Coverage Is Not Ordering: Ancillary Leakage and Representation Dependence in Covariance-Based Inference

技術的要約：被覆率は順序ではない：共分散に基づく推論における付随的な漏出と表現依存性

問題提起
基礎科学における実験測定値は、多くの場合、中心値、不確かさ、および共分散行列によって要約される。これらの簡潔な要約は、その後の結合や再解釈において不可欠であるが、元の統計モデルに含まれる情報を放棄してしまう。本論文は、フル統計モデルが共分散ベースのガウス型再構成に置き換えられた際、どの推論特性が頑健性を維持するかを調査している。具体的には、著者は、近似が単に適合値や不確かさを保持するだけでなく、実験結果の**尤度比の順序（likelihood-ratio ordering）**をも保持しているかどうかを検証している。

本論文は、この問題が発生する既知の2つのシナリオを取り上げている：

1. Peelle's Pertinent Puzzle (PPP): 共有される乗法的不確かさが、観測された中心値を用いて絶対的な共分散に変換される際に発生する。これにより、下方への変動が割り当てられた共分散を減少させ、結合された推定値を人工的に下方へ引き寄せてしまう可能性がある。
2. 非線形変換: 測定値が非線形変数（例：断面積から結合定数への変換）で表現される場合、伝播された共分散を用いてガウス型尤度を再構成すると、正確な尤度が持つ不変性が失われる可能性がある。

核心となる問いは、これらの共分散近似が実験結果のランキングを変更し、たとえ手順が同一の被覆率を持つように個別に較正されていたとしても、信頼決定（confidence decisions）を変化させてしまうのかどうかである。

手法
著者は、共通の正の量 $\mu$ に関する2つ（後に $N$ 個）の測定を含む、扱いやすい相関測定モデルを分析している。このモデルには以下が含まれる：

• 独立なガウス統計誤差 ($\epsilon_i$)。
• 共有される乗法的なランダム正規化因子 ($s\xi$)。

分析は、観測データを2つの統計的に独立な成分に分解することによって進められる：

1. 情報成分 ($m$): パラメータ $\mu$ に関するすべての情報を含む加重平均。
2. 付随成分 ($H$): 測定間の内部一致性を記述する残差不一致統計量（カイ二乗適合度に関連する）であるが、正確なモデルにおいては $\mu$ に関する情報を持たない。

著者は、正確な周辺尤度（$m$ のみに依存する）と、以下の2つの一般的な共分散レベルの再構成を比較する：

• データ中心型 (Data-Centered): 共分散が観測された中心値を用いて評価される（PPPの処方）。
• モデル中心型 (Model-Centered): 共分散が候補となるモデル値から伝播される（例：Box-Coxファミリーなどの非線形変換を伴う）。

差異を定量化するために、著者は $D_{ord}$ を導入した。これは、正確な構成と近似された構成の受容領域の対称差の確率質量として定義される。$D_{ord}$ は、繰り返される実験のうち、2つの手法が異なる「含める／除外する」という決定を下す割合を表す。

主な貢献と結果

1. 付随的な漏出 (Ancillary Leakage): 本研究は、共分散近似が $\mu$ の推論に対して付随統計 $H$ への依存性を導入し得ることを示している。正確なモデルでは、$H$ は付随的であり、$\mu$ の推定に影響を与えるべきではない。しかし、データ依存の共分散や非線形ガウス再構成は、適合平均および尤度比の順序を、内部不一致の大きさ $H$ に依存させる。この現象は「付随的な漏出（ancillary leakage）」と呼ばれる。

2. 順序と被覆率の階層: 著者は、近似誤差に対する診断の感度に関する重要な階層を確立した：

   • 順序の不一致 ($D_{ord}$) は、総相対不確かさ ($\lambda$) に対して一般に**一次（first order）**である：$D_{ord} = O(\lambda)$。
   • 従来の被覆率診断（固定閾値の被覆率差および付随条件付き被覆率欠損）は、**二次（second order）**から始まる：$O(\lambda^2)$。
   • これは、一次の被覆率テストにおいて受容領域の総確率内容が変化していないように見える場合でも、実験結果の順序が大きく変わる可能性があることを意味する。

3. 被覆率盲点 (Coverage-Blind Points): 著者は、主要な二次被覆率差が消失する一方で、一次の順序不一致が非ゼロとなる特定のパラメータ構成（「被覆率盲点」）を特定した。

   • 代表的なケースにおいて、総相対不確かさが10%であるとき、両方の手法が正確に68.27%の被覆率を持つように較正されているにもかかわらず、約**7.6%**の実験が、正確な手法と近似手法の間で信頼決定を変更する。
   • この効果は、非線形変換においてのみならず、標準的なPPP構成において $N \ge 3$ の測定が結合される場合にも発生することが示されている。

4. 任意の $N$ への一般化: 分析は、任意の有限個の測定（$N$）および任意の統計的分散へと拡張されている。データ中心のPPP処方では、問題全体は加重平均と単一の適合度統計量 $H \sim \chi^2_{N-1}$ に集約される。順序の不一致は、残差自由度 ($N-1$) と線形にスケールする。

5. 関連する部分集合との関連: このメカニズムは、付随性と関連部分集合に関する古典的な文献と結びついている。共分散近似は、真のモデルにおいて付随的である統計量に対して、推論上の関連性を事実上「捏造」している。その結果、同じ情報的な加重平均を持ちながら、異なる内部不一致を持つデータセットが異なって扱われ、異なる信頼区間をもたらす。

意義と主張
本論文は、被覆率だけでは、近似された共分散尤度が意図された尤度比の順序を保持していることを証明するには不十分であると主張している。

• 区別: 被覆率はどれだけの確率を受け入れるかを制御するが、順序はどの実験がその確率を構成するかを指定する。2つの手順は、同一の被覆率を持ちながら、互いに素な実験結果の集合を受け入れることがある。
• 含意: 結合や再解釈のために共分散行列に依存している高エネルギー物理学などの分野において、完全な統計モデルを共分散ベースのガウス型再構成で置き換えることは、実験結果を判断する根本的な基準を変えてしまう可能性がある。
• 推奨事項: 著者は、最強の救済策は、共分散行列のみに頼るのではなく、完全な統計モデル（または簡略化された尤度）を保存し、公開することであると示唆している。彼らは、順序の規定（例：Feldman-Cousins）が問題の源ではないことを強調しており、むしろ、近似された尤度にそれを適用することが、近似によって導入された順序の歪みを忠実に伝播させてしまうのである。

本研究は、共分散行列が線形ガウス測定に対しては忠実な要約であるが、相関のある不確かさや非線形変換が存在する場合、完全な統計モデルの表現不変な代用にはならないことを明らかにしている。