A Class of Higher-Order INAR Random Fields for Poisson Counts and Beyond

技術的概要：ポアソン計数およびそれを超えた高次 INAR 確率場のクラス

問題提起
INAR(1, 1) やその高次拡張（INAR($p_1, p_2$)）などの、計数確率場に対する既存の整数値自己回帰（INAR）モデルは、理論的および計算上の重大な限界に直面している。具体的には、これらのモデルは、尤度に基づく推論に不可欠な定常周辺分布の特性付けや条件付き確率の計算において困難をきたしている。核心的な問題は、標準的な INAR 再帰において各格子点 $(s, t)$ に適用される複数の二項薄め操作に起因する。この複雑さにより、周辺分布の閉形式表現の導出が妨げられ、所望の自己回帰依存構造を維持しつつ、特定の目標周辺分布（例えばポアソン分布や負の二項分布）を達成するためにイノベーションをどのように指定すべきかが不明確となっている。整数値移動平均（INMA）モデルはポアソン周辺分布を許容できるが、実世界の空間データにしばしば適合する自己回帰過程特有の漸近的な記憶減衰特性を欠いている。

手法
これらの限界に対処するため、著者らは結合 INAR（CINAR）確率場と呼ばれる新たなモデルクラスを提案する。このアプローチは、時系列分析における CINAR の概念（Weiß, 2008b; Zhu and Joe, 2006）を空間領域に適応させたものである。

CINAR($p_1, p_2$) モデルは、以下の再帰式で定義される：
$$X_{s,t} = \sum_{(i,j) \in S} D_{s,t;i,j} \cdot (\alpha \circ X_{s-i,t-j}) + \varepsilon_{s,t}$$
ここで：

• $S$ は $(0,0)$ を除くラグインデックスの集合である。
• $\alpha \in (0, 1)$ は定数の薄めパラメータである。
• $\circ$ は二項薄め演算子を表す。
• $(D_{s,t})$ は多項分布に従う「決定」ベクトルの i.i.d. 確率場である。各地点 $(s, t)$ において、薄めを受けるラグ項が正確に 1 つ選択され、他の項は無視される。
• $\varepsilon_{s,t}$ は i.i.d. の計数イノベーションを表す。

この地点ごとの「単一薄め」メカニズムは、すべてのラグ項に同時に薄めを適用する標準的な INAR モデルとは区別される。

主要な貢献と理論的結果

1. 定常周辺分布: 著者らは、定常周辺分布の確率母関数（pgf）の閉形式表現を導出した。CINAR モデルは、ポアソン分布や負の二項分布を含む任意の離散自己分解可能（DSD）分布を周辺分布として備えることができることを示した。必要なイノベーション分布は、$pgf_\varepsilon(u) = pgf_X(u) / pgf_X(1 - \alpha + \alpha u)$ という関係によって明示的に決定される。
2. 自己相関構造: CINAR モデルの空間自己相関関数（ACF）は、係数が $\theta_{ij} = \alpha \phi_{ij}$ として再パラメータ化される限り、標準的な INAR($p_1, p_2$) モデルと同一の形式を持つ Yule–Walker 方程式を満たす。したがって、CINAR は古典的な AR 型の自己相関構造を保持する。
3. 条件付き確率: 大きな計算上の利点として、条件付き分布 $P(X_{s,t} = x | P_{s,t})$ の簡潔な表現が導出された。標準的な INAR モデル（例えば INAR(1, 1) では 3 重畳和が必要）が複雑な多重畳和を必要とするのに対し、CINAR の条件付き分布は単一の畳和のみを含む。これにより、尤度関数の計算が大幅に簡素化される。
4. 拡張: 本論文は、将来のラグを取り込む双側 CINAR モデルや、ゼロにおける検閲を通じて負の依存性を処理するためのTobit CINAR モデルへの潜在的な拡張を概説しているが、これらは将来の研究課題として注記されている。

パラメータ推定とシミュレーション結果
本論文では、3 つの推定アプローチを開発している：

• Yule–Walker (YW): 標本自己相関に基づく。
• 条件付き最小二乗法 (CLS): 条件付き平均の二乗偏差を最小化する。
• 条件付き最尤法 (CML): 導出された条件付き確率に基づいて尤度を最大化する。

ポアソンおよび負の二項 CINAR(1, 1) モデルと CINAR(2, 2) モデルに関する包括的なシミュレーション研究は、以下の結果を示した：

• 性能: 依存パラメータが大きい場合、特にバイアスと標準偏差の点で、CML 推定量は YW および CLS を一貫して上回る。
• 競合手法のバイアス: YW および CLS 推定量は、大きな依存パラメータに対して強い負のバイアスを示し、推定されたイノベーション平均に正のバイアスを引き起こす。
• モデル誤指定: CML はモデル誤指定（例えば、負の二項データにポアソンモデルを適合させるなど）に対して非常に敏感であり、消失しないバイアスを生じさせる。そのような場合、CLS の方が良好に機能する可能性がある。著者らは、CLS と CML の推定量の間に著しい不一致がある場合、モデル誤指定の診断的警告として機能しうると指摘している。

実証応用
CINAR 族の実用的妥当性は、農業小麦収量データ（Iyer, 1942）を用いて示された。このデータは、ほぼポアソン的な周辺挙動と正の空間依存性を示している。

• 対角依存性を除外した簡略化された CINAR(1, 1) モデルは、情報基準（AIC/BIC）および診断ツール（ピアソン残差と確率積分変換ヒストグラム）によって確認された良好な適合度を提供した。
• 簡略化された CINAR(2, 2) モデルは、特定のラグにおける残差依存性を捉えることで適合度をさらに向上させ、すべての一次候補を上回った。
• この応用例は、解釈可能な周辺分布を持つ実世界の計数格子データを処理するモデルの能力を浮き彫りにしている。

意義と主張
本論文は、CINAR 族が、柔軟な周辺分布と扱いやすい推論との間のトレードオフを解決することで、既存の INAR 確率場に対する「有用な」代替手段を提供すると主張している。古典的な AR 型の自己相関構造と、ポアソンまたは負の二項周辺分布を指定する能力を組み合わせることで、CINAR モデルは、標準的な INAR モデルに固有の「不明確な周辺分布という欠点」を克服する。さらに、条件付き確率の計算の簡素化は、以前は高次 INAR 場に対して計算的に実行不可能であった尤度に基づく推論を可能にする。著者らは、CML が正しく指定されたモデルに対する推奨される推定方法である一方、誤指定の落とし穴を避けるためには厳密なモデル診断が不可欠であると結論付けている。