Post-Hoc Inference of Cross-Classified Statistics from Hierarchical Bayes Survey Weights

シウ・ミン・タムによる論文「階層ベイズ調査重みからのクロス分類統計の事後推論」の詳細な技術的要約を以下に示す。

1. 問題定義

本論文は、現代の調査手法における重要な運用上のギャップに対処する。タム [2026] で確立された枠組みに従い、国立統計局（NSO）は、ベテル多変量割当と階層ベイズ（HB）小領域モデルを組み合わせることで、調査サンプルサイズを大幅に削減できる。この枠組みにおいて、HB モデルは地理的領域にわたる特定の目標変数（例：雇用、労働時間）の事後推定値を生成し、これらの目標に対する精度を維持したままサンプルを削減する。

しかし、削減された調査が実施されると、NSO は元の HB 較正の明示的な目標ではなかったクロス分類統計（例：職業別雇用、健康状態別所得）を公表しなければならない。これらの表はしばしば以下を含む：

1. 較正変数に対するフィルタ（例：年齢層別雇用）。
2. 非較正変数（例：健康状態または所得階級）。

核心的な課題：標準的な点推定（較正重みを使用）は straightforward であるが、不確実性の定量化は問題となる。

• 不確実性を無視すると、表は人工的に精密に見える。
• クロス集計の特定の構造を考慮せずに HB 事後サンプルから機械的に不確実性を伝播させると、結果として得られる信用区間（CrI）は、しばしば深刻なカバレッジ不足（すなわち、真の母集団値が区間外に現れる頻度が、名目上の 5% 率よりもはるかに高い）に苦しむ。

2. 手法：事後推論エンジン（PHIE）

本論文は、HB 領域事後サンプルから任意のクロス集計へ不確実性を伝播させるための**事後推論エンジン（PHIE）**を導入する。

A. 事後較正複製重み

HB 事後領域合計 $\hat{T}^{(b)}$ の各 MCMC サンプル $b$ に対して、PHIE は新しい調査重み $w'_i(\hat{T}^{(b)})$ のセットを生成する。

• メカニズム：元のホーヴィッツ・トンプソン重みからのカイ二乗距離を最小化する制約付き最適化問題を解き、かつ較正変数の重み付き和が特定の MCMC サンプル $\hat{T}^{(b)}$ に等しくなるという制約を満たす。
• 数式：重みは線形に更新される：
  $$w'_i(t) = w_i \left( 1 + (t - \hat{T}^{HT})^\top G^{-1} y_i \right)$$
  ここで、$G$ は較正クロス積行列、$y_i$ は設計ベクトル、$t$ は目標ベクトル（MCMC サンプル）である。
• 結果：これらの複製重みを任意のクロス集計統計量に適用することで、経験的事後分布が生成され、そこから CrI が導出される。

B. 統計量の 3 段階分類

本論文は、すべてのクロス集計が同じ推論的ステータスを持つわけではないと主張する。それらを 3 つの段階に分類し、それぞれ異なる分散補正戦略を必要とする：

1. 第 1 段階-E（正確な較正セル）：

   • 定義：$p$ 個の HB 較正制約のいずれかを正確に再現するセル（例：ニューサウスウェールズ州の雇用総数）。
   • 推論：PHIE による CrI は正確である。較正の性質により、区間は HB 事後区間と一致することが保証される。
   • カバレッジ：名目通り（単一実行では 100%、反復サンプリングでは約 95%）。

2. 第 2 段階（フィルタリングされた較正変数）：

   • 定義：属性によってフィルタリングされた較正変数の合計（例：年齢層別雇用）。
   • 問題：PHIE 区間は領域合計の不確実性（成分 2）のみを伝播させ、領域内シェアのサンプリング変動（成分 1）を無視する。これによりカバレッジ不足が生じる。
   • 解決策：**較正ベイズ区間（CBI）**が提案される。これは、セルシェアの設計ベース分散（成分 1）を、領域合計のモデルベース分散（成分 2）に加える。
   • 数式：
     $$\text{Var}(T_c) \approx \sum_d \hat{T}_{v,d}^2 \widehat{\text{Var}}(\hat{\lambda}_{d,c}) + \sum_d \hat{\lambda}_{d,c}^2 \widehat{\text{Var}}(\hat{T}_{v,d})$$
     ここで、$\hat{\lambda}$ は推定シェア、$\hat{T}$ は領域合計である。

3. 第 3 段階-NCV（非較正変数）：

   • 定義：HB 較正システムに含まれていない結果変数を含む統計量（例：職業別健康状態）。
   • 問題：これらの変数に対する直接的な HB 事後分布は存在しない。
   • 解決策：比率推定量 CBI。非較正変数を分子とする比率として扱い、分母には最も相関の高い較正変数（「リンク変数」）の HB 事後合計を使用する。
   • 推論：CBI は、比率の設計ベース分散と、リンク変数の HB 事後分散を組み合わせる。

3. 主要な貢献

• PHIE フレームワーク：HB 事後サンプルを複製調査重みに変換する統合エンジンであり、任意の導出統計量に対する不確実性の伝播を可能にする。
• 推論の分類：クロス集計が異なる分散構造を持つ明確な段階に分類され、異なる区間タイプ（正確な CrI と CBI）を必要とするという同定。
• CBI 補正：ベイズモデルの不確実性と頻度論的デザインベースのサンプリング変動の間のギャップを埋める較正ベイズ区間の開発。これにより、統計量が直接的な較正目標でない場合でも、名目に近いカバレッジが確保される。
• 診断：セルが特徴的な較正プロファイルを持たず、分散のモデルベース成分が崩壊する状況を検出するための診断指標（$\|a_c\|$ および $\cos \theta_c$）の導入。

4. 実証結果

これらの手法は、2021 年オーストラリア国勢調査マイクロデータ（5% サンプル、$N \approx 840k$、$n \approx 42k$）を用いて、200 回のモンテカルロ反復により検証された。

• 第 1 段階-E（領域別時間）：**99.2%**のモンテカルロカバレッジを達成（単一実行では 100% に近く）、較正の性質の正確性を確認した。
• 第 2 段階（時間/職業別雇用）：
  • 生 PHIE：深刻なカバレッジ不足（**28% から 79.5%**の範囲）。
  • CBI 補正後：カバレッジが**92–97.5%**に回復し、名目上の 95% に近づいた。
  • 発見：第 2 段階では、不確実性は主に構成サンプリング変動（成分 1）によって駆動され、HB モデルの不確実性によるものではない。
• 第 3 段階-NCV（職業別所得/健康）：
  • 生 PHIE：極端なカバレッジ不足（健康状態では**13.5%**まで低下）。
  • CBI 補正後：カバレッジが**92–98.5%**に回復。
  • 発見：結果変数とリンク変数の間の相関が弱くても、CBI（主に成分 1 によって支配される）は信頼性の高いカバレッジを提供する。
• 精度：すべての CBI ベース区間の変動係数（CV）は、標準的な公表閾値（通常 5% 未満）内に留まり、最高でも 4.9% であった。

5. 意義と含意

• 運用上の妥当性：本論文は、PHIE および CBI 枠組みを適用すれば、NSO が HB モデルを使用して調査サンプルサイズを安全に削減し、派生するクロス分類の妥当性を犠牲にしないことを実証している。
• 統計的厳密性：「モデルベース（HB）」と「デザインベース」の推論間の緊張関係を解消する。CBI アプローチは、合計がモデル駆動である一方で、クロス集計におけるそれらの合計の構成はデザインベースのサンプリング誤差を保持するという点を認識している。
• 公表基準：結果は、CBI 補正なしでは公表される表が誤って精密に見えることを示している。補正により、不確実性は正確に反映され、区間は公表に十分な狭さのままである。
• 推奨事項：NSO は、HB 調査からの重み付け単位記録ファイルを標準データとして扱うべきではない。特に非較正変数を含むクロス分類出力については、有効な信頼区間を生成するために PHIE/CBI エンジンを適用しなければならない。

要約すると、本論文は、階層ベイズ調査のサンプル削減の恩恵を、複雑な多次元統計表の作成において運用上安全にするために必要な「推論機構」を提供する。