Optimal two-phase sampling designs for generalized raking estimators with multiple parameters of interest

この論文「Optimal two-phase sampling designs for generalized raking estimators with multiple parameters of interest（複数の関心パラメータを持つ一般化ラッキング推定量のための最適な 2 段階サンプリング設計）」の技術的サマリーを以下に示します。

1. 問題設定 (Problem)

医療研究、特に電子健康記録（EHR）などの大規模観察データの利用が増加していますが、これらのデータには欠測、測定誤差、誤分類といった問題が頻繁に含まれています。これらのバイアスを修正し、効率的な統計的推論を行うための標準的なアプローチとして、「2 段階サンプリング（Two-phase sampling）」が用いられます。

• 第 1 段階: 安価で広範に利用可能なデータ（EHR など）を全コホートで収集。
• 第 2 段階: 高品質だが高コストなデータ（検証データ）を、第 1 段階のコホートから抽出したサブサンプルで収集。

既存の研究では、単一の関心パラメータに対する逆確率加重（IPW）推定量や、一般化ラッキング（GR）推定量の最適なサンプリング設計が検討されてきました。しかし、複数のパラメータ（複数のアウトカムや予測因子）を同時に推定したい場合、特に GR 推定量を用いる場合の最適な設計（特に適応的なマルチウェーブ設計）に関する知見は不足していました。従来の「各パラメータごとに独立して最適化する方法」や「単一パラメータの設計を拡張する方法」が、複数のパラメータを持つ GR 推定量において本当に効率的かどうかは不明確でした。

2. 手法 (Methodology)

本研究では、複数のパラメータを同時に推定する際の 2 段階サンプリング設計を最適化するための理論的枠組みと実用的な戦略を提案しています。

• 推定量の定式化:

  • 対象とする推定量は、漸近的に線形（asymptotically linear）であり、影響関数（influence function）$h_i$ の和として表現できると仮定します。
  • IPW 推定量: 標準的な逆確率加重推定量。
  • GR 推定量: 補助変数（第 1 段階で利用可能な変数）の既知の人口合計を用いて重みを較正（raking）し、IPW 推定量の効率を向上させたもの。

• 最適化戦略の提案:
  複数のパラメータ $\beta = (\beta_1, ..., \beta_P)^T$ に対して、以下の 3 つの主要な割り当て戦略を提案・比較しました。

  1. 独立最適化（Independent Allocation）: 各パラメータごとに Neyman 割り当て（または整数値の Neyman-Wright 割り当て）を独立して計算し、それらを合計して第 2 段階のサンプルサイズを決定する。
     • 同時アプローチ (Simultaneous): 各ウェーブで全パラメータに対して同時に再計算する。
     • 逐次アプローチ (Sequential): 各ウェーブで 1 つのパラメータに焦点を当てて最適化し、ウェーブ間で対象パラメータを切り替える。
  2. 優先度付き A-最適性 (Prioritized A-optimality):
     • 複数のパラメータ推定量の分散の和（トレース）を最小化する設計を目指す。
     • 各パラメータに重み $a_p$ を付与し、分散の和 $\sum a_p \text{Var}(\hat{\beta}_p)$ を最小化する。
     • 整数値解法の導出: 連続的な解（ラグランジュ乗数法）に加え、Wright (2017) のアルゴリズムを拡張し、サンプルサイズが整数であり、かつ層内サンプル数が層サイズ以下であるという制約を満たす厳密な整数値割り当てアルゴリズムを導出しました。
  3. GR 推定量への適用:
     • GR 推定量の場合、影響関数の残差（補助変数に対する回帰残差）の分散を用いて上記の割り当てを計算します。単一パラメータの場合とは異なり、パラメータ間でラッキング変数と真の影響関数の相関が異なる場合、IPW 用設計と GR 用設計は大きく異なる可能性があります。

• マルチウェーブ設計:
  第 2 段階を複数のウェーブ（例：4 ウェーブ）に分け、先行するウェーブで収集したデータを用いて、後のウェーブのサンプリング設計を適応的に更新するアプローチを採用しています。

3. 主要な貢献 (Key Contributions)

1. 複数パラメータにおける GR 推定量の最適設計の理論的拡張:
   単一パラメータでは IPW と GR の最適設計が類似する傾向があるのに対し、複数パラメータの文脈では、パラメータごとの測定誤差やラッキング変数との相関の違いにより、両者の最適設計が著しく異なることを理論的に示しました。
2. 整数値 A-最適割り当てアルゴリズムの導出:
   複数パラメータの分散和を最小化する整数値のサンプリング設計（Neyman-Wright 割り当ての拡張）を初めて導出しました。これにより、実務的な制約（整数サンプル数、層の上限）を満たしつつ、理論的に最適な設計が実行可能になります。
3. 実用的な戦略の比較と評価:
   シミュレーションと実データ分析を通じて、独立最適化、逐次最適化、A-最適性の 3 つの戦略を比較し、A-最適性が最も堅牢で効率的であることを示しました。

4. 結果 (Results)

シミュレーション研究（ロジスティック回帰モデル）と実データ分析（Vanderbilt 総合ケアクリニックの HIV コホート）から以下の結果が得られました。

• 効率性の向上:
  • 従来のケースコントロール法（Strategy 1）に比べ、適応的なマルチウェーブ設計（Strategy 2-5）はすべてのシナリオで推定効率を大幅に向上させました。
  • **A-最適性（Strategy 5）**が、分散の和を最小化する点で、ほぼすべてのシナリオで最良のパフォーマンスを示しました（単一の例外を除く）。
• GR と IPW の設計の違い:
  • 単一パラメータでは IPW 設計が GR にも近似して有効でしたが、複数パラメータではそうではありません。
  • 特に、あるパラメータは第 1 段階データでよく説明され（ラッキング効果大）、別のパラメータは説明されにくい（ラッキング効果小）場合、IPW 最適設計では後者のパラメータの分散が大きくなりすぎます。A-最適設計は、ラッキング効果が低いパラメータに対してはサンプリング設計で補うように調整するため、全体としての効率性が向上しました。
• 実データ分析（VCCC HIV Study）:
  • 死亡（Death）と AIDS 定義イベント（ADE）の 2 つのアウトカムを対象に分析。
  • 死亡データは EHR で正確に記録されていたが、ADE データは誤分類が多かった。
  • GR 推定量を用いた場合、死亡推定では分散が 88-95% 減少しましたが、ADE 推定では 12-22% のみでした。
  • IPW 最適設計を適用すると、GR 推定量の分散和が大きくなりました。一方、GR 最適の A-最適設計は、ADE 推定の効率を高めるためにサンプリングを調整し、両パラメータのバランスを最善に保ちました。

5. 意義 (Significance)

• 実用的なガイダンス: 電子健康記録（EHR）など、不完全または誤りを含むデータを用いた医学研究において、複数の研究質問（パラメータ）を同時に解決するための最適なサンプリング戦略を提供します。
• 効率性の最大化: 限られた検証コスト（第 2 段階のサンプル数）を、パラメータ間の相関や測定誤差の程度を考慮して配分することで、推定精度を最大化します。
• ソフトウェア実装: 提案された A-最適割り当てアルゴリズムは、R パッケージ optimall に実装されており、研究者がすぐに利用可能です。
• 将来の研究への基盤: 単一パラメータの設計から複数パラメータへの拡張、および GR 推定量の特性を考慮した設計の重要性を明確に示し、EHR 研究における統計的推論の質を高めるための基礎を築きました。

結論として、複数のパラメータを扱う 2 段階サンプリング研究において、単純な独立最適化や逐次最適化ではなく、パラメータ間の重み付けを考慮した A-最適性に基づく設計、特に一般化ラッキング（GR）推定量に特化した設計を採用することが、推定効率を最大化する上で不可欠であることが示されました。