Order-Induced Variance in the Moving-Range Sigma Estimator: A Total-Variance Decomposition

本論文は、移動範囲を用いた標準偏差推定値が順序に依存する性質を、総分散分解を通じて値成分と隣接成分に厳密に分解し、正規分布下で隣接成分が効率性の損失の大部分を説明することを示しています。

要約

この論文は、統計学の専門用語で書かれていますが、その核心は非常にシンプルで面白いアイデアに基づいています。タイトルにある「順序がもたらす変動」というテーマを、日常の例えを使って解説します。

1. 物語の舞台：「移動範囲（MR）」という物差し

まず、工場の品質管理（I-MR チャート）という場面を想像してください。
工場で製品が次々と作られ、そのサイズや重さを測っているとします。このとき、「どれくらいバラつきがあるか（標準偏差）」を知る必要があります。

ここで使われるのが**「移動範囲（Moving Range）」という方法です。
これは、「直前の製品」と「今の製品」の差**を次々と計算して、その平均をとるというやり方です。

• 例：A と B の差、B と C の差、C と D の差……

この方法は、**「時間順」**という並び方に強く依存しています。隣り合ったもの同士を比較するからです。

2. 問題提起：もし順番をシャッフルしたら？

著者のアンダーソン・カール氏は、ある不思議な実験を提案しました。

「もし、同じ製品たち（データ）を、時間を無視してランダムに並べ替えたらどうなるだろう？」

例えば、100 個のデータがあったとします。

• 元の並び（時間順）： 隣り合ったデータは似ているかもしれません（機械の調子が良いから）。
• シャッフル後の並び： 隣り合ったデータは、偶然、全く似ていないもの同士になるかもしれません。

すると、「移動範囲」の値は、並び方によって大きく変わってしまうことがわかります。同じデータセットなのに、並び方一つで「バラつき」の値が変わってしまうのです。

3. 論文の核心：「値」と「順序」の分解

この論文は、この「バラつきの原因」を、魔法のように 2 つに分けて説明しています。

「全体的なバラつき」＝「値そのもののバラつき」＋「並び順のバラつき」

これを料理に例えてみましょう。

• 値そのもの（Values）： 料理に使われている「材料の量」です。

  • 例：砂糖が 10g 入っているか、20g 入っているか。
  • これは、材料を混ぜる順番に関係なく、料理の味（平均的なバラつき）を決める根本的な要素です。
  • 論文では、これを**「ギニー平均差（GMD）」**という、すべての材料の組み合わせを平均した「究極の公平な値」で表しています。

• 並び順（Adjacency/Order）： 材料を「どの順番で混ぜたか」です。

  • 例：砂糖と卵を「隣り合わせて」混ぜたのか、遠く離れた位置で混ぜたのか。
  • これが「移動範囲」の値を揺らぎさせます。

この論文は、**「移動範囲という測定器が示す誤差の約 38% は、実は『材料の量』ではなく、『混ぜる順番の偶然』によって生じている」**と突き止めました。

4. 重要な発見：なぜ「移動範囲」は「標準偏差」より劣るのか？

統計学には、バラつきを測るもう一つの有名な方法（$S/c_4$）があります。これは、すべてのデータを公平に混ぜ合わせて計算する方法です。

• 移動範囲（MR）： 隣り合ったものだけを見る（順序依存）。
• 標準偏差（S）： すべてを公平に見る（順序非依存）。

一般的に、移動範囲は標準偏差よりも「精度（効率）」が低いと知られていました。なぜなら、計算量が少なくて済む代わりに、情報が足りないからです。

しかし、この論文は**「その精度の劣る理由の 97% は、実は『順序』のせいだ」と証明しました。
つまり、移動範囲が「不正確」に見えるのは、データそのものが悪いからではなく、「隣り合ったもの同士を比較するという、狭い視点（順序）に縛られているから」**なのです。

5. 現実への応用：シャッフル実験のヒント

この研究は、単なる理論ではありません。実際の工場のデータ分析にも役立ちます。

• シチュエーション： ある工場で、製品のサイズが「時間順」に見るとあまり変動していない（移動範囲が小さい）とします。
• 疑問： 「これは機械が安定しているからか？それとも、単に偶然、似ているものが隣り合って並んだだけか？」
• 解決策： この論文のアイデアを使えば、**「同じデータを 10 万回シャッフルして、その中で『移動範囲が小さくなる』確率を計算する」**ことができます。
  • もし、シャッフルした 10 万回の中で、元の並びより「小さく」なることがほとんどなければ、「これは偶然ではなく、本当に機械が安定している（または何か特殊な原因がある）」と判断できます。
  • これは、「ランダムな並び」という基準線を引いて、実際の並びがどれだけ特別か（あるいは普通か）を測るための「ものさし」になります。

まとめ

この論文は、**「データという『材料』と、それを並べる『順番』を分けて考える」**という新しい視点を提供しました。

• **移動範囲（MR）は、「隣り合うもの」**という狭い視点で世界を見るレンズです。
• そのレンズが歪んで見える原因の多くは、**「隣り合う偶然」**によるものです。
• この「偶然の揺らぎ」を数値化することで、私たちはデータの本当の姿（材料の量）と、見かけの揺らぎ（並び順）を区別できるようになります。

まるで、**「同じパズルのピースでも、並べ方によって完成図の『ざらつき』が変わってしまう」**ことを、数学的に証明したような論文です。

技術概要

論文要約：順序に起因する変動性を持つ移動範囲シグマ推定量の総分散分解

タイトル: Order-Induced Variance in the Moving-Range Sigma Estimator: A Total-Variance Decomposition
著者: Andrew T. Karl (Karl Statistical Services LLC)

1. 研究の背景と問題提起

統計的プロセス管理（SPC）において、I-MR 管理図（個別値 - 移動範囲図）はプロセスの標準偏差 $\sigma$ を推定するために広く用いられています。一般的には、スパン 2 の平均移動範囲（Moving Range, MR）を不偏定数 $d_2$ で割ることで推定を行います。

しかし、この推定量には以下の問題点があります：

• 順序依存性: 移動範囲は「隣接するデータ点の差」のみを使用するため、データの順序（隣接関係）に依存します。同じデータセットでも順序を入れ替えると推定値が変化します。
• 効率の低さ: 正規分布下では、標本標準偏差 $S$ を不偏定数 $c_4$ で割った推定量（$S/c_4$）と比較して、移動範囲推定量（$MR/d_2$）の効率が低いことが知られています（Hoel, 1946 など）。
• メカニズムの不明確さ: この効率の低下が、データの「値そのもの」のばらつきによるものか、それとも「順序（隣接関係）」によるものか、これまで定量的に分解されていませんでした。

Shewhart は既に 1939 年に、データの「値」と「順序」は異なる情報源であり、順序が異常な原因（assignable cause）の検出に重要であると指摘していましたが、この「順序に起因する変動」を定量化する理論的枠組みは不足していました。

2. 手法と理論的枠組み

著者は、観測された固定されたデータ値 $X$ に対して、独立した一様ランダムな置換 $\Pi$ を導入し、移動範囲推定量を $T(X, \Pi)$ として定義しました。これにより、推定量の変動を以下の**総分散の法則（Law of Total Variance）**を用いて厳密に分解します。

$$\text{Var}\{T(X, \Pi)\} = \underbrace{E[\text{Var}\{T(X, \Pi) \mid X\}]}_{\text{隣接成分 (Adjacency Component)}} + \underbrace{\text{Var}\{E[T(X, \Pi) \mid X]\}}_{\text{値成分 (Values Component)}}$$

• 値成分 (Values Component): データの値そのもののばらつきに起因する部分。これは置換の平均（順序に依存しない）の分散です。
• 隣接成分 (Adjacency Component): 固定されたデータ値に対して、順序（隣接関係）がランダムに変化することによって生じる条件付き分散の期待値です。

さらに、置換の平均 $\bar{T}(X)$ は、**ギニ平均差（Gini Mean Difference: GMD）**を $d_2$ で割ったもの ($\bar{T} = \text{GMD}/d_2$) であることが示されました。GMD はすべてのデータペアの差の絶対値の平均であり、順序に依存しない対称的な U-統計量です。

3. 主要な結果

正規分布 $N(\mu, \sigma^2)$ からの i.i.d. サンプリングを仮定した場合、両成分は閉形式（closed-form）で導出可能です。

3.1 隣接成分の寄与率

隣接成分が総分散に占める割合（AdjFrac）を定義し、その極限値を計算しました。
$$\lim_{n \to \infty} \text{AdjFrac}(n) \approx 0.3813$$
これは、正規分布下で i.i.d. データであっても、移動範囲推定量の標本分散の約 38% が、データの値そのものではなく「ランダムな隣接関係（順序）」に起因していることを意味します。

3.2 効率性の解釈

移動範囲推定量 $T$ と標準偏差推定量 $S/c_4$ の漸近相対効率（ARE）は、正規分布下で約 0.605 です。
著者はこの効率低下を以下のように分解して解釈しました：
$$\text{ARE}(T, S) = \text{ARE}(\bar{T}, S) \times (1 - \text{AdjFrac}(\infty))$$

• $\text{ARE}(\bar{T}, S) \approx 0.978$: 順序を無視した「値成分」のみの推定量（GMD ベース）は、$S/c_4$ とほぼ同等の高い効率を持っています。
• $1 - \text{AdjFrac}(\infty) \approx 0.6187$: 順序による情報の損失が効率を約 62% にまで低下させています。

結論: 移動範囲推定量の $S/c_4$ に対する効率の低さは、データの値の性質によるものではなく、ほぼすべて（約 97%）が「隣接効果（順序依存性）」によるものであることが示されました。

3.3 数値的検証

表 1 に示されるように、サンプルサイズ $n$ が大きくなるにつれて、隣接成分の割合は 0.3813 に収束します。また、Cryer and Ryan (1990) の化学プロセスデータ（正の自己相関を持つ）を用いた実例では、観測された順序での推定値が、ランダムな順序の平均（GMD ベース）や $S/c_4$ よりも著しく小さく、正の系列相関が隣接差を抑制している様子が確認できました。

4. 意義と結論

この論文の主な貢献と意義は以下の通りです：

1. 理論的分解の確立: 移動範囲推定量の変動を「値」と「順序」に厳密に分解する理論的枠組みを提供しました。
2. 効率低下のメカニズムの解明: 移動範囲推定量の非効率性が、本質的に「局所化（隣接差のみを使用すること）」に伴う精度コストであることを定量的に証明しました。
3. Shewhart の洞察の定量化: Shewhart が提唱した「データ値」と「その順序」の区別を、分散分解という統計的な形式で具体化しました。
4. 診断ツールの提案: 観測された順序が、ランダムな順序と比較して「 unusually smooth（異常に滑らか）」か「rough（粗い）」かを判断するための、条件付き置換分布に基づく診断基準を提案しました。

実用的示唆:
I-MR 管理図において順序依存性は意図的なものであり（時間的変動を捉えるため）、この結果は時間順序を無視すべきという主張ではありません。むしろ、i.i.d. なデータであっても「隣接関係」に起因する不確実性が約 38% 存在するという「精度コスト」を認識し、Phase I 分析などで $MR/d_2$ と $S/c_4$ の両方を計算し、その差異を調査することが重要であることを再確認させます。特に、正の自己相関がある場合、移動範囲推定量は過小評価される傾向があるため、この理論的枠組みはプロセス変動の真の姿を理解する上で有用です。