Beyond Equidistant Assumptions: An Autoregressive Ordered Stereotype Model for Ordinal Time Series

技術要約：等間隔性の仮定を超えて：順序時系列のための自己回帰的順序ステレオタイプ・モデル

問題提起
順序時系列データは、観測値が有限の順序付けられたカテゴリ集合の値をとるという特徴を持ち、ヘルスケア、環境科学、スポーツなどの分野で頻繁に発生する。マルコフモデル、回帰モデル、離散ARMA変種を含む様々なモデリング手法が存在するが、その多くは制限的な仮定に基づいている。具体的には、標準的な順序回帰モデルは、隣接するカテゴリ間の距離が等間隔である、あるいは共変量の効果がすべての閾値に対して比例する（比例オッズモデルのように）という仮定を置くことが多い。著者らは、これらの仮定が、特に「距離」の解釈が意味を持つアプリケーション（例：「覚醒」から「静穏睡眠」への移行は、中間的な睡眠段階間の移行よりも変化の大きさが異なる可能性がある）において、しばしば非現実的であることを指摘している。既存の柔軟な代替案（部分比例オッズモデルなど）は、多くの場合、パラメータ数の大幅な増加というペナルティを伴う。本論文は、カテゴリ間の等間隔性を課すことなく、系列依存性を捉えるための、簡潔でありながら柔軟なフレームワークの必要性に取り組んでいる。

手法
本論文では、Anderson (1984) によって横断データ用に導入されたOrdered Stereotype Model (OSM) を拡張した、自己回帰的順序ステレオタイプ・モデル (AR-OSM) を提案する。

• モデル定式化: AR-OSM は、反応変数のラグ値 ($Y_{t-1}, \dots, Y_{t-p}$) を回帰の体系的成分内の共変量として組み込む。$q$ 個のカテゴリを持つ順序時系列 $Y_t$ について、カテゴリ $k$ に対するベースラインカテゴリ (1) に対する対数オッズは次のようにモデル化される：
  $$\log \left( \frac{P(Y_t = k | \mathcal{F}_{t-1})}{P(Y_t = 1 | \mathcal{F}_{t-1})} \right) = \alpha_k + \phi_k \sum_{j=1}^p \beta_j Y_{t-j} + \gamma^T X_t$$
  ここで、$\mathcal{F}_{t-1}$ はプロセスの履歴を表す。
• 主要な特徴（スコア・パラメータ）: モデルは、一連の単調な「スコア」パラメータ $\{\phi_1, \dots, \phi_q\}$ を利用する（$0 = \phi_1 \le \dots \le \phi_q = 1$ となるよう制約される）。固定された等間隔の配置を仮定する標準的なモデルとは異なり、これらのパラメータはデータによってカテゴリ間の相対的な間隔を決定することを可能にする。回帰係数 $\beta_j$ はカテゴリ間で共通であるが、カテゴリ固有のスコア $\phi_k$ によってスケーリングされる。
• 推定: パラメータ推定は最尤推定法 (MLE) を通じて行われる。最適化中のスコア・パラメータの単調性制約を扱うため、著者らは、制約付きの問題を無制約の問題に変換する、logit変換と指数増分を用いた再パラメータ化戦略 (Fernández et al., 2016) を採用している。
• モデル選択と依存性: 本論文では、系列依存性を測定し、適切な自己回帰次数 $p$ を選択するために、順序コーヘンの $\kappa$ (Ordinal Cohen's $\kappa$) およびその部分版を利用する。この指標は、連続時系列における ACF および PACF の類似物として、データの順序性を考慮するために Weiß (2020) から適応されたものである。

主な貢献

1. 時系列への拡張: 主要な貢献は、OSM を順序時系列へと形式化したことであり、AR-OSM フレームワークを構築したことである。
2. 等間隔性の緩和: 本モデルは、等間隔なカテゴリの仮定を明示的に回避する。代わりに、データから状態間の潜在的な間隔を推論することで、カテゴリ間の遷移が大きさの異なる変化を伴うプロセスに対して、より現実的な表現を提供する。
3. 簡潔性と柔軟性の両立: AR-OSM は、制限的な比例オッズモデルと、より複雑でパラメータの多い代替案との間の妥協案を提示する。スコア・パラメータを通じてカテゴリ固有の効果を捉えることで、すべての共変量とカテゴリの相互作用に対して個別の係数ベクトルを必要とすることなく、柔軟性を確保している。
4. 共変量の統合: 純粋なマルコフ的アプローチとは異なり、AR-OSM は回帰モデルの構造を保持しており、自己回帰項とともに外部共変量（心拍数、温度など）を含めることが可能である。

結果

• シミュレーション研究:
  • 推定量の性能: 様々なサンプルサイズ ($T=100, 500, 1000$) におけるシミュレーションにより、推定量が効率的であり、サンプルサイズの増加とともに分散が減少することが示された。小規模なサンプルサイズ ($T=100$) ではスコア・パラメータ ($\phi$) にわずかなバイアスが観察されたが、このバイアスはサンプルサイズが大きくなるにつれて減少した。
  • 系列依存性: 研究では、自己回帰係数 ($\beta$) とスコア・パラメータ ($\phi$) がどのように系列依存性に影響を与えるかを調査した。結果は、$\beta$ の符号が依存性の方向（正または負）を決定し、その大きさが強さを制御することを示した。$\beta$ と系列依存性（順序コーヘンの $\kappa$ で測定）の関係は非線形であることが判明した。
• 実世界への適用（乳児の睡眠データ）:
  • モデルは、30秒ごとに記録された新生児の睡眠状態（覚醒、静穏睡眠、不定眠、活動睡眠）のデータセットに適用された。
  • モデル選択: 部分的な順序コーヘンの $\kappa$ の分析により、自己回帰次数は 1 ($p=1$) であることが示唆された。尤度比検定 (LRT) は、AR-OSM (モデル 3) が、隣接カテゴリ・ロジットを用いた比例オッズ・モデル (モデル 5) や心拍数を共変量として含むモデルよりも、有意に優れた適合度を示すことを確認した。
  • 間隔の解釈: 推定されたスコア・パラメータは、「覚醒」と「静穏睡眠」の間の潜在的な距離が、中間的な睡眠段階間の距離よりも大幅に大きいことを明らかにした。この知見は、標準的なモデルの等間隔の仮定に矛盾するものであり、覚醒から睡眠への移行は、睡眠段階間の移動よりも明確な変化であるという生物学的な妥当性を支持している。
  • 予測: 10ステップ先予測の演習において、AR-OSM は比例オッズモデルよりも優れた性能を示し、各ステップにおいて真の状態をより高い確率で予測した。

意義と主張
本論文は、AR-OSM が、等間隔なカテゴリの仮定が非現実的である順序時系列をモデリングするための、柔軟かつ簡潔なフレームワークを提供すると主張している。データによって状態の相対的な間隔を決定させることで、本モデルは、睡眠データの適用によって証明されたように、基礎となるプロセスをより正確に表現できる。著者らは、モデルが順序構造を尊重しつつ、系列依存性を効果的に捉えられることを主張している。

論文では、現在の定式化は共変量間で共有される単一のスコア・パラメータを仮定していることを控えめに述べており、将来の研究では、スコア・パラメータが共変量ごとに変化する「部分的順序ステレオタイプ・モデル」を探索できる可能性があるとしている。また、著者らは、このフレームワークにおける時変パラメータに伴う計算上の課題を認めているが、自己回帰的部分モデルへの拡張を有望な将来の研究領域として特定している。本研究は、制限的な比例モデルと過度に複雑な代替案との間のギャップを埋める、方法論的な進歩として提示されている。