Two-Stage Estimation of Population Abundance with Robust Inference under Interacting Survey Protocols

探偵のジレンマ：道具同士が戦うとき

野生動物を数えることは困難です。例えば、池の中にいるすべての魚を、追い払ったり、睡蓮の葉の下に隠れたりすることなく数えようとする場面を想像してみてください。生態学者はしばしば「N混合モデル（N-mixture models）」という、高度な統計ツールを使用します。これは、実際に目撃した数に基づいて、動物の「真の数（N）」を推測しようとするものです。これらのモデルは、もし動物を見逃したとしても、それは単なる不運によるものであり、動物が隠れていたり、あるいは調査ツールが故障したりしたせいではない、と仮定しています。

しかし、もしあなたの道具同士が互いに戦っていたらどうなるでしょうか？

この論文の著者たちは、現実世界における奇妙な問題に気づきました。彼らは、日本の一部に侵入したパラスリス（リスの一種）と、その体に生息する微細な寄生虫を研究していました。寄生虫を数えるために、彼らは2つの方法を用いました。

1. クシによる採取（Combing）: リスの毛を数分間、クシで梳かす方法。これは安価で簡単ですが、完璧ではありません。
2. 剃毛（Shaving）: リスの毛を完全に剃り落とし、その後、毛の間を観察する方法。これはコストがかかり、非常に時間がかかりますが、本来であれば「すべて」を捉えられるはずの方法です。

計画は単純でした。まずクシを使って素早くカウントを行い、次に剃毛を行って、クシで見逃されたものを確認するというものです。両者を比較することで、クシがいかに優れているかを判断できるはずでした。しかし、ここにひねりがありました。クシが証拠を破壊してしまったのです。

リスの毛を梳かしたとき、彼らは単に寄生虫を見逃しただけでなく、実際にはいくつかの寄生虫を叩き落としたり、あるいは後で剃毛による調査でも見つけられないほど損傷させたりしていました。それはまるで、ほうきでガラスの破片を掃き集めながら数を数えようとしているのに、実は掃いている最中にほうきが半分以上の破片を壊してしまっているようなものです。もし単に「クシによるカウント」と「剃毛によるカウント」を比較してしまうと、「剃毛によるカウント」自体がすでに低くなってしまっているため、間違った答えを導き出してしまいます。数学的な計算が混乱し、最終的な個体数推定はめちゃくちゃになってしまうのです。

二段階の解決策：壊れた連鎖を修復する

著者たちは、従来の数学的手法（「結合階層モデル」と呼ばれます）が、パズルの全体を一気に解こうとしていたことに気づきました。それは、ほうきを直し、床を掃き、ガラスを数えるという作業を、一つの巨大で絡まり合った結び目のように一度に行おうとするようなものです。その結果はどうでしょうか？ 数学は混乱し、数値には偏り（バイアス）が生じ、科学者たちは誤った答えに対して過剰に自信を持ってしまいました。

そこで著者たちは、「二段階推定（Two-Stage Estimation）」という枠組みを提案しました。これは、全員が円を描いて走るのではなく、バトンを慎重に受け渡していくリレーレースのようなものです。

第1段階：「もしも」の予測
まず、彼らは「剃毛のみを行ったリス（対照群）」と「クシの後に剃毛を行ったリス（処置群）」を調べました。そして、このデータを用いて、「クシによるプロセスによって、どれだけの寄生虫が破壊されたのか？」という特定の問いに答えました。
彼らは「反事実的（counterfactual）」な予測を作成しました。これは、「もしクシによるダメージがなかったとしたら、本来はどれだけの寄生虫がそこに存在していたはずか？」ということを意味する高度な表現です。このステップにより、調査方法自体によって引き起こされたダメージを切り離して特定することができます。

第2段階：補正
どれだけの寄生虫がダメージによって失われたのかが判明した後、彼らはその数値を用いて、第2段階の数学的な計算を修正しました。彼らは、クシによる検出確率を、壊れた後の数値ではなく、この「損傷を受けていないはずの」数値に基づいて算出しました。

自分たちを欺かないために、彼らは特別な種類の誤差範囲（「ロバスト分散推定量」と呼ばれます）を考案しました。通常、ステップ1の数値を使ってステップ2を行う際、ステップ1自体に誤差があったことを忘れてしまいがちです。この新しい数学的ツールは、それらの誤差が引き継がれるように設計されており、最終的な答えが過剰に自信満々なものにならないようにします。これは、計算に「安全マージン」を加えるようなもので、「答えはXであると推測されるが、最初の推測が完璧ではなかった可能性を考慮すると、もう少し高いか低い可能性がある」と述べることに相当します。

数値が示すもの：シミュレーションと本物のリス

チームは単に推測したわけではありません。彼らは2つの方法でアイデアをテストしました。

1. コンピュータ・シミュレーション
彼らは、寄生虫の正確な数が分かっている「仮想の世界」をコンピュータ内に作成しました。設定を変えて、このシミュレーションを1,000回実行しました。

• 従来の方法（ベイズ結合モデル）: コンピュータは真の答えを知っているにもかかわらず、古いモデルは繰り返し間違った推測をしました。数値には偏りがあり、一貫して過大または過小に推定していました。さらに悪いことに、その「信頼区間（答えが含まれると想定される範囲）」は狭すぎました。それは、探偵が「犯人はこの小さなクローゼットの中にいると95%の自信を持って言える」と言っているようなものですが、実際には犯人は家中に逃げ回っている状態でした。多くのケースにおいて、真の答えはモデルが「95%の確率で含まれる」と主張した範囲の中にさえ入っていませんでした。
• 新しい方法（二段階法）: 著者たちの手法は、平均して正しい数値を導き出しました。より重要なのは、その信頼区間が「誠実」であったことです。彼らが「95%の自信がある」と言ったとき、真の答えは実際に9生み出された範囲の中に95%の確率で収まっていました。データを意図的に「乱雑（過分散）」にした場合でも、新しい手法は信頼性を保ちましたが、古い手法は崩壊してしまいました。

2. 本物のリスのデータ
彼らは、日本の180匹のリス（対照群60匹、処置群120匹）から得られた実際のデータにこの手法を適用しました。

• ダメージ: クシによる方法は、寄生虫の約30%を破壊していることが分かりました。「生存確率」は、クシによる採取後の寄生虫で約0.7（つまり70%が生存し、30%が失われた）でした。
• 比較: 新しい手法を従来の「オールインワン」モデルと比較したところ、古いモデルはクシの効果について少し楽観的すぎる傾向がありました。しかし、最も大きな違いは「不確実性」にありました。新しい手法の誤差範囲は、古いモデルよりも約50%広くなりました。これは一見、良くないことに聞こえるかもしれませんが、実は良いことなのです！ つまり、新しい手法は「私たちは100%確信しているわけではなく、正直な可能性の範囲はここです」と認めているのであり、古いモデルは実際よりも自信があるように振る舞っていたのです。

なぜこれが重要なのか

この論文は、異なる調査方法が互いに干渉し合い、影響を与え合っている場合、すべてを一度に解決しようとするのをやめるべきであることを示唆しています。ステップを分離し（まずダメージを特定し、次に検出率を修正する）、それから全体を数えることで、より明確で誠実な自然の姿を描き出すことができます。

著者たちは、自分たちの手法が世界のあらゆる問題に対する魔法の杖ではないことも認めています。例えば、データに複雑な時間的・空間的なパターン（リスが群れで移動するなど）がある場合、数学的な調整が必要になるかもしれません。しかし、現時点では、この二段階のアプローチは、自分たちの道具に騙されることなく個体数を数えるための、堅実で信頼できる方法を提供しています。それは、正しい答えを得るためには、全体を数えようとする前に、まず壊れた破片を修復しなければならないこともある、ということを教えてくれているのです。