技術要約：ボックス信頼深さ（Box Confidence Depth）

1. 問題提起

本論文は、複雑な統計モデルにおけるパラメータの較正された信頼領域を構築するという課題に取り組んでいる。特に、尤度関数が計算上手に計算不可能であったり、計算コストが極めて高い場合が対象となる。このようなシナリオは、生成モデルや、従来の漸近近似が失敗するようなデータが限られた状況において一般的である。

近似ベイズ計算（ABC）などの既存の尤度フリー推論（LFI）手法は、観測データとシミュレーションデータを比較するために、距離指標やダイバージェンス関数に依存することが多い。これらのアプローチは、高次元の設定において「次元の呪い」に直面する。具体的には、シミュレートされたデータが観測データの固定された許容半径内に収まる確率が、超指数関数的に減少してしまう問題である。さらに、標準的な頻度主義的手法は、多変量データをスカラーの要約統計量に削減することを必要とする場合が多く、その結果として情報を失う可能性がある。あるいは、複雑で非正規な設定においては成立しない可能性のある、確率的順序付けの仮定に依存することもある。

2. 手法：ボックス信頼深さ（Box-CD）

著者らは、**ボックス信頼深さ（Box-CD）**と呼ばれる新しいシミュレーションベースの推論手法を提案している。この手法は、尤度関数を必要とせず、多変量データまたは統計量に対して直接作用することで、信頼領域を構築する。

コアメカニズム

この手法は、**データ深さ（data depth）と超長方形（ボックス）**の概念に基づいた棄却サンプリング・フレームワークを利用している：

1. プロポーザル生成： パラメータ $\theta^*$ が、プロポーザル分布 $\pi(\theta)$（通常はパラメータ空間の有界な部分集合上の一様分布）から抽出される。
2. シミュレーション： 各 $\theta^*$ に対して、2つの独立した擬似サンプル $y^*_1$ および $y^*_2$ がモデル $p(y|\theta^*)$ から生成される。
3. 統計量の計算： 擬似サンプルから要約統計量 $t^*_1$ および $t^*_2$ が計算される。
4. ボックスの構築： 各座標における $t^*_1$ と $t^*_2$ の順序統計量によって、$d$ 次元の超長方形（ボックス）$B^*_t$ が定義される。具体的には、次元 $j$ について、区間は $[\min(t^*_{1,j}, t^*_{2,j}), \max(t^*_{1,j}, t^*_{2,j})]$ である。
5. 受理ルール： 観測された要約統計量 $t_{obs}$ が、この超長方形の内部に厳密に含まれる場合（すなわち、すべての $j=1, \dots, d$ について $t^*_{(1),j} < t_{obs, j} < t^*_{(2),j}$ である場合）、プロポーザル $\theta^*$ は受理される。

ボックス信頼深さ関数

受理されたパラメータの集合は、ボックス信頼深さ（Box-Confidence Depth） $CD_{box}(\theta)$ と呼ばれる経験分布を形成する。この関数は、各パラメータ値に対して「深さ」または中心性の尺度を割り当てる。値が高いほど、そのパラメータはより中心的、あるいは代表的であることを示す。これは、そのパラメータがボックスの中に観測値を頻繁に生成することに起因する。

理論的特性

• スカラーの場合： スカラーパラメータの場合、受理確率は $F_t(t_{obs}|\theta)[1 - F_t(t_{obs}|\theta)]$ に比例する（ここで $F_t$ は要約統計量の累積分布関数である）。この関数の最大化を与える点は、中央値不偏推定量となる。
• 多変量の場合： この手法は多変量パラメータおよび統計量へ自然に拡張される。ABCとは異なり、識別不能性の同一性を満たす距離指標を必要としない。代わりに、ランダムなボックスの中に観測データが含まれる確率によって誘導される「中心から外側へ」の順序付けに依存している。
• 信頼集合： レベル $1-\alpha$ の信頼集合は、$CD_{box}(\theta) \geq Q_{CD_{box}}(\alpha)$ となる領域として定義される（ここで $Q$ は分位関数である）。定理 3.5 は、これらの領域が正確な較正特性を持つことを確立している。
• 効率性： 単調尤度比（MLR）条件の下で、Box-CD テストは尤度比（LR）テストと同等以上の検出力を持ち、依存関係のある多変量統計量から情報を集約する場合、LR テストよりも厳密に強力になる可能性があることが示されている。

高次元への適応

次元の呪いを緩和するために、著者らは2つのサンプルではなく、$S$ 個の擬似サンプル（$S$ は偶数）を使用する拡張案を提案している。ボックスの境界は、これら $S$ 個のサンプルにおける最小値と最大値の順序統計量によって定義される。反復あたりの計算コストは増加するものの、受理確率は固定半径の ABC ボールで見られる超指数関数的な減少と比較して、より緩やかな速度（$\propto (1/4)^d$）で減衰するため、高次元における推定がより効率的になる。

3. 主な結果

著者らは、様々なモデルを用いたシミュレーション研究を通じて手法を検証し、Box-CD 信頼集合の経験的な被覆率を、公称レベルおよび（利用可能な場合には）尤度比（LR）テストと比較している。

• ロジスティック回帰： 本手法は、LR テストよりも公称値（例：0.95）に近い被覆率を達成し、計算時間も大幅に短縮された（10,000 回の反復で 1.80 秒）。
• 多変量 $t$ 分布： 本手法は、依存関係のある統計量を持つ多変量パラメータに対しても、公称被覆率を維持することに成功した。これは、標準的な削減手法が失敗する可能性があるシナリオである。
• 正規混合モデル： この研究では、擬似サンプルの数（$S$）を増やすことで、Box-CD 関数の安定性が向上し、受理されるプロポーザルの数が増加することを示した。これは、要約統計量の次元増加に伴う効率性の低下を効果的に相殺する。このモデルにおいて、Box-CD 区間は、被覆率を維持しつつ、LR 区間よりも著しく短いものであった。
• リッカー（Ricker）モデル： 尤度が計算不可能な個体群動態モデルに適用され、単変量および二変量パラメータ設定の両方に対してコンフォーマルな信頼領域を生成した。

4. 意義と主張

本論文は、Box-Confidence Depth が以下の特徴を持つ統一的な推論戦略を提供すると主張している：

1. スカラーへの削減を排除： 生のデータまたは多変量要約統計量を、単一のスカラー値に強制することなく直接使用できるため、情報を保持できる。
2. 尤度なしで動作： 尤度が未知または計算不可能な尤度フリー推論のシナリオに適している。
3. 較正された頻度主義的推論を提供： 一部のシミュレーションベースのベイズ近似とは異なり、特定の正則条件の下で保証された被覆特性を持つ信頼集合を構築する。
4. 多変量順序付けの処理： 超長方形に基づく深さ関数を用いることで、単体（simplicial）深さや半空間（half-space）深さの計算複雑さを回避し、多変量空間における順序付けの問題を解決する。
5. 頑健性： 本手法は、要約統計量の順序保存変換に対して不変であることが示されている。

著者らは、伝統的な漸近理論が通用しない複雑なモデルや、既存の尤度フリー手法が高次元データや任意の距離閾値に苦慮する場面において、本手法を実用的な代替案として位置づけている。