技術要約：混合効果対数線形モデルを用いた二重系推定

1. 問題提起

二重系推定（Dual System Estimation: DSE）は、2つのデータソースを連結し、両方のリストから漏れたユニット数を推定することで人口規模を推定するための、公式統計における標準的な手法である。この手法は、2つのリスト間の独立性と、包含確率の均一性という仮定に基づいている。この均一性の仮定を満たすため、DSEでは地域などの変数によって層化が行われることが多い。

標準的なアプローチでは、固定効果対数線形モデルを採用し、層化変数のすべてのレベルに対してパラメータを推定する。このアプローチは、以下の重大な課題に直面する：

• パラメータの増殖： 層化レベル（例：地域）の数が多い場合、パラメータの数が管理不能になる。
• 小標本バイアス： 層の数が多く、各層内のサンプルサイズが小さいシナリオでは、固定効果モデル（および標準的なリンカーン・ピーターセン推定量）はバイアスが生じる。
• 無限推定値： 特定の層内で両方のリストの交差部分が空（$n_{11}=0$）である場合、固定効果推定量は無限の人口推定値を算出する。

小標本バイアスを軽減するためにチャップマン（Chapman）推定量が用いられることもあるが、これは多くのパラメータを個別に推定することによる非効率性の問題は解決しない。本論文では、混合効果対数線形モデル（マルチレベルモデルまたは階層モデルとしても知られる）を代替案として用いることを検討する。これらのモデルは、層化変数に関連する固定パラメータを、分布から抽出されたランダム効果に置き換えることで、グループ間での「情報の共有（borrowing strength）」を可能にし、推定の安定性を向上させる。

2. 手法

2.1. 固定効果対数線形モデル

著者らは、対数リンク関数を用いたポアソン回帰をベースラインとして定義している。

• 層化なし： 2つのリスト（$A$と$B$）に対する飽和モデルには、切片と交互作用項が含まれる。両方から漏れたユニットのセル（$A=0, B=0$）は観測されないため、モデルは独立性を仮定し、条件付き独立形式へと簡略化される。
• 層化あり： 層化変数 $R$（例：地域）が導入される場合、標準的なアプローチでは、各レベル $l$ の $R$ に対して条件付き独立モデル $[AR][BR]$ を適合させる。これにより、各地域に対して個別のパラメータセットが生じ、自由度がゼロの最大モデルとなる。

2.2. 混合効果対数線形モデル

核となる提案は、層化変数（$R$）およびその相互作用に関連する固定効果を、ランダム効果に置き換えることである。

• モデル構造： 対数線形モデルは、地域間の人口規模におけるランダム切片（$u_{0l}$）と、リスト $A$ および $B$ の包含確率に関するランダム傾き（$u_{1il}, u_{2jl}$）を含むように再パラメータ化される。
  $$\log \mu_{ijl} = (\lambda + u_{0l}) + \lambda^A_i + \lambda^B_j + u_{1il} + u_{2jl}$$
  ここで、$u_{0l} \sim N(0, \sigma^2_{u0})$ は人口規模の地域間変動を捉え、傾き項は捕捉確率の変動を捉える。
• 縮小推定（Shrinkage Estimation）： ランダム効果の推定量は、縮小推定量（最良不偏予測量）として機能する。グループレベルの推定値は、グループのデータの信頼性（サンプルサイズ）と全体平均からの距離に応じて、全体平均へと「縮小」される。これにより、分散を減少させ、無限推定値を発生させることなく小標本バイアスを軽減する。
• 実装： モデルはRの lme4 パッケージを用いて適合され、小セルのカウントでよく見られる収束の問題に対処するために bobyqa オプティマイザを利用する。

2.3. バイアス軽減と拡張

• チャップマン推定量： 固定効果モデルに対しては、小標本バイアスを軽減するために（$n_{11}$ セルに1を加える）チャップマン推定量が適用される。この調整は、縮小メカニズムが同様のバイアス軽減目的を果たすため、混合効果モデルには適用されない。
• 多重系推定（MSE）： 本手法は3つのリスト（三重系推定）にも拡張される。著者らは、固定相互作用項をランダム効果に置き換えることで、3元表に対する混合効果モデルを定式化し、観測されないセル（$A=0, B=0, C=0$）を推定する。

3. シミュレーション研究のデザイン

著者らは、混合効果モデルの性能を、固定効果モデル（チャップマン補正ありおよびなしの両方）と比較評価するために、包括的なシミュレーション研究を実施した。

• 変化させた要因：
  • 人口規模 ($N$): 500から300,000まで。
  • 地域数: 5から30。
  • 捕捉確率: 高いケース（$\pi_A=0.8, \pi_B=0.7$）および低いケース（$\pi_A=0.4, \pi_B=0.2$）。
  • ランダム効果の分布: 正規分布（仮定）、対数正規分布、およびパレート分布（正規性の違反に対する頑健性をテストするため）。
• 指標: パフォーマンスは、平均絶対相対バイアス（MARb）、変動係数（CV）、および平均二乗誤差（MSE）を用いて評価された。

4. 主な結果

• 性能比較: 混合効果対数線形モデルは、チャップマン補正を伴う固定効果モデルと同等、あるいはそれを上回る性能を一貫して示した。
  • バイアス: 混合効果モデルは、特に人口規模が小さく、地域の数が多い場合（セルが疎な場合）において、より低いMARbを示した。
  • 分散: 混合効果モデルは、特にサンプルサイズが小さい場合に、固定効果と比較して低い変動性（CV）を示した。
• 分布の仮定に対する頑健性: 結果は、混合効果モデルが正規性の仮定の違反に対して頑健であることを示した。対数正規分布およびパレート分布のランダム効果から得られた推定値は、正規性の仮定が成立する場合と同等のMARbおよびCVを示した。
• 小標本の挙動: 固定効果モデルが（交差部分のカウントがゼロのために）無限の推定値を生成したシナリオにおいても、混合効果モデルは安定した有限の推定値を提供した。
• 改善の程度: 混合効果モデルの方が優れた性能を示したが、著者らは、チャップマン補正を伴う固定効果モデルに対する平均二乗誤差（MSE）の改善は、一般にわずかであると注記している。

5. 意義と主張

本論文は、混合効果対数線形モデルが、特に以下の状況における公式統計の文脈において、従来の固定効果アプローチに代わる実行可能かつ頑健な選択肢となることを主張している：

1. 多数の層: 総人口に対して地域の数が多い状況。
2. 小さなサンプルサイズ: 個々の層のデータが疎であり、固定効果推定が不安定になるシナリオ。
3. 低い捕捉確率: 包含確率が低く、空のセルが発生するリスクが高まる状況。

著者らは、チャップマン推定量が依然として強力なパフォーマンスを発揮することに触れつつも、混合効果モデルはすべてのグループ間で情報を共有する「バイアスに強いアプローチ」を提供すると結論付けている。このアプローチは、バイアスと分散のトレードオフを自然に処理し、無限推定のリスクを軽減し、困難な推定シナリオにおける全体的な精度を向上させる。この手法は多重系推定にも成功裏に拡張されており、二重系の場合を超えた幅広い適用可能性を示唆している。

論文のトーンは控えめであり、混合効果モデルが固定効果モデルよりも優れているものの、テストされたシナリオにおける平均二乗誤差の利得はしばしば限定的であることを認めている。しかし、小標本・多層環境における混合効果アプローチの安定性と頑健性が、その主要な利点として強調されている。