Finite mixture representations of zero-and-$N$-inflated distributions for count-compositional data

この論文「Finite mixture representations of zero-and-N-inflated distributions for count-compositional data（カウント・コンポジションデータのためのゼロおよび N 膨張分布の有限混合表現）」は、過剰なゼロ値（zero-inflation）と、その結果として生じる最大値（N）の膨張（N-inflation）の両方を扱うための、2 つの新しい多変量確率分布モデル（ZANIM と ZANIDM）を提案し、それらを統一的な有限混合分布の枠組みとして定式化した研究です。

以下に、問題設定、手法、主要な貢献、結果、および意義について詳細にまとめます。

1. 問題設定

• カウント・コンポジションデータ: 試行回数 $N$ が既知で、カテゴリ間の合計が $N$ になるような多変量カウントデータ（例：微生物叢データ、選挙投票数など）。
• 過剰なゼロ値（Zero-inflation）: 通常の多項分布やディリクレ - 多項分布では説明できないほど多くのゼロ観測値が存在する現象。
• N 膨張（N-inflation）: 多変量設定における特有の現象。あるカテゴリでゼロが過剰に発生すると、残りのカテゴリの確率質量が再分配され、他のカテゴリの計数が $N$ に近づく（あるいは $N$ になる）現象。
  • 従来の一変量ゼロ膨張モデルでは「エンドポイント膨張」として知られていますが、多変量では複数のカテゴリで同時にゼロが発生し、かつ残りのカテゴリが $N$ になるケースと、複数のカテゴリが非ゼロでかつゼロが混在するケースの両方を扱う必要があります。
• 既存研究の限界: 既存のモデル（Koslovsky [10] や Zeng et al. [25] など）は、主に潜在空間（latent space）の修正に焦点を当てており、カウントそのもののサンプリング分布としての特性（確率質量関数やモーメントなど）が十分に特徴づけられていない、または効率的なベイズ推論手法が確立されていないという課題がありました。

2. 手法と主要な貢献

A. 統一的な有限混合分布の枠組みの構築

著者らは、ゼロおよび N 膨張を伴う 2 つの分布を「有限混合分布」として統一的に表現する新しい枠組みを提案しました。

1. ZANIM (Zero-and-N-inflated Multinomial):

   • 多項分布（Multinomial）をベースにした分布。
   • 各カテゴリにゼロ膨張パラメータ $\zeta_j$ を導入し、ゼロ観測が「構造的ゼロ」か「サンプリングゼロ」かを区別する混合モデルを構築。
   • 確率質量関数（PMF）を、通常の多項分布成分、$N$ 膨張成分（$d-1$ カテゴリがゼロの場合）、部分集合のゼロ膨張に対応する低次元多項分布成分、および全ゼロ成分の有限混合として導出しました。
   • 新規性: 以前から存在した ZANIDM の前身モデルを、サンプリング分布として完全に特徴づけた点。

2. ZANIDM (Zero-and-N-inflated Dirichlet-multinomial):

   • ディリクレ - 多項分布（Dirichlet-multinomial）をベースにした分布。
   • Koslovsky [10] によって ZIDM として提案されたモデルを、著者らの枠組みで再定式化し、ZANIDM と命名しました。
   • 過剰分散（overdispersion）を自然に扱えるように、ディリクレ分布を混合成分として組み込みました。
   • 特徴: ZANIM の多項分布成分をディリクレ - 多項分布成分に置き換えた構造を持ち、$N$ 膨張や全ゼロ成分は ZANIM と共通しています。

B. 理論的性質の導出

有限混合表現を用いることで、以下の統計的性質を厳密に導出しました。

• 周辺分布: 各カテゴリ $Y_j$ の周辺分布は、ゼロ点と $N$ 点での退化分布、および二項分布（ZANIM の場合）またはベータ - 二項分布（ZANIDM の場合）の混合分布となります。
• モーメント: 平均、分散、共分散の式を導出。特に、従来の多項分布やディリクレ - 多項分布では負の共分散しか持てないのに対し、これらのモデルは正の共分散も許容できることを示しました（ゼロの同時発生による相関構造のため）。
• 過剰分散とゼロ膨張の指標: 分散指数（DI）やゼロ膨張指数（ZI）を定義し、モデルの挙動を定量的に評価しました。

C. 効率的なベイズ推論法の開発

• データ拡張とギブスサンプリング: 潜在変数（カテゴリごとのゼロ発生を示すバイナリ変数 $z$、およびガンマ分布に従う補助変数 $\phi$）を導入し、事後分布をサンプリングしやすくしました。
• ZANIDM への改良: Koslovsky [10] が提案した「expand and contract」メトロポリス・ヘイスティングス法（次元変換が必要で計算効率が悪かった）に対し、Collapsed Gibbs Sampling（潜在変数を周辺化して更新する手法）を提案しました。
  • これにより、パラメータ $\alpha$（集中度パラメータ）と $\zeta$（ゼロ膨張パラメータ）の更新を効率的に行う共役ギブス更新が可能になり、MCMC の収束性と計算効率が大幅に向上しました。
  • $\alpha$ のサンプリングには、データ拡張、ランダムウォーク MH、スライスサンプリングなどの複数のアプローチを比較検討し、最適な手法を提示しました。

3. 結果

A. シミュレーション研究

• 推論アルゴリズムの比較: 提案したCollapsed Gibbs Sampling法は、Koslovsky [10] の既存手法と比較して、有効サンプルサイズ（ESS）が大幅に向上し、パラメータ推定の精度と計算効率の両面で優れていることを示しました。
• モデル適合性: 生成データが ZANIM または ZANIDM のどちらから生成された場合でも、対応するモデルが最も高い予測精度（ELPD: 期待対数予測密度）を示しました。
  • 特に、ZANIDM から生成されたデータに対して ZANIM を当てはめた場合でも、単純な多項分布やディリクレ - 多項分布よりもゼロ膨張を考慮したモデルの方が優れていることが確認されました。
  • 逆に、ZANIM データに対して ZANIDM を当てはめると、過剰分散パラメータ $\alpha$ の推定が不安定になる傾向があり、モデル選択の重要性が示されました。

B. 実データ分析（ヒトの腸内微生物叢データ）

• 98 人の個人から得られた 28 属の微生物カウントデータ（32.6% がゼロ）に適用しました。
• 結果:
  • 両モデルとも収束が確認され、実用的な計算時間内で推論が可能でした。
  • 特定の属（例：Prevotella）では、観測された大量のゼロを「構造的ゼロ（$\zeta$ が大きい）」として捉えるか、「過剰分散（$\alpha$ が小さい）」として捉えるかという解釈の違いがモデル間で見られました。
  • 全体的に、ZANIDM モデルの方が ZANIM よりも高い ELPD を示し、微生物データに見られる過剰分散とゼロ膨張の両方を同時に捉える能力が高いことを示唆しました。

4. 意義と結論

• 理論的貢献: 多変量カウント・コンポジションデータにおける「ゼロ膨張」と「N 膨張」を統一的に扱うための確率論的枠組みを確立しました。特に、ZANIDM をサンプリング分布として完全に特徴づけたことは、既存研究のギャップを埋める重要な貢献です。
• 実用的貢献: 効率的なベイズ推論手法（Collapsed Gibbs Sampling）を開発し、高次元データ（28 カテゴリ以上）に対しても実用的な計算コストで推論を可能にしました。
• 応用可能性: 微生物叢データだけでなく、選挙、生態学、品質管理など、ゼロ値と最大値の両方の膨張が問題となるあらゆるカウント・コンポジションデータ解析に応用可能です。
• 将来の展望: 潜在変数の独立性の仮定を緩和する（多変量プロビットモデルへの拡張）ことや、共変量を含む非パラメトリック回帰への拡張など、今後の研究課題が示唆されています。

総じて、この論文は、複雑なゼロ・N 膨張構造を持つ多変量カウントデータを解析するための、理論的に堅固かつ計算的に効率的な新しいアプローチを提供した画期的な研究です。