Effective Degrees of Freedom for Balanced Repeated Replication and Paired Jackknife Variance Estimates: A Unified Approach via Stratum Contrasts

この論文は、層化標本におけるバランステッド・リプリケーション（BRR）とペアード・ジャックナイフの分散推定量が、それぞれ独立した層内対比の和として表現できることを示し、その独立性を利用してウェルチ・サッタースウェイト近似に基づく有効自由度の統一的な推定式を導出する。

要約

1. 背景：なぜ「ばらつき」を測る必要があるの？

国勢調査や世論調査など、巨大なパズル（全人口）を解くとき、私たちは全ピースを調べるのではなく、いくつかのピース（サンプル）を抜いて推測します。
「この推測はどれくらい正確なの？」と知りたいとき、**「誤差の大きさ（ばらつき）」**を計算する必要があります。

この論文は、その「ばらつき」を計算する2 つの有名な方法について話しています。

1. BRR（バランス反復複製法）： 複雑なルールでピースを組み合わせる方法。
2. ジャックナイフ（Jackknife）： 1 つずつピースを取り除いて味見する方法。

これまで、この2 つの方法は「作り方が全然違うから、結果の扱い方も違うはずだ」と考えられてきました。しかし、この論文は**「実は、最終的な答えは全く同じ形をしている！」**と証明しました。

2. 2 つの方法の正体：似て非なる「味見」

🔪 ジャックナイフ（包丁法）

これは**「1 人ずつ抜いて味見する」**方法です。
例えば、鍋に入っている 10 種類の具材（層）から、1 つだけ取り出して味見します。

• 特徴： 具材 A を抜いた味見と、具材 B を抜いた味見は、互いに干渉しません（独立しています）。
• 結果： 計算がシンプルで、それぞれの具材の「ばらつき」を足し合わせるだけです。

🎲 BRR（バランス反復複製法）

これは**「ハダマール行列（魔法のカード）」**を使って、具材を「入れ替え」たり「倍増」したりして味見する方法です。

• 特徴： 1 回の味見で、鍋の中のすべての具材が関わってきます。そのため、1 回目の味見と 2 回目の味見は「互いに影響し合っている（相関がある）」ように見えます。
• 疑問： 「みんなが絡み合っているのに、どうやって正確なばらつきを計算できるの？」

3. この論文の最大の発見：魔法の「相殺」

ここがこの論文のハイライトです。

BRR という方法は、一見すると複雑で、すべての味見がごちゃごちゃに絡み合っているように見えます。しかし、「ハダマール行列」という魔法のカードのルールのおかげで、不思議なことが起きます。

• メタファー：
  想像してください。100 人の人がそれぞれ「プラスの意見」と「マイナスの意見」を持っています。彼らがバラバラに喋っているように見えますが、実は**「全員が同時に喋ると、プラスとマイナスが完璧に打ち消し合い、最終的に残るのは『各グループごとの純粋な意見』だけ」**という現象が起きます。

論文は、BRR の計算過程でも同じことが起こることを証明しました。

• 個々の「味見（複製）」は互いに影響し合っています。
• しかし、それらを**「全部足し合わせて平均する」という最終ステップに行くと、「絡み合った部分」がすべて消え去り、残るのは「ジャックナイフと同じ形」のシンプルで独立した数字だけ**になります。

つまり、**「作り方は違うけど、出来上がった料理の味（ばらつきの計算式）は、実は同じ！」**というのです。

4. 具体的な成果：誰でも使える「自由度」の公式

統計では、この「ばらつき」を使って信頼区間（「本当の値はこれくらいでしょう」という範囲）を出すとき、**「自由度（ν：ニュー）」**という数字が必要です。

• 昔は、この自由度を「層の数（H）」と同じだと単純に考えていました。
• しかし、実際には層によってばらつきの大きさが違うため、単純な「H」では正確ではありません。

この論文は、BRR とジャックナイフが同じ形（各層の差の二乗の合計）になることを利用して、**「自由度を正確に計算する新しい公式」**を提案しました。

新しい公式のイメージ：

「すべての層のばらつきを足し合わせ、その『ばらつきのばらつき』で割る」

これにより、層ごとのばらつきがバラバラな場合でも、**「本当の自由度は H よりも小さいかもしれない」**という現実を反映した、より正確な数字が計算できるようになります。

さらに、この公式は**「Fay 法（0 にならないように調整する手法）」**を使っても、そのまま使えることが証明されました。これは、実際の調査（特に小さな地域の分析）で非常に役立ちます。

5. まとめ：何がすごいのか？

この論文は、以下のようなことをシンプルに伝えています。

1. 統一された視点： 複雑な BRR とシンプルなジャックナイフは、実は**「同じ土台」**の上に成り立っている。
2. 魔法の消去： BRR の複雑な「絡み合い」は、計算の最後に消え去り、シンプルで独立した要素だけが残る。
3. 実用的なルール： この発見を使えば、どちらの方法を使っても、**「より正確な信頼区間」を計算するための「自由度の公式」**が一つで済むようになる。

一言で言うと：
「統計の計算方法には『複雑な魔法』と『シンプルな包丁』の 2 種類があるけど、実はどちらも**『同じ料理』を作っていることがわかった！だから、『同じレシピ（公式）』**で味見（信頼区間）を出せばいいんだよ！」

これにより、調査データの分析がより正確になり、かつ計算がシンプルになるという、実務家にとって非常に嬉しい発見です。

技術概要

Matthias von Davier による論文「Effective Degrees of Freedom for Balanced Repeated Replication and Paired Jackknife Variance Estimates: A Unified Approach via Stratum Contrasts（層内対比を通じた統一アプローチ：バランスド・リピーテッド・リプリケーションおよびペアード・ジャックナイブ分散推定量の有効自由度）」の技術的サマリーを以下に示します。

1. 研究の背景と問題提起

複雑な調査設計、特に各層（ストラタム）に 2 つの一次抽出単位（PSU）が含まれる層化抽出において、分散推定は信頼区間の構築や仮説検定に不可欠です。この文脈で広く用いられている 2 つの主要な手法は、**バランスド・リピーテッド・リプリケーション（BRR）とジャックナイブ（JRR）**です。

• BRR: ハダマード行列を用いて各層から 1 つの PSU を体系的に選択し、 replicate（再現）標本を作成します。 replicate 推定量同士は相関がありますが、ハダマード行列の直交性により分散推定量が簡略化されます。
• ジャックナイブ: 各層から 1 つの PSU を削除し、残りの単位に重みを調整することで replicate を作成します。層内では replicate 間に完全な相関がありますが、層間は独立です。

問題点:
両手法は異なる依存構造（replicate 間の相関関係）を持っていますが、分散推定量は代数的に同じ形式（層内対比の二乗和）に帰着します。しかし、replicate 推定量自体の相関構造の違いにより、統計的推論（特に信頼区間構築）に用いる**有効自由度（Effective Degrees of Freedom）**の扱いについて、両手法を統一的に扱う明確な理論的基盤や実用的な公式が不足していました。

2. 手法と理論的枠組み

本論文は、分散推定量を構成する成分の独立性を分析し、両手法を統一的に扱うアプローチを提案しています。

2.1 基本的な設定と記号

• 全 $H$ 層から構成される母集団を想定し、各層 $h$ に 2 つの PSU（$i=1, 2$）が存在します。
• 層内対比 $d_h$ を以下のように定義します：
  $$d_h = w_{h1}y_{h1} - w_{h2}y_{h2}$$
  ここで、$w_{hi}$ は重み、$y_{hi}$ は変数の値です。
• 層間が独立であるため、$d_h$ は各層間で独立な確率変数となります。

2.2 BRR とジャックナイブの統一表現

• BRR: ハダマード行列の要素 $\alpha_{rh}$ を用いて replicate 推定量 $\hat{T}_r$ を構成します。 replicate 偏差 $X_r = \hat{T}_r - \hat{T}$ は相関しますが、分散推定量 $\hat{V}_{BRR}$ を計算する際、ハダマード行列の直交性（$\sum_r \alpha_{rh}\alpha_{rk} = R\delta_{hk}$）により、以下の形に簡略化されます。
  $$\hat{V}_{BRR} = \sum_{h=1}^H d_h^2$$
• ジャックナイブ: 各層で 2 つの replicate（単位 1 削除、単位 2 削除）を作成します。その偏差は $\pm d_h$ となり、分散推定量は以下のようになります。
  $$\hat{V}_{JRR} = \sum_{h=1}^H d_h^2$$
• 結論: 両手法とも、分散推定量は独立な層別成分 $d_h^2$ の和として表現されることが示されました。

2.3 フェイ法（Fay's Method）への拡張

ゼロ重みの問題（小領域推定における不安定性）を避けるためのフェイ法（$\epsilon$ 係数を用いた重み調整）についても検討されました。

• フェイ法を適用しても、分散推定量は依然として $\sum d_h^2$ の形（$\epsilon$ によるスケーリング補正後）に帰着します。
• したがって、自由度の推定における独立性の構造は変化しません。

3. 主要な貢献と結果

3.1 分散推定量の分散と Welch-Satterthwaite 近似

分散推定量 $\hat{V} = \sum d_h^2$ の分散を解析し、これを Welch-Satterthwaite (W-S) 近似と結びつけました。

• $d_h^2$ が独立な成分であるとみなせるため、分散推定量の自由度 $\nu$ を推定する際、各 $d_h^2$ を約 1 自由度の成分として扱います。
• von Davier (2026) によるバイアス補正を適用した、実用的な有効自由度 $\hat{\nu}$ の公式を導出しました：
  $$\hat{\nu} = \frac{3 \left( \sum_{h=1}^H d_h^2 \right)^2}{\sum_{h=1}^H d_h^4} - 2$$
  （注：従来の W-S 式 $\frac{(\sum d_h^2)^2}{\sum d_h^4}$ に対して、バイアス補正項が加えられています。）

3.2 両手法の統一的な自由度推定

この公式は、BRR とジャックナイブの両方に同等に適用可能です。

• BRR の場合: replicate 偏差 $X_r$ 自体は相関しているため、直接 W-S 式を $X_r$ に適用することはできません。しかし、$X_r$ が $d_h$ の線形結合であり、最終的な分散推定量が $d_h^2$ の和に分解されるため、$d_h^2$ に対して W-S 式を適用することで有効自由度が得られます。
• ジャックナイブの場合: 層内対比 $d_h$ は層間で独立であるため、$d_h^2$ に対して直接 W-S 式を適用できます。

4. 意義と実用的含意

1. 理論的統一: BRR とジャックナイブという異なる構築原理を持つ手法が、分散推定と自由度推定の観点では本質的に同じ構造（層内対比の二乗和）を持つことを明らかにしました。
2. 実用的な公式の提供: 層間分散が不均一な場合、単純に層数 $H$ を自由度とするのではなく、分散の不均一性を反映した有効自由度 $\hat{\nu}$ を計算する具体的な公式を提供しました。
   • 層間分散が均一な場合、$\hat{\nu} \approx H$ となります。
   • 層間分散が不均一な場合、$\hat{\nu} < H$ となり、推定の不確実性をより正確に反映します（極端な場合、自由度は 1 まで低下し得ます）。
3. フェイ法の妥当性: フェイ法を用いた場合でも、自由度推定の理論的基盤が崩れないことを示し、小領域推定などでの実用性を保証しました。
4. 推論の精度向上: 従来のアプローチ（単純な $H$ 自由度や replicate 数に基づく近似）に比べ、この統一アプローチは分散推定量の不確実性をより適切に評価し、より正確な信頼区間構築を可能にします。

結論

本論文は、BRR とペアード・ジャックナイブの分散推定を「層内対比（Stratum Contrasts）」の観点から再解釈し、その独立性を利用して Welch-Satterthwaite 近似による有効自由度の推定を統一的に確立しました。これにより、複雑な調査設計における信頼区間構築のための実用的かつ理論的に裏付けられた手法が提供されました。