Direct domain estimation via regression-tree-assisted estimators in the production of official statistics

技術要約：回帰木を用いた推定量による直接的なドメイン推定

問題提起
国立統計局（NSO）は通常、「ユニ・ウェイト（単一重み）」アプローチの下で運営されており、複数のパラメータやサブポピュレーション（ドメイン）を推定するために単一の重みセットを利用している。この戦略は、計算の簡便性、規模の経済、および内部的一貫性（加法性／ベンチマーキング）といった運用上の利点を提供するが、特定のサブポピュレーションにとって必ずしも最適であるとは限らない。モデル支援型推定量の効率性は、補助変数と関心変数の間の関係性を、補助モデルが特定のドメイン内でどの程度予測できるかに依存する。母集団全体に適合させた単一のモデルは、計画されていないドメイン（サンプリング設計によって定義されていないサブポピュレーション）における補助変数と調査変数の間の特定の関係を捉えきれないことが多い。これにより、統一されたウェイトシステムの運用上の利便性と、局所的な推定効率の必要性との間に緊張関係が生じる。

手法および枠組み
本論文は、回帰木を含むモデル支援型推定量のファミリーを拡張し、直接推定の設計ベースの枠組みの中で動作する。本研究では、有限母集団 $U$ を用いた、未計画ドメイン $U_d$ の合計量（$Y_d$）の推定に焦点を当てる。

回帰木を補助モデルとして適用するための2つの異なる戦略を定式化する：

1. RTU (Regression Tree - Uni-weight / 回帰木 - ユニ・ウェイト): 単一の回帰木を、母集団レベルの全サンプル（$s$）に対して適合させる。得られた予測値を用いて、あらゆるドメインに適用可能な単一の重みセットを導出する。
2. RTD (Regression Tree - Domain-specific / 回帰木 - ドメイン特異的): 各ドメイン内のデータ（$s_d$）に対して、個別の回帰木を適合させる。

本論文は、両方の推定量が、サンプル観測値の重み付き和（$\sum w^*_i y_i$）として表現できることを示しており、ここで重み $w^*_i$ は調査変数 $y$ に依存しない。これにより、「ユニ・ウェイト」の特性が維持され、母集団合計に対する加法性（ベンチマーキング）が保証される。

主要な理論的貢献

• RTDの定式化: ドメイン特異的なツリー推定量を定式化し、それがドメイン内の人口規模を誤差なく推定する重みを用いたサンプル観測値の線形結合として記述できることを示す。
• RTUの特性評価: 母集団レベルのツリー推定量を特性化し、Estevao and Särndal (1999) の議論をツリーベースのモデルへと拡張する。著者らは、モデルが母集団レベルで適合される場合、結果として得られるドメイン推定量は、そのドメイン内においてHorvitz–Thompson（HT）推定量のように振る舞う傾向があることを証明した。これは、拡張された変数がゼロとなるドメイン外のユニットに対して、グローバルな適合が「引き寄せられる」ことで、ドメイン内の残差分散を減少させることに失敗するためである。
• 分散減少メカニズム: 対照的に、ドメイン特異的なモデル（RTD）は、ドメイン内の予測力（$R^2_d$）に比例した大幅な分散減少を実現する。RTD推定量の分散は、HT推定量の分散の約 $(1 - R^2_d)$ 倍になることが示されている。
• 設計の一貫性: 命題1は、木のサイズが制限されているか、あるいはKish効果（重みの変動）を制御するためにサンプルサイズに対して緩やかに成長する場合、標準的な漸近条件の下で、ツリー支援型推定量の設計一貫性が成立することを確立している。

実証結果
ウルグアイの継続的家計調査（ECH）のマイクロデータを用いたシミュレーション研究は、これらの推定量の挙動を明らかにしている：

• 母集団レベル: ツリー支援型推定量（RT）は、モデル化された変数（雇用状態）に対してHT推定量と比較して有意に分散を減少させた。デザイン効果（deff）は0.55から0.73の範囲であった。しかし、モデル化されていない変数（失業）については、改善はわずかであり（deff $\approx$ 1）、これはモデルが特定の変数に特化している場合のユニ・ウェイト・アプローチの限界を浮き彫りにしている。また、RT推定量は、空のセルによるバイアスを回避し、一貫性を維持することで、従来の層化抽出（PS）を上回る性能を示した。
• ドメインレベル: 部県別の合計量を推定する場合、RTU推定量はHTに対して効率性の向上を示さなかった（deff $\approx$ 1）。対照的に、RTD推定量はほとんどの部県において大幅な分散減少を達成し（deff $\approx$ 0.3）、局所的なモデル適合がドメインレベルの精度にとって必要であるという理論的予測を裏付けた。

意義と限界
本論文は、RTD推定量が、統一されたウェイトシステムの運用上の利点を維持しつつ、未計画ドメインにおける精度を向上させる魅力的な経路を提供すると主張している。これにより、間接的な小領域推定（SAE）の手法に頼ることなく、ドメインのサンプルサイズが十分に大きい場合に限り、より正確なドメイン推定値を算出することが可能となる。

著者らは、以下の制限事項を明示的に述べている：

1. 変数の特定性: 改善はモデル構築に使用された変数に集中しており、他の変数の推定は恩恵を受けない可能性がある。
2. 木のサイズ: 木を過度に成長させるとKish効果が増大し、潜在的に分散を増大させる可能性がある。
3. サンプルサイズの要件: 本手法は、ドメイン内での安定した適合を確実にするために、十分な期待ドメインサンプルサイズ（$E(n_d)$）を必要とする。非常に小さなドメインにおいては、間接的なモデルベース推定が依然として必要である。
4. トレードオフ: RTDによる局所的な精度の獲得は、母集団レベルにおける「最適」な推定量を放棄することとの引き換えとなるが、大規模調査においてはこのコストは軽微であるとみなされている。

本論文は、RTD、RTU、および間接的なSAEの選択は、期待されるドメインサンプルサイズによって導かれるべきであり、直接推定が可能な十分なデータが存在するドメインにおいては、RTDが推奨される戦略であると結論付けている。