A binary factor model

統計学の世界において、研究者はしばしば一つのパズルに直面します。それは、詳細の中に迷い込むことなく、膨大な関連事実のリストをどのように理解するかという問題です。例えば、あるグループの人々が、特定の疾患を持っている、特定の年齢である、あるいは特定の場所に住んでいるといった、共通の特性を持っている理由を理解しようとする場面を想像してみてください。個々の特性を一つひとつ見る代わりに、統計学者は「因子分析」と呼ばれるツールを使用します。この手法は、なぜそれらの特性が一緒に現れるのかを説明する、いくつかの隠れた、根底にある原因を見つけ出そうとするものです。何十年もの間、このツールは身長や温度のように、あらゆる数値を取り得る測定に対しては見事に機能してきました。しかし、データが「入院したか否か」のような、単純な「はい」か「いいえ」の回答で構成されている場合、この手法は苦戦してきました。従来のモデルは、隠れた原因が滑らかで連続的なものであると想定していましたが、それは「はい」か「いいえ」の二値データの、鋭く離散的な性質には適合しなかったのです。

メキシコのITAMに所属するルイス・E・ニエト＝バラハス率いる研究チームは、この問題を解決するための新しい方法を開発しました。彼らは、答えが厳格に「はい」か「いいえ」である二値データに特化して設計された、新しいモデルを作成しました。彼らのアプローチでは、探求している隠れた原因は、従来のモデルとは異なる振る舞いをします。自由に動き回るのではなく、これらの隠れた因子は互いに避け合うように設計されています。つまり、一つの因子が強ければ、他の因子は弱くなければならないのです。これは、限られたスペースの中で、一度に一つのものしか完全には存在できない状況のように、自然なバランスを生み出します。この特定の振る舞いを用いることで、研究者はデータを不適切な形に無理に当てはめることなく、二値データの中に潜む構造を明らかにすることができるのです。

このアイデアをテストするために、研究者はまずコンピュータ・シミュレーションを構築しました。彼らは、7つの異なる「はい／いいえ」の変数と、3つの隠れた原因を持つ架空のデータセットを作成しました。このデータを新しいモデルに投入し、あらかじめ仕込んでおいた元の3つの原因を特定できるかどうかを見守りました。モデルはうまく機能し、正しい数の隠れた原因を特定し、その重要性を推定することに成功しました。研究者は、真実よりも少ない原因、あるいは多い原因を用いようとすると、データの説明能力が低下することを発見しました。このシミュレーションは、彼らの数学的枠組みが健全であり、構造を壊すことなく二値データの複雑さを扱うことができることを証明しました。

シミュレーションによって勇気づけられた研究者は、モデルが乱雑で現実的な状況を扱えるかどうかを確認するため、現実世界のデータへと目を向けました。彼らは、メキシコにおける1,814件の確定したCOVID-19症例のデータベースを分析しました。データには、女性であるか、入院しているか、肺炎を患っているか、あるいは糖尿病や肥満などの疾患があるかといった、各患者に関する12種類の指標が含まれていました。目的は、このモデルがこれら12の指標を、なぜ特定の症状の組み合わせが特定の患者に現れるのかを説明する、いくつかの意味のあるカテゴリーへと分類できるかどうかを確認することでした。

モデルは、患者を3つの明確な隠れたグループへと分類することに成功しました。第一のグループは入院と肺炎を結びつけており、ウイルスの重篤な合併症に関連する隠れた原因を示唆していました。第二のグループは、ほぼ完全に「女性であること」に関連しており、性別が病状の重症度とは独立した独自の要因であることを示していました。第三のグループは、糖尿病、心疾患、腎不全といった、高齢者において併発する傾向にある一連の疾患を集めていました。この第三のグループは、患者をより脆弱にする成人の健康問題という隠れた原因を表していました。研究者は、二値データを従来の連続的な形に無理やり当てはめようとする、長年使われてきた従来の手法と比較を行いました。従来の手法は、これらのグループを混ぜ合わせてしまい、重篤な合併症を性別と混同させることで、新しいモデルが明らかにした明確なパターンを不明瞭にしていました。

この研究ではまた、これらの隠れたグループがそれぞれどの程度重要であるかについても調査しました。研究者は、重篤な合併症に関連するグループと、成人の健康問題に関連するグループが最も重要であり、それぞれがデータの変動の大部分を説明していることを発見しました。性別の要因は、独立してはいるものの、全体像の説明にはあまり寄与していませんでした。新しい手法を用いることで、研究者は混乱に悩まされることなく、これらのパターンを明確に捉えることができました。彼らは単に新しい公式を見つけたのではありません。二値データの構造をより明確に捉える方法を見出したのです。すなわち、隠れた原因がデータに合致した振る舞いをするようにすれば、それが語る物語ははるかに理解しやすくなるということを示したのです。この研究は、イエスかノーかの回答を伴う問いに対しては、従来のツールでは的を外している可能性があり、データの独特な性質を尊重する新しいアプローチこそが、真実を見出すために必要であることを示唆しています。