Multilevel Regression Modeling of Covariance Matrix Outcomes

技術的サマリー：共分散行列アウトカムの多レベル回帰モデリング

問題提起
共分散行列アウトカムは、fMRI を通じた脳機能接続性（FC）の研究において、神経画像研究の中心をなす。これらのアウトカムの分析における主要な課題は、ヒト・コネクターム・プロジェクト（HCP）ライフスパン研究のような現代のデータセットに見られる階層構造、すなわち被験者がクラスター（例：年齢コホート）にネストされている構造にある。共分散変量（Covariate-Assisted Principal; CAP）回帰などの既存の共分散回帰法は、通常、単一レベルの枠組みで動作する。これらの手法は、共分散行列をベクトル化して正定値性の制約を無視し次元を増大させるか、あるいは全被験者に共通する投影方向を仮定するかのいずれかである。後者の仮定は、発達段階（児童期、成人期、高齢期）によって接続性を支配する神経サブネットワークの構造が異なるライフスパン研究においては、しばしば過度に制限的である。クラスター間の共分散関連部分空間における異質性を許容しつつ、クラスター間で情報を共有しながら共分散行列をアウトカムとしてモデル化できる枠組みが必要とされている。

手法：多レベル共分散支援主成分回帰（MCAP）
著者は、これらの課題に対処するため、多レベル共分散支援主成分回帰（MCAP）枠組みを提案する。この手法の中核は、クラスター $i$ 内の単位 $j$ に対する共分散行列 $\Sigma_{ij}$ を、単位球面上の線形投影 $\gamma_i$ を通じてモデル化することにある。

• モデル構造: このモデルは、各クラスター $i$ に対して、単位ノルムを持つ投影ベクトル $\gamma_i$ が存在し、投影された分散の対数が一般化線形混合効果モデルに従うと仮定する。
  $$\log(\gamma_i^\top \Sigma_{ij} \gamma_i) = \beta_0 + x_{1i(j)}^\top \beta_1 + x_{2ij}^\top (\beta_2 + \vartheta_i) + \varepsilon_i$$
  ここで、$x_{1i(j)}$ は固定効果共変量（クラスターレベルまたは単位レベル）を表し、$x_{2ij}$ はランダム効果共変量を表す。項 $\vartheta_i$ は、傾きにおけるクラスター固有の偏りを捉える。
• 投影の階層モデリング: 単一レベルの CAP と異なり、MCAP は投影方向 $\gamma_i$ がクラスター間で変動することを許容する。これらのクラスター固有の方向は、平均方向 $\gamma$ と集中度パラメータ $\kappa$ を持つ von Mises-Fisher（vMF）分布に従う単位球面上の確率変数としてモデル化される。この定式化により、異質性を許容しつつ、クラスター間で原理的な情報共有が可能となる。
• 推定: パラメータは、階層尤度関数を最大化することによって推定される。尤度は 4 つの構成要素からなる：単位レベル観測の条件付き尤度、ランダム切片の尤度、ランダム傾きの尤度、およびランダム回転（vMF 分布）の尤度。
  • アルゴリズム: ブロック座標降下法が用いられる。回帰係数と分散成分の更新にはニュートン・ラフソン法が用いられる。投影方向 $\gamma_i$ の更新には、データ適応的正規化制約（$\tilde{\gamma}_i^\top H_i \tilde{\gamma}_i = 1$、ここで $H_i$ はクラスターの平均標本共分散行列）を伴う一般化固有値問題を解くことが含まれる。この幾何学的制約は、実現可能集合をデータ雲に整合させる。
  • 成分の同定: 高次成分は、 deflate 戦略を介して逐次的に同定される。deflate 後に標本共分散行列がランク不足となった場合の計算上の取り扱いを確保するため、ランク補完ステップが、ゼロ特異値を推定されたランダム切片に置き換える。
• 推論: 回帰係数に関する推論のため、2 段階のブートストラップ手順が提案される。ステージ 0 では、完全モデルを適合させて $\gamma_i$ の推定値を得る。ステージ 1 では、クラスターを復元抽出でリサンプリングし、$\gamma_i$ をステージ 0 の推定値に固定したまま回帰部分問題を解く。このアプローチは、階層データ構造を尊重し、各ブートストラップ反復で方向を再推定する計算負荷を回避する。
• 漸近理論: 投影方向が既知の場合、回帰パラメータ推定量の漸近正規性が確立される。方向が未知の場合、クラスター数（$m$）とクラスターあたりの観測数（$n, T$）が増大すると仮定し、特定の識別可能性条件の下で、すべての推定量（$\gamma_i$、$\gamma$、および回帰係数を含む）の一致性が証明される。

主要な結果

• シミュレーション研究: MCAP は、クラスター固有の推定値を平均化する単一レベルの CAP 手法（SCAP）と比較された。$p=5$ および $p=20$ の次元でのシミュレーションにおいて、MCAP は回帰係数の推定において、特にサンプルサイズが増大するにつれて、著しく低いバイアスと平均二乗誤差（MSE）を示した。SCAP は低次元では適切に機能したが、高次元（$p=20$）では係数を正確に推定できなかった。MCAP は、推定安定性を向上させるために階層構造を効果的に活用した。
• HCP ライフスパン研究への適用: 5 歳から 90 歳までの HCP ライフスパン研究の 1,500 名の被験者に適用され、MCAP は年齢と性の効果を捉える単一の支配的なスペクトル脳ネットワークを同定した。
  • ライフスパン軌道: 投影された機能接続性（FC）スコアは、非線形軌道を示した：児童期から 20 代後半にかけて減少し、中年期を通じて上昇して 70 代前半にピークに達し、その後高齢期（70〜90 歳）に再び減少する。
  • 性差: 男性は年齢範囲全体を通じて、女性よりも常に高い投影 FC 値を示した。
  • 神経再編成: この軌道は、「鏡像」効果を示唆しており、高齢期における減少は、早期の発達期に観察された発達的減少を部分的に反映していた。さらに、サブネットワークの空間的組織は、50 歳以降の隣接する年齢ビン間においてより均質化し、高齢期における神経再編成パターンの収束を示唆した。
  • 領域的寄与: 同定されたサブネットワークは、吻側中前頭回（rMFG）、中側頭回（MTG）、下頭頂葉皮質（IPC）、および帯状回峡部（ICG）の領域によって駆動されており、前頭頭頂系、デフォルト・モード・ネットワーク、腹側注意ネットワーク、側頭葉側面系にまたがっていた。

意義と主張
著者は、MCAP が、階層的にネストされた共分散行列アウトカムを分析するための柔軟かつ統計的に厳密な枠組みを提供すると主張する。共通投影の仮定を緩和することで、MCAP はクラスター固有の共分散部分空間のモデル化を可能にしつつ、集団レベルの方向を推定する。これは、神経生物学的メカニズムが発達段階によって異なるライフスパン研究において極めて重要である。

論文は、MCAP が、特に中程度から高次元の設定において、回帰係数の推定において単一レベルの競合手法を上回る性能を発揮すると主張する。HCP 研究への適用は、この手法が、独立したクラスター分析や固定された投影方向では特徴づけが困難な、複雑で非線形な脳接続性のライフスパンプロファイルを解明し、分散したクロスネットワークパターンを同定する能力を実証している。著者は、この枠組みは、ベクトル化に頼ることなく共分散行列の正定値性制約を処理するように特別に設計されており、解釈可能性と統計的検出力を保持していると指摘している。

認められた限界
著者は、いくつかの限界を謙虚に認めている：

1. このモデルはガウス観測を仮定しており、非ガウスデータにはロバストなまたは擬似尤度版が必要となる。
2. vMF 分布は単峰性であるため、投影方向が複数の明確なクラスターを形成する場合は混合モデルが必要となる可能性がある。
3. 投影方向（$\gamma_i$ および $\gamma$）に対する漸近正規性は確立されておらず、一致性のみが証明されている。
4. 高次成分は deflate を介して逐次的に同定されるため、これは同時多成分手順よりも効率が低い可能性がある。