Integration of Individual Participant and Aggregate Data Under Dataset Shift: Summary Statistic Comparison and Scalable Computation

1. 研究の背景と問題提起

個人データ（IPD: Individual Participant Data） と 集計データ（AD: Aggregate Data） を統合して分析することは、異なる研究からのエビデンスを合成し、推論の信頼性と一般化可能性を高める有力な戦略として注目されています。しかし、既存の研究では主に統合アルゴリズムの開発に焦点が当てられており、「どのような形式の集計データ（AD）が推定効率を最大化するか」 という問いは十分に探求されていませんでした。

さらに、IPD と AD が異なる母集団、研究期間、またはデータ収集方法から得られる場合、データセットシフト（Dataset Shift）（共変量シフトや事前確率シフトなど）が発生し、統合分析の妥当性を損なう可能性があります。また、豊富な AD を統合しようとすると制約条件が増え、従来の最尤法に基づく計算が数値的に不安定になり、スケーラビリティに課題が生じます。

本研究は以下の 3 つの主要な課題にアプローチします：

1. 異なる形式の AD（特に共変量で層別化したものか、結果で層別化したものか）が推定効率に与える影響の比較。
2. データセットシフトが存在する状況下での IPD-AD 統合フレームワークの構築。
3. 高次元かつ数値的に不安定になりがちな制約付き最尤推定（CMLE）を、高速かつ安定して計算できる非反復アルゴリズムの開発。

2. 手法と理論的枠組み

2.1 制約付き最尤推定（CMLE）の枠組み

本研究は、Qin (2000) や Chatterjee et al. (2016) によって提案された制約付き最尤推定（Constrained Maximum Likelihood Estimation, CMLE）を基盤としています。

• 基本構造: IPD に基づく対数尤度関数を最大化しつつ、AD が提供する母集団の推定方程式（モーメント条件）を制約条件として課します。
• AD の扱い: AD は、パラメータ $\phi$ に対する推定値 $\hat{\phi}$ として扱われ、その不確実性（分散共分散行列）を正規近似に基づいて尤度関数に追加項として組み込みます。

2.2 データセットシフトのモデル化

IPD と AD の分布が異なる場合（$f(y, x) \neq f^*(y, x)$）、以下の 2 種類のシフトを一般化された密度比モデル（Density Ratio Model）で統合的に扱います。

• 共変量シフト (Covariate Shift): 共変量 $X$ の分布が異なるが、条件付き分布 $Y|X$ は同じ。
• 事前確率シフト (Prior Probability Shift): 結果変数 $Y$ の分布（事前確率）が異なるが、条件付き分布 $X|Y$ は同じ。
  これらを「バイアス付きサンプリング」の枠組みで記述し、重み関数 $w_X(x)$ と $w_Y(y)$ をパラメータ $\theta^*$ を用いて半パラメトリックに推定します。これにより、シフト下でも不偏な推定方程式を導出できます。

2.3 要約統計量の比較対象

本研究では、主に以下の 3 種類の AD 形式を比較しました：

1. 周辺平均: 結果変数または共変量の全体平均。
2. 共変量で層別化した結果の要約 (Covariate-stratified): 年齢や性別などの共変量グループごとの結果の平均（例：Table 1 の形式）。
3. 結果で層別化した共変量の要約 (Outcome-stratified): 結果変数（例：ケース/コントロール、または連続変数の四分位）ごとの共変量の平均。

2.4 高速非反復アルゴリズム

従来の CMLE は、ラグランジュ乗数を求めるための内側ループ（ニュートン・ラフソン法）とパラメータ推定の外側ループを繰り返す必要があり、計算コストが高く、高次元では発散するリスクがありました。
本研究では、Gao and Chan (2023) のアプローチを拡張し、非反復（Non-iterative）アルゴリズムを開発しました。

• 原理: 制約付き MLE と無制約 MLE の影響関数（Influence Function）の漸近線形展開を比較し、初期推定量（無制約 MLE と観測された AD）から 1 段階で修正項を計算して最終推定量を得る手法です。
• 利点: 数値的安定性が向上し、高次元の制約条件（多くの AD 情報）を扱っても計算効率が維持されます。

3. 主要な結果

3.1 シミュレーション研究

• 推定効率: データセットシフトの有無にかかわらず、「結果で層別化した共変量の要約（Outcome-stratified covariate summaries）」 を統合した場合、他の形式（共変量で層別化したものや周辺平均）と比較して、推定パラメータの分散が最も小さくなり、推定効率が大幅に向上しました。
• 連続変数の重要性: 特に結果変数が連続的な場合、結果を四分位などで分割した共変量の平均を提供することが、最も効率的なエビデンス合成を可能にします。
• データセットシフトへの頑健性: 提案された CMLE フレームワークは、共変量シフトおよび事前確率シフトが存在する状況下でも、バイアスを抑えつつ効率的な推定を可能にしました。

3.2 実データ分析

1. 米国 National Longitudinal Survey of Youth (NLSY) データ:
   • 1997 年コホート（IPD）と 1979 年コホート（AD）を統合し、所得への影響要因を分析。
   • 共変量シフト（性別や学歴の分布の違い）を考慮した結果、結果（所得）の四分位で層別化した共変量平均 を統合したモデルが、最も小さな標準誤差（相対効率 1.36〜1.61 倍の改善）を示しました。
2. 日本・大阪の不動産価格データ:
   • 2019 年の個別取引データ（IPD）と 2018 年の集計データ（AD）を統合。
   • 高価格帯の物件が頻繁に取引されないため生じる「事前確率シフト」をモデル化。
   • 同様に、結果（価格）で層別化した共変量平均 を用いることで、駅までの距離や家屋の年齢などの係数推定精度が向上しました。

4. 重要な貢献と意義

1. 報告のあり方への提言:
   従来の臨床試験や疫学研究では、結果が二値変数の場合（ケースコントロール研究など）に「結果で層別化した共変量（例：ケース群と対照群の平均年齢）」を報告する慣習がありますが、連続変数の結果変数に対しては、この形式の報告が極めて稀でした。
   本研究は、連続変数の結果に対しても**「結果で層別化した共変量の要約統計量」を報告すること**を強く推奨しています。これにより、後の IPD-AD 統合分析の効率が劇的に向上し、より少ないデータで高精度な推論が可能になります。

2. 計算手法の革新:
   従来の CMLE は計算負荷が高く、実用的な大規模データや複雑な制約条件には適用が困難でした。本研究で開発された高速非反復アルゴリズムは、AD の不確実性とデータセットシフトを同時に考慮しつつ、数値的に安定した推定を可能にし、実証分析への適用を現実的なものにしました。

3. 理論的拡張:
   共変量シフトと事前確率シフトを統一的に扱う一般化された密度比モデルを CMLE 枠組みに組み込むことで、異なる母集団からのデータ統合におけるバイアス修正と効率化を両立させました。

5. 結論

本研究は、IPD と AD の統合分析において、「どのような要約統計量を選ぶか」 が推定効率に決定的な影響を与えることを示しました。特に、連続変数の結果変数に対して「結果で層別化した共変量の要約」を提供することは、エビデンス合成の効率を大幅に高める鍵となります。また、開発されたスケーラブルなアルゴリズムは、データセットシフトが存在する現実的な環境下でも、統計的推論の質を向上させるための実用的なツールとして機能します。

将来的には、パラメトリックモデルからセミパラメトリックモデル（単一指標モデルなど）への拡張が今後の課題として挙げられています。