Possibilistic inferential models: a review

タイトル: 可能論的推論モデル：レビュー
著者: ライアン・マーティン
日付: 2025 年 11 月 13 日

1. 問題提起と動機

本論文は、真の事前情報がない状況下での、未知のパラメータ ($\Theta$) に関するデータ駆動型の不確実性定量化と帰納的推論という根本的な課題に取り組む。著者は、デフォルト事前分布を用いたベイズ推論やフィッシャーの信頼論法といった従来の確率的アプローチは、本質的な信頼性の欠如に苦しんでいると主張する。

核心的な問題は「誤った自信（false confidence）」現象として特定される。誤った自信定理（Balch ら，2019）が示すところによれば、仮説に正確な確率値を割り当てるいかなるデータ依存型の確率的な不確実性定量化（ベイズ、信頼論法、その他を問わない）も、空虚な事前情報の場合には、必然的にいくつかの誤った仮説に高い確率を割り当ててしまう。これにより「体系的に誤った結論」が導かれる。著者は、これは特定の事前分布や信頼論的構成の欠陥ではなく、事前知識なしに認識的不確実性（仕様の曖昧さ）に確率論を適用すること自体の限界であると位置づける。

本論文は、信頼性を達成するためには、加法確率を超えて不確実確率、具体的には可能論へと移行しなければならないと論じる。目標は、証明可能な頻度論的信頼性（較正）を維持しつつ、完全条件付きのベイズ的な不確実性定量化を提供する枠組みを構築することである。

2. 手法：可能論的推論モデル（IMs）

本論文は、**可能論的推論モデル（IMs）**の構築をレビューし、拡張する。データ生成の関連付け（$Z = a(\Theta, U)$）とランダム集合を含む 3 段階のプロセスに依存した元の IM 枠組み（Martin and Liu, 2015b）とは異なり、レビューされるアプローチは、手動による次元削減や特定の関連付けの選択を必要としない、より直接的な尤度に基づく構築に焦点を当てている。

主要な構築ステップ:

1. ランク付け: この手法は、観測データ $z$ とパラメータ値 $\theta$ の適合度を評価するランク付け関数を利用する。標準的な場合、これは相対尤度である：
   $$R(z, \theta) = \frac{p_\theta(z)}{\sup_{\vartheta} p_\vartheta(z)}$$
   論文は、文脈に応じて他のランク付け関数（プロファイル尤度、経験的リスクなど）も使用可能であると指摘する。
2. 妥当性検証（Validification）: 信頼性を確保するため、ランク付け関数は、確率から可能論への変換を通じて可能論的輪郭（possibility contour） $\pi_z(\theta)$ に変換される。このステップは、標本分布に対して較正を行うことでランク付けを「妥当化」する：
   $$\pi_z(\theta) = P_\theta \{ R(Z, \theta) \leq R(z, \theta) \}$$
   この輪郭は $\sup_\theta \pi_z(\theta) = 1$ を満たし、最大値は最尤推定量で達成される。
3. 不確実性定量化: この輪郭は、可能度測度（上限確率）$\Pi_z$ と必然度測度（下限確率）$\bigtriangledown_z$ を定義する：
   $$\Pi_z(H) = \sup_{\theta \in H} \pi_z(\theta), \quad \bigtriangledown_z(H) = 1 - \Pi_z(H^c)$$
   これらの測度は、$\Theta$ に関する仮説 $H$ の妥当性と必然性を定量化する。

交絡パラメータの扱い:
論文は、交絡パラメータを除去するための 2 つの戦略を詳述する。

• 拡張（Extension）: 交絡パラメータ空間における最適化を用いた拡張の原理に基づく一般的な操作であり、妥当性は保持されるが、過度に保守的になる可能性がある。
• プロファイリング: 妥当性検証を行う前に、相対プロファイル尤度を用いて関心のあるパラメータ値をランク付けする、より効率的なアプローチ。これは一般的に、拡張に基づく周辺化よりも高い効率性を示す。

計算:
論文は、高価なグリッド評価を回避する新しい計算戦略（Martin, 2025b）をレビューする。これは、「可能度測度によって支配される確率の集合」であるクレダル集合を構築し、「信頼区間の境界上の一様分布」であることが多い「内部確率的近似」からサンプリングする。これらのサンプルは、モンテカルロ評価を容易にするため、再び可能度測度に変換される。

3. 主要な貢献と結果

A. 理論的性質

• 強妥当性: 可能論的 IM は強妥当性を持つことが証明されている。具体的には、任意の $\alpha \in [0, 1]$ に対して：
  $$\sup_{\theta \in \mathcal{T}} P_\theta \{ \pi_Z(\theta) \leq \alpha \} \leq \alpha$$
  これは、輪郭の上限 $\alpha$ レベル集合が正確な $100(1-\alpha)\%$ 信頼区間であることを意味する。ベイズの信用区間とは異なり、これらは頻度論的カバレッジを達成するために漸近近似を必要としない。
• 誤った自信の制御: IM 枠組みは**誤った自信率（FCR）**を制御する。任意の仮説 $H$ について、IM が誤った $H$ に高い下限確率を割り当てる確率は、有意水準 $\alpha$ によって抑えられる。これにより、確率的アプローチに内在する信頼性の欠如が解決される。
• 効率性（ベルンシュタイン・フォン・ミーゼス）: 新しい可能論的ベルンシュタイン・フォン・ミーゼス定理が提示される（Martin and Williams, 2025）。これは、標準的な正則条件の下で、可能論的輪郭 $\pi_{Z_n}$ が、その分散がクラメール・ラオ下限と一致するガウス型可能度測度に収束することを確立する。したがって、IM は妥当性を犠牲にすることなく、古典的推定量のパフォーマンスと一致する漸近効率性を持つ。

B. 一般化

• パラメトリックモデルを超えて: 枠組みは、パラメトリック尤度が利用できない文脈（機械学習、リスク最小化など）に拡張される。尤度を一般的なランク付け関数 $\rho(z, \theta)$（負の経験的リスクなど）に置き換えることで、IM 構築は妥当性を保つ。
• 予測: 論文は、**適合性予測（conformal prediction）**との関連を示す。予測問題に IM 枠組みを適用し（将来の観測値を、経験分布に条件付けることで除去される交絡パラメータとして扱う）、得られる予測 IM 輪郭が帰納的適合性予測アルゴリズムの出力と等価であることが示される。
• 交絡パラメータ: 論文は、プロファイリングは一般的により効率的であるが、高次元の交絡設定（例：ネイマン・スコット問題）では機能しない場合があり、そのような場合には周辺尤度や条件付き尤度が必要であることを明確にする。

4. 意義と主張

本論文は、可能論的 IM が統計的基礎において重要な進展を表すと主張する。

1. 統合と欠陥の埋め合わせ: この枠組みは頻度論的およびベイズ的な目標の「統合」を提供するが、それ以上に重要なのは、両方の欠陥を埋めることである。これは、ベイズ主義者が求める完全条件付きのデータ依存推論を提供しつつ、頻度論者が要求する頻度論的誤差率制御を保証する。
2. 「誤った自信」危機の解決: 事前情報がない場合、確率的な不確実性定量化は本質的に信頼性がなく、可能論的定量化はそうではないことを証明し、誤った自信の問題に対する数学的に厳密な解決策を提供する。
3. 古典的概念の再解釈: 論文は、p 値と信頼区間は、それぞれ妥当性の尺度（可能度測度）と妥当なパラメータ値の集合として自然に解釈されると論じる。これは、これらのツールの実用的な使用に対する、文献に欠けていた厳密な正当化を提供する。
4. 実用的適用性: 新しい計算ツールや適合性予測、ブートストラップ法との関連を通じて、IM は単なる理論的構成物ではなく、リスク最小化や予測を含む現代の統計および機械学習の問題にスケーラブルであると論じる。

著者は、IM の分野は（特に高次元スケーリングと非空虚な事前情報に関して）まだ発展途上であるが、この枠組みは既存のパラダイムに対する堅牢で信頼性が高く、柔軟な代替案を提供し、統計的推論における基礎的危機に対処していると結論づける。