Practical Boundary Degeneracy and Reverse-Martingale Limits in Sequential Binary Models

技術的サマリー：逐次二値モデルにおける実用的境界退化と逆マルチンゲール極限

問題提起
本論文は、有限サンプルが「境界退化」と見なされる現象を呈する逐次二値データにおける、繰り返し生じる統計的現象に焦点を当てる。これは以下の 3 つの異なる設定で発生する：

1. ベルヌーイ試行： 失敗（または成功）の連続が長く続くと、分析者は確率を正確にゼロ（または 1）と推定するようになる。
2. ロジスティック回帰： 完全分離または準完全分離により、適合された係数が発散し、予測確率が境界（0 または 1）へ駆り立てられる。
3. 逐次的リスク軌道： 基礎となる状態が安定する前に、リスクスコアが境界に近づく。

これら 3 つのケースすべてにおいて、有限データに基づいて正確な境界確率（$p=0$ または $p=1$）を宣言する誘惑が存在する。本論文は、有限の逐次データが実用的な境界の主張（例：$p \le \varepsilon$）を正当化する可能性はあるが、正確な境界確率の証拠を提供するものではないと論じる。核心的な混同は、有限の境界近傍推定値と、その過程が収束する極限条件付き法則を同一視することにある。

手法と枠組み
本論文は、古典的な逆マルチンゲール収束定理（Doob, 1953; Durrett, 2019）を活用し、これら 3 つの設定を逆マルチンゲール枠組みの下で統合する。

• 逆マルチンゲール定式化： 標準的な前方フィルトレーション（$\mathcal{F}_1 \subseteq \mathcal{F}_2 \subseteq \dots$）の代わりに、本論文は減少するフィルトレーション（$\mathcal{G}_1 \supseteq \mathcal{G}_2 \supseteq \dots$）を考慮する。二値アウトカム $Y \in \{0, 1\}$ に対して、過程 $M_n = E(Y | \mathcal{G}_n)$ は、ほとんど確実に極限 $M_\infty = E(Y | \mathcal{G}_\infty)$ に収束する逆マルチンゲールである。
• 退化の定義： 境界退化は、有限サンプル事象ではなく、極限法則 $M_\infty$ の性質として再定義される。過程が $M_\infty \le \varepsilon$ または $M_\infty \ge 1-\varepsilon$ である場合、それは実用的に境界退化しているという。
• 3 条件停止則（$\tau_{RM}$）： 一時的な見かけ上の確信と真の極限退化を区別するため、本論文は 3 つの同時条件を要求する停止則を提案する：
  1. 境界への近接性（$B_n \le \varepsilon$）： 現在の推定値が境界に近いこと。
  2. 不確実性の幅（$W_n \le w$）： 信頼区間または不確実性の尺度が十分に狭いこと。
  3. 軌道の安定性（$r_n \le \eta$）： 現在の推定値と後方平均、または潜在状態の射影との差などの「安定性欠陥」によって測定される軌道が安定していること。

このアプローチは、片側二項検定、Clopper-Pearson 境界、信頼系列、および Wald の逐次確率比検定（SPRT）といった古典的ツールを置き換えるものではなく、補完するものである。SPRT は単純対単純の仮説検定において最適であるが、複合的な片側主張、ロジスティック分離、または軌道の安定性には対処しない。

主要な貢献

1. 統合： 本論文は、ベルヌーイの全失敗の連続、ロジスティック分離、および不安定なリスク軌道を、有限推定値と極限法則の混同の現れとして解釈するための単一の理論的構造（逆マルチンゲール）を提供する。
2. 実用的解決策： 境界への近接性に加えて、安定性と不確実性の制御を要求する $\tau_{RM}$ 停止則を導出することで、境界確率の早急な宣言を防ぐ。
3. 正則化の洞察： ロジスティック回帰の文脈において、本論文は有限の適合確率を確保するために正則化推定量（例：リッジ、Firth、またはベイズ事前分布）を推奨し、発散する係数を正確な境界確率の証拠ではなく、分離の数値的アーティファクトとして解釈する。

数値結果
本論文は、枠組みを検証するために 5 つの数値研究を提示する：

• ベルヌーイ稀有事象実験： 稀有事象のサンプルでは通常の MLE（$\hat{p}_n = 0$）が頻繁に発生するが、事前指定された $\varepsilon$ に基づく実用的なゼロ停止則は第一種の誤りを制御することを示す。MLE がゼロに等しいことは、$p=0$ の証明ではなく、有限サンプルのアーティファクトであることが示される。
• 低次元および高次元ロジスティック回帰： 有限の真の係数であっても、稀有事象と共変量（特に高次元において）の組み合わせは、「分離に似た」挙動（単一クラスサンプル、非収束、極端な適合ロジットなど）をもたらすことを示す。正則化（リッジ）はこれらの推定値を安定化し、発散する係数を有限の予測確率に変換する。
• 安定性対近接性： 条件付きリスク軌道の制御シミュレーションにおいて、「境界のみ」の規則は、後に内部へ戻る一時的な軌道に対して 0.999 の確率で停止した。対照的に、3 条件規則（$\tau_{RM}$）は、真に安定した境界収束軌道における 100% の停止能力を維持しつつ、この偽陽性率を 0.107 に削減した。
• 実データ例示（RAND 健康保険実験）： 稀なアウトカム（有病率 1.5%）を持つ実データセットを用いて、小規模な部分サンプルが頻繁に不安定で極端な適合確率を生み出すことを確認する。柔軟なモデル項（二次設計）を追加することはこれを悪化させ、安定性診断の必要性を強化する。

意義と主張
本論文は、提案された枠組みが有限サンプルにおける境界現象を解釈するより信頼性の高い方法を提供すると主張する。その主な意義は、有限の境界近傍推定値と極限境界法則の区別にある。

著者らは、安定性の証拠なしに境界への近接性に基づいて行動することは早計であると述べる。逆マルチンゲールの視点は、境界退化を極限条件付き法則（$M_\infty$）の性質として再構成する。したがって、本論文は、有限サンプルが制御された実用的な境界の主張（例：「$p \le \varepsilon$ であると確信している」）を正当化するが、決して正確な境界確率を正当化しないと論じる。実用的な利点は、逐次モニタリング、適応的治療、および稀有事象モデリングにおいて、一時的な見かけ上の確信と真の極限退化を分離し、誤った結論を防ぐ能力にある。