Design-Conditional Prior Elicitation for Dirichlet Process Mixtures: A Unified Framework for Cluster Counts and Weight Control

技術要約：ディリクレ過程混合モデルのための設計条件付き事前分布の引き出し

問題提起
ディリクレ過程混合（DPM）モデルは、制限的なパラメトリック仮定を置かずにデータから潜在的な構造を明らかにできるため、教育学や行動科学の研究において半パラメトリックなベイズ分析として広く採用されている。しかし、その効果的な適用のための決定的な障壁は、集中パラメータ $\alpha$ の指定にある。このパラメータは、占有されるクラスターの期待数（$K_J$）と混合重みの分布の両方を制御する。

実務家は通常、$\alpha$ に関する直接的な直感を持たないが、設計に関連する量、例えば固定された $J$ 個のユニット（例：マルチサイト試験におけるサイト数）の間における、異なるサブグループの期待数についての信念を述べることはできる。これは、「専門知識」と「ソフトウェアが必要とする技術的なハイパーパラメータ」との間の「翻訳ギャップ」を生じさせる。既存の解決策は、主に以下の3つの限界に直面している：

1. 翻訳ギャップ： $K_J$ に関する信念を、ガンマ超事前分布（$\alpha \sim \text{Gamma}(a, b)$）の形状およびレートパラメータ $(a, b)$ へと変換するための標準的な閉形式の写像が存在しない。
2. 計算のギャップ： 校正（キャリブレーション）手法は、グリッドサーチや繰り返しのMCMC実行に依存してカルバック・ライブラー（KL）ダイバージェンスを最小化することが多く、体系的な感度分析を計算上極めて困難にしている。
3. 整合性のギャップ： クラスター数のみに一致するように事前分布を校正することは、導出された混合重みが実質的な期待と一致することを保証しない。特定の $K_J$ を妥当な結果として与える事前分布が、意図せず「重みの支配」（一つのクラスターが大部分の質量を占める現象）をコードしてしまう可能性がある。これは「意図せぬ事前分布（unintended prior）」と呼ばれる現象である。

手法：設計条件付き引き出し（Design-Conditional Elicitation: DCE）
本論文では、実務家のクラスター構造に関する信念を、固定された設計サイズ $J$ に対する整合性のあるガンマ超事前分布へと変換する統一フレームワーク、DCEを提案する。このフレームワークは、以下の2つのコアコンポーネントで構成される：

1. 二段階モーメント・マッチング（TSMM）：

   • 第1段階（閉形式による初期化）： ポアソン・ガンマ共役関係から導出されたシフト・ネガティブ二項近似を利用し、ターゲットとなる $K_J$ の平均（$\mu_K$）および分散（$\sigma^2_K$）に基づき、$(a, b)$ の閉形式の初期値を算出する。このステップは、$K_J - 1 | \alpha \approx \text{Poisson}(\alpha \log J)$ という近似を利用している。
   • 第2段階（厳密な精緻化）： 有限の $J$ における真のディリクレ過程誘導分布の下でターゲットとなるモーメントを強制するために、対数パラメータ空間における厳密なニュートン法を適用する。この段階では、ディガンマ関数およびトリガンマ関数を含む $K_J$ の条件付きモーメントの解析的微分と、数値積分（ガウス・ラグエア求積法）を用いて、モーメント一致方程式を解く。
   • 効率性： この二段階アプローチはグリッドサーチを排除し、約50ミリ秒でマシン精度での校正を実現する（不一致最適化アプローチと比較して約900倍の高速化）。

2. デュアル・アンカー・プロトコル：

   • $K_J$ のモーメントを一致させることが重みの集中を制御しないことを認識し、DCEは重みの診断、具体的には最初のスティック・ブレイキング重み $w_1$ に関する裾確率（$\Pr(w_1 > 0.5)$ および $\Pr(w_1 > 0.9)$）の報告を義務付けている。
   • TSMMによって校正された事前分布が許容できないレベルの支配リスク（例：ランダムなユニットが多数派クラスターに属する確率が高い場合）を暗示している場合、プロトコルはオプションの精緻化を提供する。これには、$K_J$ ターゲットへの忠実度と支配許容度のバランスを取る制約付き最適化が含まれ、結果として生じるトレードオフを明示的に報告する。

主な貢献

1. 計算上の解決策： TSMMの導入により、グリッドサーチなしでの迅速かつ厳密なモーメント一致が可能となり、事前分布校正の計算上のボトルネックを解消した。
2. 整合性メカニズム： デュアル・アンカー・プロトコルは、重みの含意を明示化することで「意図せぬ事前分布」の問題に対処する。これにより、クラスター数の忠実度に対するトレードオフを透明に報告しながら、重みの支配を診断し、オプションで制約を加えるメカニズムを提供する。
3. 実装： 完全なワークフローは、再現可能な診断機能と透明性を確保するための報告チェックリストを備えたオープンソースのRパッケージ DPprior に実装されている。

シミュレーション結果
本論文では、様々な真のクラスター数（$K^* \in \{5, 10, 30\}$）およびデータの情報量レベル（$I \in \{0.2, 0.5, 0.8\}$）にわたって、DCEを一般的なデフォルト（例：$\text{Gamma}(1, 1)$）および既存の校正手法（例：Dorazio, 2009）と比較評価した。

• デフォルトの失敗： 標準的な $\text{Gamma}(1, 1)$ 事前分布は、真のクラスター構造やデータの情報量に関わらず、60%以上のケースで「クラスター崩壊」（$K_J=1$ への事後分布の集中）を引き起こす。非常に情報量の多いデータ（$I=0.8$）であっても、この漠然とした事前分布による強いプーリング仮定を克服できなかった。
• TSMMの性能： TSMMで校正された事前分布は、バイアスを大幅に減少させ、真のクラスター構造の回復を改善した。$K^*=30$ の場合、TSMMは平方根平均二乗誤差（RMSE）を、漠然とした事前分布の28.04から4.31へと減少させた。
• デュアル・アンカーの必要性： 小さな期待クラスター数（$K^*=5$）のシナリオでは、TSMM単独でも、暗示される重みの支配により中程度の崩壊率（約48%）を示した。デュアル・アンカーによる精緻化は、この崩壊率を約10〜14%に減少させ、ほぼ偏りのない推定値（$E[K_J | \text{data}] \approx 5.04$）と100%の信頼区間被覆率を実現した。
• 情報量の限界： シミュレーションは、データへの情報量を高めても、不適切に指定された事前分布を救済できないことを示している。したがって、データが豊富な設定であっても、原理に基づいた事前分布の指定が極めて重要である。

意義と主張
本論文は、ベイズ非パラメトリックにおける事前分布指定の「ブラックボックス」を開放しなければならないと主張している。DCEは、サンプルサイズ $J$ が研究デザインによって決定される固定設計（例：マルチサイト試験、メタ解析）において、実践的で防御可能なワークフローを提供すると主張している。

• SSD/SSI論争への対処： サンプルサイズ依存（SSD）事前分布は、変化するサンプルサイズに対して整合性を欠くという批判を認めつつ、著者らは、固定された $J$ の設計においては、$K_J$ に関する信念を引き出すことが実質的に意味のあるアプローチであると論じている。DCEは、SSD手法の解釈可能性と、サンプルサイズ独立（SSI）の批判による重み制御の洞察を統合している。
• 実務的影響： 著者らは、DCEが、事前分布を単なる「漠然とした」デフォルトではなく、透明で解釈可能であり、かつ研究デザインに適合したものとする、より原理に基づいた実践へと分野を導くものであると主張している。重みの診断を要求し、トレードオフのメカニズムを提供することで、DCEは「意図せぬ事前分布」の現象が無視されるのではなく、特定され管理されることを保証する。

結論として、中程度のサンプル設定においては、漠然としたデフォルトは強いプーリング事前分布として機能する場合があり、データの情報量を高めることが自動的にこの効果を打ち消すわけではない。したがって、教育学や行動科学における堅牢な推論のために、重み診断を伴う設計条件付き引き出しの採用が推奨される。