• 堅牢性: RW2事前分布は、年齢間で情報を効果的に共有することで、Gompertzモデルのような厳格な構造的仮定を課すことなく、独立事前分布と比較してバイアスと分散を低減する。
• 意思決定支援: 事後分布により、研究者は「最頻年齢が低下した確率は99%である」といった、標準的な信頼区間では不可能な確率的な言明を行うことができる。
• 実用性: 本手法は、選択した年齢範囲に対して安定しており、保守的で信頼できる信頼区間を提供するため、小規模および大規模な集団の両方における日常的な推定に適している。

著者らは、制限事項についても控えめに述べている。RW2モデルの単一の平滑化パラメータは、複雑な多峰性分布（そこではP-スプラインの方がわずかに優れた性能を示した）に完全に適応できない可能性があり、また、信頼区間はポアソンモデルと既知の曝露量に基づいているため、曝露データや年齢報告の誤差は含まれていない。しかし、本フレームワークは、他の生命表の数量にも拡張可能な柔軟なツールとして提示されている。