論文要約：Coxモデルにおける変数選択後の統計的推論：シミュレーション研究

1. 背景と問題意識 (Problem)

バイオメディカル分野の生存時間解析において、高次元データから関連する予測因子を特定するために、Lasso（ラッソ）などの正則化手法を用いた変数選択が広く用いられています。しかし、従来の頻度論的な統計推論（p値や信頼区間の算出）は、「共変量の集合は事前に固定されている」という前提に基づいています。

データ駆動型で変数選択を行った後に、選択された変数に対してそのまま従来の推論手法を適用すると、以下の問題が発生します：

• バイアスと過剰適合: 推定値がゼロ方向に偏ったり、選択された変数に対して過度に楽観的な（狭すぎる）信頼区間が算出されたりする。
• 生存時間解析特有の困難: 右側打ち切り（Right-censoring）が存在することで不確実性が増大し、標準的な漸近理論の適用が複雑になる。

本研究は、Cox比例ハザードモデルにおいて、変数選択後の係数に対して「いかにして妥当な（Validな）推論を行うか」という課題に取り組んでいます。

2. 研究手法 (Methodology)

本研究では、LassoおよびAdaptive Lassoを用いて変数選択を行った後、以下の4つの異なる推論アプローチを比較検討しています。

検討された推論手法

1. Sample Splitting (サンプル分割): データを「変数選択用」と「推論用」の2つに分割する。選択に使用していないデータでモデルを再適合するため、選択バイアスを回避できるが、有効サンプルサイズが減少するため精度（効率性）が低下する。
2. Exact Post-Selection Inference (Exact PSI; 正確な事後選択推論): 変数選択が行われたという「イベント」を条件付けることで、有限標本でも妥当な信頼区間を算出する手法。ただし、正則化パラメータ $\lambda$ が固定されている必要がある。
3. Debiased Lasso (デバイアス・ラッソ): Lassoによる収縮バイアスを補正するための1ステップの修正項を加えることで、漸近正規性を回復させる手法。選択イベントを条件付けずに、フルモデルの係数に対して推論を行う。
4. Naive Refitting (比較用のナイーブな手法): 変数選択後に、選択された変数のみを用いて通常のCoxモデルを再適合する手法（選択バイアスを考慮しない）。

シミュレーション設計

• Toy Simulation: 多変量正規分布に従う共変量を用い、異なる係数パターン（全変数に効果がある、疎なモデルなど）や、指数分布・ワイブル分布のベースラインハザードを設定。
• Realistic Simulation (METABRIC): 乳がん患者の実際のデータ（METABRICコホート）に基づき、臨床的な共変量分布や効果量を模した、より現実的な設定。
• 評価指標: 選択的被覆率 (Selective Coverage)、信頼区間の幅 (SCI Width)、選択的検出力 (Selective Power)、選択的第一種の過誤 (Type I Error)、予測精度 (IBS)。

3. 主な貢献 (Key Contributions)

• Coxモデルへの拡張: 線形回帰モデルで先行研究があった「変数選択後の推論」の枠組みを、打ち切りを伴うCoxモデルへと体系的に拡張し、評価した。
• 包括的な比較: サンプルサイズ、共変量の相関、打ち切り率、および $\lambda$ のチューニングルール（CV, AIC, BIC等）が推論の妥当性に与える影響を網羅的に調査した。
• 実データへの適用: シミュレーションだけでなく、実際の臨床データ（METABRIC）を用いて、手法間の挙動の違い（連続変数とカテゴリ変数の違いなど）を実証した。

4. 結果 (Results)

推論の妥当性 (Validity)

• Debiased Lasso と Sample Splitting は、多くのシナリオにおいて、名目上の被覆率（90%）に近い妥当な被覆率を達成した。
• Exact PSI は、$\lambda$ をクロスバリデーション（CV）などでデータ駆動型に決定した場合、条件付けの前提が崩れるため、被覆率が著しく低下（アンダーカバレッジ）する傾向が見られた。
• Naive Refitting は、第一種の過誤を制御できず、極めて不適切な推論となることが確認された。

効率性と精度 (Efficiency)

• Debiased Lasso は、バイアス補正と分散のバランスが良く、他の手法と比較して最も狭く安定した信頼区間を提供した。
• Exact PSI は、選択イベントの条件付けによる不確実性の増大により、信頼区間が非常に広くなる傾向があった。
• Sample Splitting は、データの半分しか使えないため、信頼区間が広くなりやすく、特に打ち切り率が高い場合に精度が低下した。

チューニングルールの影響

• 予測重視のルール（$\lambda_{min}$, AIC）は、モデルが大きくなりやすく検出力は高いが、第一種の過誤の制御が不安定になる。
• モデル選択重視のルール（$\lambda_{BIC}$, $\lambda_{1SE}$）は、より疎なモデルを選択し、推論の安定性を高める。

5. 意義 (Significance)

本研究は、高次元生存時間解析における実務家に対し、以下の重要な指針を与えています。

1. 「選択後の再適合」の危険性: 変数選択後に単に通常のCoxモデルを回すだけでは、誤った結論を導くリスクが高い。
2. 手法の選択指針:
   • 効率性と妥当性のバランスを重視するなら Debiased Lasso が有力である。
   • 計算の単純さと堅牢性を重視するなら Sample Splitting が適している。
   • Exact PSI を使用する場合は、$\lambda$ の決定方法に細心の注意を払う必要がある。
3. 解釈の重要性: 変数選択の安定性（Selection Frequency）と推論結果を併せて検討することで、臨床的に信頼できるプログノスティック（予後予測）モデルの構築が可能になる。