論文要約：「More with Less：階層ベイズモデリングによるベテル割当と精度維持のサンプルサイズ削減」

著者: Siu-Ming Tam (Tam Data Advisory, Australia)
概要: 統計局が直面する「予算の固定・縮小」と「地域・ドメイン別詳細推計への需要増大」というジレンマに対し、従来のサンプル割当手法の限界を指摘し、ベテル割当（Bethel allocation）と階層ベイズ（Hierarchical Bayes: HB）モデリングを組み合わせることで、精度要件を満たしつつサンプルサイズを大幅に削減する新しい 2 段階戦略を提案する論文です。

---

1. 背景と問題提起

1.1 統計局が直面する課題

世界各国の統計局（NSO）は、予算が固定または縮小する中で、より詳細な地域別・ドメイン別の統計データへの需要が高まっています。従来の調査手法では、以下の問題が発生しています。

• 多目的調査のサンプル割当の非効率性: 複数の目標変数（例：雇用、失業、労働時間）に対して、それぞれ個別にネーマン割当（Neyman allocation）を計算し、変数ごとのサンプルサイズの要素ごとの最大値（element-wise maximum）を採用する「NSO-max」手法が一般的です。
• この手法の欠陥:
  1. 予算の浪費: 最大値を決定する変数以外の多くの変数に対して過剰なサンプリングが行われ、予算が浪費されます。
  2. ドメイン精度の保証欠如: 最大値を決定する変数であっても、ネーマン割当は「全国レベル」の精度最適化に基づいているため、地域ドメインレベルの精度要件（CV 目標）を満たさない場合があります。

1.2 本研究の問い

「与えられたサンプルをどう配分するか」ではなく、**「事前定義された精度目標（CV 制約）をすべての変数・すべてのドメインで満たしつつ、サンプルサイズをどこまで小さくできるか」**という問いに答えることを目的とします。

---

2. 提案手法：2 段階戦略

本研究は、以下の 2 つの確立された手法を組み合わせることで、コスト削減を実現する戦略を提案しています。

第 1 段階：ベテル割当（Bethel Allocation）による最適設計

• 目的: 複数の変数と複数のドメインに対するすべての精度制約（CV 上限）を同時に満たす、最小の総サンプルサイズを設計ベース（design-based）で求める。
• 手法: ベテルアルゴリズム（Bethel, 1989）を用いた多変数制約付き最適化問題の解決。
  • 目的関数：総コスト（または総サンプル数）の最小化。
  • 制約条件：すべての変数 $k$ とドメイン $d$ に対して、推定量の CV が事前設定された閾値 $g_{d,k}$ 以下であること。
• 効果: 「NSO-max」手法の欠陥を解消し、設計ベースの枠組み内で精度要件を満たす最小サンプル（$n^*$）を導出します。ただし、直接推計（direct estimates）のみを前提とするため、サンプルサイズ自体は依然として大きい可能性があります。

第 2 段階：階層ベイズ（HB）モデリングによるさらなる削減

• 目的: 第 1 段階で得られたベテルサンプルサイズ $n^*$ をさらに削減し、HB モデルを用いた推計によって精度目標を維持可能か検証する。
• 手法:
  • モデル:
    • 二値変数（雇用状態など）: ロジット正規分布を用いた二項分布 HB モデル。
    • 連続変数（労働時間など）: フェイ・ハリオット（Fay-Herriot）型のガウス型 HB モデル。
  • 情報共有（Borrowing Strength）: ドメイン間で情報を共有することで、直接推計よりも高い精度を得ます。この精度の余剰分を、サンプルサイズの削減に転換します。
  • 削減アルゴリズム:
    1. ベテルマスターサンプルから部分サンプルを抽出。
    2. HB モデルを適合させ、以下の 4 つのゲート（基準）を満たすか確認する：
       • CV ゲート: 全ドメインで精度目標（CV 制約）を満たす。
       • 収束ゲート: MCMC 収束診断（$\hat{R} \leq 1.05$）をパスする。
       • 全国精度ゲート: 全国推計の相対誤差が許容範囲内。
       • ドメイン精度ゲート: ドメイン平均絶対相対誤差（MARE）が許容範囲内。
    3. 全変数に対して同時に条件を満たす最大削減率 $\alpha^*$ を決定し、最終サンプルサイズ $n_{HB}$ を算出。

---

3. 主要な貢献と革新性

1. 多変数・多ドメイン最適化の定式化: 従来の「変数ごとの最大値」アプローチの限界を理論的に示し、ベテル割当を多目的調査の設計基準として再評価した。
2. 設計ベースからモデルベースへのパラダイムシフトの活用: 精度保証の根拠を「サンプリング設計のランダム化分布」から「ベイズ事後分布」へ移行させることで、サンプルサイズを劇的に削減する可能性を証明した。
3. 実用的な事前分布の較正戦略: 真の母集団値が未知である現実の状況において、過去の調査データ（直接推計）をプロキシとして用い、グリッドサーチにより事前分布のハイパーパラメータを較正する手法を提案。
4. 厳密な検証: 100 万人規模の合成労働力人口を用いたモンテカルロシミュレーション（1,000 反復）により、精度、バイアス、信頼区間の被覆率を厳密に評価。

---

4. 実験結果（シミュレーション）

合成データ（雇用状態、失業状態、労働時間の 3 変数、100 万人口、100 層、10 ドメイン）を用いた検証結果は以下の通りです。

4.1 サンプルサイズの削減効果

• ネーマン割当（変数別）: 失業状態の希少性により、最大で 68,697 が必要（他変数は過剰サンプリング）。
• NSO-max（最大値採用）: 68,697（失業状態に引きずられる）。
• ベテル割当（第 1 段階）: 91,308（ドメイン精度を全変数で満たすため、NSO-max よりも増大）。
• HB 結合割当（第 2 段階）: 18,262（ベテル対比で80% 削減）。
  • 最終サンプルサイズは、NSO-max 手法よりもさらに小さくなりました。

4.2 精度と被覆率の評価

• CV 制約の達成: 削減後のサンプル（18,262）でも、すべての変数・ドメインで CV 目標（全国 3%、ドメイン 8%）を満足しました。
• 信頼区間の被覆率: モンテカルロシミュレーションにおいて、95% 信頼区間の被覆率は、雇用（93.0%）、失業（97.7%）、労働時間（100.0%）となり、すべて名目値 95% に近いかそれ以上でした。
• 精度（誤差）: 全国レベルの相対バイアスは 1% 未満。ドメインレベルの平均絶対相対誤差（MARE）も低く抑えられていましたが、失業率のような稀な事象のドメイン推計では、単一サンプルにおいて最大 43% の誤差が生じるケースもありました（ただし、モンテカルロ平均では 18.4% に収束）。

4.3 推論パラダイムの転換

• 設計ベースの「信頼区間（Confidence Interval）」から、モデルベースの「信頼区間（Credible Interval）」へ移行しました。
• 決定者にとって直感的な「パラメータが区間内にある確率」という解釈が可能になり、かつモンテカルロ結果により反復サンプリング下での適切な被覆率が確認されました。

---

5. 意義と結論

5.1 統計行政への示唆

この研究は、統計局が直面する「予算削減」と「データ品質維持」のジレンマに対する具体的かつ実用的な解決策を提供します。

• コスト削減: サンプルサイズを 80% 削減することで、調査運営コストを大幅に削減可能です。
• 品質保証: 従来の「変数ごとの最大値」アプローチよりも、ベテル割当と HB モデリングを組み合わせる方が、ドメインレベルの精度を確実に保証しつつ、効率的にサンプルを設計できます。

5.2 トレードオフと限界

• トレードオフ: 設計ベースの推論からモデルベースの推論への移行が必要です。これは HB モデルが NSO で小領域推計に既に利用されていることを考慮すれば、実質的なデメリットではありません。
• 今後の課題:
  • 多段階クラスター設計への適用（設計効果の維持）。
  • 回帰調査（パネル調査）への拡張。
  • モデルの誤指定に対するロバスト性の検討。
  • 削減されたサンプルから得られたマイクロデータやクロス集計表に対する重み付け調整と、ユーザー向け信頼区間算出ツールの開発。

結論

「ベテル割当による最適設計」と「階層ベイズによる情報共有」を組み合わせることで、すべての目標変数と地理的ドメインにおいて信頼性の高い精度を維持しつつ、調査サンプルを大幅に削減（80% 削減）することが可能であるという点が、本研究の核心的なメッセージです。