論文要約：k 個（k≥2）の正規分布に対する重なり係数のシンプソン則に基づく推定アプローチ

1. 研究の背景と課題

確率分布間の類似性を定量化する指標として「重なり係数（Overlapping Coefficient: OVL）」が広く用いられています。特に、2 つの分布間の共通領域を測る Weitzman の重なり係数（$\Delta_2$）は、薬理学、経済学、画像解析など多様な分野で応用されています。

しかし、2 つ以上の分布（$k \ge 2$）に拡張された重なり係数（$\Delta_k = \int \min\{f_1(x), \dots, f_k(x)\} dx$）の推定には、以下の課題がありました。

• 解析的困難さ: 分布密度関数の最小値を定義する領域（区間）が $k$ が増えるにつれて複雑化し、解析的な積分計算が極めて困難になる。
• 既存手法の限界: 2 分布の場合の手法は多数提案されているが、3 以上の正規分布に対する一般的で計算効率的な推定手法は限られていた。

本研究は、$k \ge 2$ の正規分布における重なり係数 $\Delta_k$ を推定するための、シンプソン則（Simpson's rule）を用いた数値積分アプローチを提案し、その有効性を検証することを目的としています。

2. 提案手法（シンプソン則に基づく推定量）

本研究では、パラメータの最尤推定量（MLE）を密度関数に代入する「プラグイン法」と、数値積分手法である「シンプソン則」を組み合わせた推定枠組みを構築しました。

2.1 基本的な定式化

$k$ 個の独立した正規分布 $N(\mu_i, \sigma_i^2)$ に対して、重なり係数は以下の積分で定義されます。
$$\Delta_k = \int_{-\infty}^{\infty} \min\{f_1(x), f_2(x), \dots, f_k(x)\} dx$$
ここで、$f_i(x)$ は $i$ 番目の正規分布の確率密度関数です。

2.2 数値積分への適用

積分範囲 $(-\infty, \infty)$ を有限区間に変換し、シンプソン則を適用します。

1. 変数変換: 無限区間 $(-\infty, \infty)$ を有限区間 $[0, 1]$ に写すために、一般化ロジスティック分布関数 $G(x)$ を用いた変換 $u = G(x)$ を行います。これにより、被積分関数 $g(x)$ が $h(u)$ として定義され、単位区間上の積分として扱えます。
   • 変換パラメータ $\alpha$ として、固定値（$\alpha=1, 2$）またはデータ駆動型（データから推定）の選択が可能とされています。
2. シンプソン則の適用: 変換後の区間 $[0, 1]$ を $r$ 個の等間隔に分割し、シンプソン則を用いて数値積分を実行します。
   $$\hat{\Delta}_k^{(simp)} \approx \frac{h}{3} \left[ \hat{g}(x_0) + 4\sum_{j \text{ odd}} \hat{g}(x_j) + 2\sum_{j \text{ even}} \hat{g}(x_j) + \hat{g}(x_r) \right]$$
   ここで、$\hat{g}(x)$ は、サンプルデータから得られた平均 $\bar{x}_i$ と分散 $s_i^2$ の最尤推定量を代入して得られた推定密度関数の最小値です。

2.3 理論的性質

• 一致性（Consistency）: 標本サイズ $n_i \to \infty$ において、提案された推定量 $\hat{\Delta}_k^{(simp)}$ は真の値 $\Delta_k$ に確率収束することが証明されています。これは、最尤推定量の一致性と、シンプソン則の近似誤差が標本サイズに依存しない定数（格子間隔 $h$）であることに起因します。
• 一般性: 証明は正規分布の滑らかさに依存しており、他の滑らかなパラメトリック族にも拡張可能です。

3. シミュレーション研究と結果

3 つの正規分布（$k=3$）の場合を想定し、Eidous and Alsheyyab (2025) が提案した既存の推定量（$\hat{\Delta}_3^*$）と比較するモンテカルロシミュレーションを実施しました。

3.1 実験設定

• シナリオ: 重なり度合いが異なる 4 つのシナリオ（S1: 大、S2: 中、S3: 小、S4: 極小）を設定。
• 標本サイズ: バランス型 (50, 50, 50) と不バランス型 (50, 100, 150) の 2 通り。
• 評価指標: 平均推定値 (AV)、相対バイアス (RB)、相対二乗平均誤差 (RRMSE)、相対効率 (EFF)。

3.2 主要な結果

1. 高重なり領域（$\Delta_3 \approx 0.93$）:
   • 全ての推定量（提案手法と既存手法）の性能はほぼ同等でした。バイアスや誤差は小さく、手法の選択は重要ではありません。
2. 中程度の重なり（$\Delta_3 \approx 0.69$）:
   • 全ての手法で正のバイアスが観察されましたが、提案手法（特に $\alpha=2$）は既存手法よりわずかに高い効率を示しました。
3. 低重なり領域（$\Delta_3 \approx 0.47$）:
   • 提案手法は既存手法に対して明確な効率の向上（約 5-6% の改善）を示しました。
4. 極低重なり領域（$\Delta_3 \approx 0.07$）:
   • 最も顕著な差が観察されました。提案手法（特にデータ駆動型の $\alpha$ を用いた場合）は、既存手法と比較して RRMSE が大幅に低く、効率（EFF）が 1.3 以上（最大 1.34）に達しました。
   • 重なりが小さい場合、分布の共通領域が狭くなるため推定が困難になりますが、シンプソン則に基づくアプローチが特に有効であることが示されました。

3.3 パラメータ $\alpha$ に関する知見

• $\alpha=1$、$\alpha=2$、およびデータから推定した $\hat{\alpha}$ の 3 つのバージョンを比較したところ、その性能差は極めて小さく、実質的に区別できませんでした。
• データ駆動型の $\alpha$ 推定は不安定さをもたらさず、柔軟かつ安定した推定を可能にします。

4. 結論と学術的・実用的意義

結論

本研究は、$k \ge 2$ の正規分布に対する重なり係数 $\Delta_k$ を推定するための、シンプソン則に基づく数値積分アプローチを提案しました。この手法は、パラメータの最尤推定量を組み合わせることで、解析的に扱いにくい最小値関数の積分を効率的に計算します。

主な貢献と意義

1. 低重なり状況での優位性: 既存手法と比較して、特に分布間の重なりが小さい（共通領域が限定的な）場合に、推定の精度と効率が大幅に向上します。これは、実務において「類似性が低い」ケースの分析が重要である分野（例：異なる治療群の明確な区別、異常検知など）において極めて重要です。
2. 計算の柔軟性と効率性: 任意の $k$ に対応可能であり、解析的な区間分割が不要なため、実装が容易で計算コストが低いです。
3. ロバスト性: 変換パラメータ $\alpha$ の選択（固定値かデータ駆動か）に依存せず、安定した性能を発揮します。
4. 理論的裏付け: 大標本における推定量の一致性が数学的に証明されており、統計的推論の基礎が確立されています。

総じて、この手法は、複数の正規分布間の類似性を評価する際の、柔軟で計算効率的かつ高精度な標準的なアプローチとして位置づけられ、特に低重なり領域での推定課題に対する実用的な解決策を提供するものです。