テクニカル・サマリー：No-prior Bayes reIMagined（再構築された無事前分布ベイズ法）

1. 問題提起

本論文は、真の事前情報が欠如している場合の統計的推論における根本的な課題に取り組んでいる。そのようなシナリオにおける標準的な「定石」は、客観的ベイズ法（または「無事前分布ベイズ法」）であり、これはベイズの定理を介して「デフォルトの事前分布」（例：ジェフリーズ事前分布、右ハール事前分布）と尤度を組み合わせるものである。その他のアプローチには、一般化されたフィドゥシャル推論や信頼分布が含まれる。

著者は、これらの構成は自然ではあるものの、決定的な欠陥、すなわち**信頼性（reliability）**に苦しんでいると主張する。真の事前信念が存在しない状況でデフォルトの事前分布を使用する場合、得られる事後確率は一貫した「更新」の解釈を欠くことになる。より重要なことに、偽の確信定理（False Confidence Theorem; Balch et al. 2019; Martin 2019）は、このような無事前分布ベイズの解がいずれも強力な信頼性の特性を持たないことを示している。具体的には、これらの手法が誤った仮説に対して高い確率を割り当てたり、正しい仮説に対して低い確率を割り当てたりすることは、決して稀なことではない。その結果、これらの事後分布が持つ「信念形成における推論的重み」は疑わしいものとなる。

本論文は、データ単体では単一の確率分布を支持できない場合に、確率論的な不確実性の定量化（加法的尺度）に固執することが、この問題の根源であると断じている。

2. メソドロジー：「reIMagined」アプローチ

提案されている解決策であるreIMaginedは、基礎となるフレームワークを、確率論から**可能性理論（possibility theory）**へと移行させた上で、再び確率的な近似へと戻すものである。この手法は以下の3つの段階で進行する。

A. 可能性的推論モデル（Possibilistic Inferential Models: IMs）

事前分布から始めるのではなく、この手法は**可能性的推論モデル（IM）**から始まる。

• 構成: IMは相対尤度関数 $R(x, \theta)$ を利用する。妥当性を確保するため、「妥当化（validification）」ステップ（確率から可能性への変換の一種）を適用して、可能性輪郭（possibility contour） $\pi_x(\theta)$ を生成する。
  $$\pi_x(\theta) = P_\theta \{ R(X, \theta) \leq R(x, \theta) \}$$
• 特性: この輪郭は可能性測度 $\Pi_x$ を定義する。極めて重要な点は、この構成が妥当性（validity）を保証することである：
  $$\sup_{\theta \in T} P_\theta \{ \pi_X(\theta) \leq \alpha \} \leq \alpha$$
  これは、IMが真のパラメータに対して小さな可能性値を割り当てることは稀であることを意味し、関連する信頼集合 $C_\alpha(x) = \{ \theta : \pi_x(\theta) \geq \alpha \}$ が正確な頻度論的被覆率を持つことを保証する。この出力は、偽の確信現象を回避する一貫した不完全確率（coherent imprecise probability）（可能性測度）である。

B. 内的確率近似（Inner Probabilistic Approximation）

多くの実務者が確率的な出力を好むことを認識し、本論文は可能性的IMから内的確率近似を抽出することを提案している。

• 定義: 目標は、可能性測度によって「支配される（dominated）」かつ「最大限に拡散した（maximally diffuse）」確率分布 $Q_x$ を見つけることである（$Q_x \preceq \Pi_x$）。
• 特徴付け（定理1）: 確率 $Q_x$ が $\Pi_x$ のクレディアル集合（credal set）に属するための必要十分条件は、それがレベル集合（信頼集合）$C_\alpha(x)$ 上に支持されるカーネルの混合として表現できることである：
  $$Q_x(\cdot) = \int_0^1 K_\alpha^x(\cdot) M_x(d\alpha)$$
  ここで、$M_x$ は $[0, 1]$ 上の確率測度であり、$K_\alpha^x$ は $C_\alpha(x)$ 上に支持されている。
• 「内的」解: 内的確率近似 $Q_x^*$ は、被覆条件において等号を達成するこのクレディアル集合の要素として定義される：
  $$Q_x^* \{ C_\alpha(x) \} = 1 - \alpha \quad (\forall \alpha \in [0, 1])$$
  これは、$M_x$ を $\text{Unif}(0, 1)$ とし、$K_\alpha^x$ を $\partial C_\alpha(x)$ 上の一様分布とすることに相当する。
• サンプリング戦略: $Q_x^*$ からのサンプルは、以下の2ステップの手順で抽出できる：
  1. レベル $\alpha \sim \text{Unif}(0, 1)$ をサンプリングする。
  2. 信頼集合 $C_\alpha(x)$ の境界上の点 $\theta$ を一様にサンプリングする。

C. 計算

正確な信頼集合の境界を求めることはしばしば困難であるため、本論文は（Martin 2026aによる）計算戦略を採用している。これは、ガウス型可能性測度の「継ぎ接ぎ（stitched）」された集まりを用いてIMの輪郭を近似するものである。これには、真のIMレベル集合 $C_\alpha(x)$ をぴったりと包み込むようなガウス楕円体 $C_\alpha^\sigma(x)$ を定義するベクトル $\sigma$ を見つけるプロセスが含まれ、これにより効率的なモンテカルロ・サンプリングが可能となる。

3. 主な貢献と結果

A. 理論的特性

1. 不変モデルとの一致（定理3）: 変形群（位置・尺度族など）に対して不変な統計モデルにおいて、提案された内的確率近似は、右ハール事前分布に基づく標準的な無事前分布ベイズの解と一致する。これにより、合意が存在するケースにおいて、この新手法が「ゴールドスタンダード」の解を再現することが確立される。
2. 漸近的効率性（定理4および5）: 本論文は、可能性的IMに関するバーンスタイン＝フォン・ミーゼス（Bernstein–von Mises）定理の一種を証明している。サンプルサイズ $n \to \infty$ において、IMの輪郭はガウス型可能性輪郭に収束し、内的確率近似はクラメール・ラオの下限に一致する共分散を持つガウス分布に収束する。したがって、この手法は漸近的に効率的である。
3. 確率一致（定理2）: 可能性輪郭（尤度比など）と共単調なランキング関数を用いて構築された信頼集合は、**確率一致（probability matching）**である。つまり、そのベイズ的信用度と頻度論的被覆率が一致する。

B. 周辺化と過剰な確信

本論文は、これらの分布を周辺化する際のリスクを調査している。

• リスク: 結合信頼分布の標準的な確率論的周辺化は、特に非線形変換の下では、周辺パラメータに対して過剰な確信（反保守的な区間）をもたらすことがある。
• 解決策: 本論文は2つのアプローチを区別している：
  1. 拡張ベースの周辺化（Extension-based Marginalization）: IMを先に（拡張原理を用いて）周辺化してから近似を行う。これは妥当性を保持する。
  2. 確率論的周辺化（Probabilistic Marginalization）: 内的近似を直接周辺化する。
• 境界全射性（Boundary-Surjectivity）（定理6）: 内的近似の周辺化が、周辺IMの内的近似となるための必要十分条件は、写像が**境界全射的（boundary-surjective）**であることである。この性質が失敗する場合（例：非線形関数）、直接的な確率論的周辺化は過剰な確信を与える可能性がある。推奨される戦略は、まず可能性レベル（またはプロファイリング経由）で周辺化を行い、その後に内的近似を抽出することである。

C. 実証例

1. ベールス・フィッシャー問題（Behrens–Fisher Problem）: 本論文では、古典的なベールス・フィッシャー問題（未知で不等しい分散を持つ平均の差に関する推論）にこの手法を適用している。
   • 結果: プロファイル尤度に基づく周辺IMの内的確率近似は、ウェルチの $t$ 検定やジェフリーズ事前分布ベイズとは異なり、被覆において正確（exact）であり、かつ右ハール事前分布の解よりも効率的（期待区間長が短い）な解を与える。
2. ガンマ分布および方向性データ: ガンマモデルおよび方向性データ（フォン・ミーゼス分布）を用いた実証により、内的近似が不変ケースにおいては右ハール事前分布ベイズと密接に一致し、非不変または周辺化ケースにおいては過剰な確信を修正することが示されている。

4. 意義と主張

本論文は、統計的推論における「最も重要な未解決問題」（Efron 2013）である、事前情報のない状態でのベイズの定理の使用という問題の解決を主張している。

• 信頼性第一: コアとなる主張は、可能性的IMを優先することで、既存のあらゆる無事前分布ベイズ解に内在する「偽の確信」を回避できるということである。
• 和解: 「reIMagined」アプローチは、頻度論的な妥当性とベイズ的な推論の間の溝を埋めるものである。これは以下の特性を持つ、データ依存の確率分布を提供する：
  • （IMを介した）正確な被覆特性を持つ。
  • 漸近的に効率的である。
  • 不変モデルにおいて確立された解（右ハール事前分布）と一致する。
  • 恣意的な事前分布の指定を必要としない。
• 実用性: 本論文は、これらの近似を計算するための具体的なモンテカルロ・アルゴリズムを提供しており、従来の解が保守的すぎるか、あるいは合意を欠いているような、ベールス・フィッシャー問題のような複雑な問題への適用を可能にしている。

要約すれば、本論文は、信頼できる無事前分布推論への道は、より「良い」デフォルトの事前分布を見つけることではなく、まず可能性的IMを構築し、その後に最大限に拡散した内的確率近似を抽出することにあると主張している。これにより、確率的な形式を持ちながら、頻度論的な性能において妥当な「事後分布」が得られるのである。