Variance component score test for multivariate change point detection with applications to mobile health

技術要約：多変量変化点検出のための分散成分スコア検定

問題提起
多変量変化点検出は、時系列データにおける複数の特徴量間の分布シフトを特定することを目的としている。このタスクは、モバイルヘルス（mHealth）アプリケーションにおいて特に困難である。なぜなら、特徴量の数（$p$）が観測数（$T$）と同等かそれを上回ることが多く、かつ、リスクのある患者（例：感情的不安定性を抱える患者）への介入のために、行動変化をタイムリーに検出することが極めて重要だからである。既存の手法には限界がある。Hotellingの$T^2$検定はオフラインの外れ値検出用に設計されており、持続的で微細な変化に対する検出力が不足している。累積和（CUSUM）法はチューニングパラメータに敏感であり、データストリームの数が増えるにつれて検出力が低下する。また、サンプルダイバージェンス法は、ペアごとの比較が必要となるため計算コストが高い。さらに、標準的なオンライン検出手法は、変化点を含むデータを用いて分布パラメータ（平均および共分散）を推定する場合、バイアスが生じやすい。

手法
著者らは、多変量変化点検出に適応させた分散成分スコア検定である**VC***を提案している。この手法は、変化点の前のデータのみを用いて分布パラメータを推定することで、オンライン設定での潜在的な変化点を評価する。

• 統計モデル: データは、変化点 $k$ が発生する特徴ベクトル $\mathbf{Y}_t$ としてモデル化される。変化後、特徴量の平均はベクトル $\boldsymbol{\beta}$ にシフトし、分散は $\delta$ にシフトする。帰無仮説（$H_0$）は、平均および分散の変化がないこと（$\boldsymbol{\beta}=\mathbf{0}, \delta=0$）を仮定する。
• 分散成分フレームワーク: 著者らは、混合効果モデルやゲノムワイド関連解析（GWAS）で伝統的に用いられる分散成分スコア検定の枠組みを拡張した。彼らは、平均シフト $\boldsymbol{\beta}$ を $\mathcal{N}(\mathbf{0}, \tau\mathbf{I}_p)$ に従うランダム効果として扱う。これにより、検定問題は $p+1$ 個のパラメータから、2つのパラメータ（$\tau$：平均シフトの分散、および $\delta$：分散のシフト）へと簡略化される。
• バイアス低減戦略: 主要な手法上の革新は、変化点前の日のデータのみを使用して平均（$\boldsymbol{\mu}$）および共分散行列（$\Sigma$）を推定することである。著者らは、定理2.1を通じて、すべての利用可能な日（変化後のデータを含む）を使用すると、代替仮説の下で推定値にバイアスが生じることを示している。より少ない日数を使用することは推定量の分散を増大させるが、著者らは、このバイアスの減少が、特に $T$ が小さいシナリオにおいて検出力を高めると主張している。
• 正則化: $p > T$ となる高次元の設定に対処するため、共分散推定値は収縮パラメータ $\phi \in [0, 1]$ を用いて正則化される。これは、サンプル相関行列を分散の対角行列と混合させることで、データが疎な場合でも推定値を安定させる。
• 検定統計量: 候補日 $k$ に対する検定統計量 $Q_k$ は、探索ウィンドウ（$d_b$）内で計算される。最終的な決定は、ウィンドウ内の最大 $Q_k$ が経験的な帰無分布による閾値を超えた場合に、帰無仮説を棄却する。

主な貢献

1. 新規の応用: これは、分散成分スコア検定を多変量変化点検出の文脈に適用した初めての事例である。
2. バイアスを考慮した推定: バイアスを回避するために変化前データのみを使用してパラメータを推定する戦略を導入し、このトレードオフ（分散の増大とバイアスの減少）が、小標本サイズにおいて検出力を向上させることをシミュレーションを通じて示した。
3. 堅牢性: 本手法は、平均、分散、またはその両方の変化を同時に検出するように設計されており、異なるタイプの分布シフトに対して堅牢である。

結果

• シミュレーション研究:
  • 検出力の比較: $T \in \{30, 60, 90\}$ および $p=50$ のシミュレーションにおいて、VC*は、様々なシナリオ（平均のみの変化、分散のみの変化、および複合的な変化）において、Hotellingの$T^2$、CUSUM、およびサンプルダイバージェンスよりも高い検出力を示した。
  • バイアスと分散のトレードオフ: VC*（変化前推定）と従来のVC検定（全データ推定）の比較では、特徴量間に相関がある場合（$\alpha > 0$）において、VC*は一貫して従来の手法を上回った。無相関の設定では、分散のみの変化において非常に小さい $T$ では性能が同等かわずかに低かったが、相関がある設定ではVC*の方が優れていた。
• 実データへの適用:
  • 本手法は、感情的不安定性を抱える41名の青年および若年成人から収集された、スマートフォンによる受動的収集データ（GPSおよび社会的指標）に適用された。
  • VC*は、31名の被験者に対して99個の変化点を検出した。これは、競合手法（Hotellingの$T^2$: 31; CUSUM: 32; サンプルダイバージェス: 33）よりも有意に多い。
  • 臨床的相関: VC*-によって検出された変化点の割合は、ピッツバーグ睡眠の質指数（PSQI）の「習慣的な睡眠効率」サブスケールと、わずかに有意な正の相関を示し、「探索行動（experience seeking）」サブスケールの簡便感覚探索（BSS）尺度と、わずかに有意な負の相関を示した。パーソナリティ障害の診断の有無による変化点発生率の有意な差は見られなかった。

意義と主張
本論文は、VC*が、モバイルヘルスデータの制約（高次元性、小標本サイズ、リアルタイム介入の必要性）に特化した、統計的に厳密で強力なオンライン多変量変化点検出のアプローチを提供すると主張している。著者らは、バイアスを避けるために変化前のデータのみを利用できるという提案手法の能力が、逐次的モニタリングにおける決定的な利点であると強調している。また、実世界のアプリケーションにおいて、本手法がより多くの変化点を検出したものの、グラウンドトゥルース（真の値）は未知であり、検出数の多さは、逐次的に適用された従来の0.05の有意水準の使用を反映している可能性があると述べている。結論として、著者らは、VC*が、最近のベースライン行動からの逸脱を特定することが臨床介入において不可なる、mHealthの文脈に適していると述べているが、同時に、逐次的検定における偽陽性制御の課題や、信頼できるパラメータ推定のための十分な変化前データの必要性についても認めている。