Hybrid Neutrosophic Regression ANOVA (HNRA): An Uncertainty-Aware Statistical Inference Framework Under Measurement Imprecision

技術要約：ハイブリッド・ニュートロソフィック回帰分散分析 (HNRA)

問題提起
古典的な回帰に基づく分散分析（ANOVA）は、定量的な生物医学的推論の基盤となるが、説明変数（$X$）および応答変数（$Y$）が誤差のない正確な量として観測されるという仮定に依存している。実際には、この仮定は、機器の校正限界、生物学的変動、センサー報告エラー、および自己申告データの丸め処理によって、日常的に破られている。区間回帰、ファジィ回帰、ベイズ回帰といった既存の手法は、測定の不正確さに対処しようと試みているが、それぞれ特有の限界を抱えている：

• 区間回帰： 標準的なANOVA分解や従来の$F$統計性を欠くことが多い。
• ファジィ回帰： 主観的なメンバーシップ関数のパラメータ化を必要とし、標準的なANOVA表を持たない。
• ベイズ回帰： 事前分布の指定を必要とし、頻度論的な$F$統計量ではなく事後分布をもたらす。
• 既存のニュートロソフィック・モデル： 先行研究ではニュートロソフィックな相関と単純回帰を確立しているが、完全な回帰ANOVA分解（$SST_N = SSR_N + SSE_N$）および形式的に境界付けられた$F$統計量を導出してはいない。

その結果、最小二乗法（OLS）の解釈性と計算の簡便性を維持しつつ、構造的な測定の不確実性を回帰ANOVAの平方和分解を通じて伝播させることができる統計的枠組みに、空白が存在している。

手法：HNRAフレームワーク
本論文は、観測値をニュートロソフィック区間として表現し、閉区間演算を用いてそれらを回帰ANOVAへと伝播させる**ハイブリッド・ニュートロソフィック回帰分散分析（HNRA）**というフレームワークを導入する。

1. ニュートロソフィック区間表現：
   観測値は閉区間 $A_N = [A_L, A_U]$ に変換される。データセット $(x_i, y_i)$ に対して、ニュートロソフィック表現は以下のように定義される：

   • $X_{i,N} = [x_i - \delta_x, x_i + \delta_x]$
   • $Y_{i,N} = [(1-\delta_y)y_i, (1+\delta_y)y_i]$
     ここで、$\delta_x$ および $\delta_y$ は、説明変数および応答変数の非負の不確実性パラメータを表す。

2. モデル定式化：
   HNRAモデルは、区間の中間値から計算された古典的なOLS係数推定値（$\hat{\beta}_0, \hat{\beta}_1$）を保持する。モデルは $Y_{i,N} = \beta_0 + \beta_1 X_{i,N} + \epsilon_{i,N}$ と表される。

   • 適合値： 区間演算を用いて計算され、$\beta_1 < 0$ の場合には $[L, U]$ の順序を維持するために境界スワップが適用される。
   • 平方和： 全平方和（$SST_N$）、回帰平方和（$SSR_N$）、および誤差平方和（$SSE_N$）は、加算、減算、および二乗に関する閉区間演算の規則を用いて、区間として計算される。
   • $F$統計量： 区間値の$F$統計量は、$F_N = [F_L, F_U] = [MSR_L / MSE_U, MSR_U / MSE_L]$ として定義される。ここで、平均平方（Mean Squares）は区間平方和から導出される。

3. 決定分類：
   本フレームワークは、$F$区間 $[F_L, F_U]$ と古典的な臨界値 $F^*$ の関係に基づいた三段階の有意性分類を導入する：

   • 一様有意（Uniformly Significant）： $F_L > F^*$ （すべての不確実性の実現において有意性が保証される）。
   • 一様非有意（Uniformly Non-Significant）： $F_U < F^*$。
   • 不確実性感受領域（Uncertainty-Sensitive Region）： $F_L \leq F^* \leq F_U$ （結論は不確実性の範囲内の具体的な実現に依存する）。

主要な理論的貢献
本論文は、HNRAが古典的な回帰ANOVAの保守的で適切に振る舞う一般化であることを証明する4つの理論的結果を確立している：

1. 分解定理： $SST_N \approx SSR_N + SSE_N$ が、区間演算の下で成分ごとに成立することを証明する（不一致は不確実性パラメータの関数 $O(\delta_x + \delta_y)$ によって抑えられる）。
2. 収束定理： 不確実性パラメータ（$\delta_x, \delta_y$）がゼロに近づくにつれ、すべてのHNRA区間量が古典的なクリスプ（確定値）の対応量に正確に収束することを実証する。
3. 単調性定理： すべての区間統計量（$F$統計量を含む）の幅は、測定の不確実性の増加に伴って単調に増大することを確立する。これにより、不確実性の予算を増やしても、推論の結論が不当に狭まることがないことを保証する。
4. 有界性と正値性定理： 平均平方の下限が正であれば、区間$F$統計量は厳密に正であり、かつ有限であることを証明する。また、下限 $F_L$ が古典的な臨界値を超える場合、一様な統計的有意性が保証されるという系を導く。

実験結果
本フレームワークは、筋肉量と年齢の関係を示す生物医学データセット（$n=60$、応答の不確実性 $\pm 10\%$、説明変数の不確実性 $\pm 0.5$年）を用いて検証された。

• 適用： 古典的な$F$統計量は174.06であった。HNRAの結果は $F_N = [116.52, 260.02]$ を与えた。下限（116.52）が臨界値（$F^* \approx 4.00$）を大幅に上回っていたため、この関係は一様有意と分類された。
• 感度分析： 不確実性レベルを5%から25%まで変化させた際、$F_N$ の区間幅は単調に増大したが、下限は依然として臨界閾値を大きく上回っており、高い不正確さの下でも結論の安定性が確認された。
• シミュレーション研究： 500回の反復試行による研究では、古典的な推定値が常にHNRAの区間内に収まることが確認された。18,000個のデータセットを用いた拡張ファクトリアル・シミュレーションでは、誤差平均平方が正である限り、HNRAの区間が古典的な$F$値を100%カバーした。
• 境界シナリオ： 効果量がより弱い合成シナリオでは、「不確実性感受領域」が示された。ここでは、古典的なANOVAが有意性を報告する一方で、HNRAは、その結論が測定の不確実性に対して脆弱であることを正しく特定した。

意義と主張
本論文は、HNRAが以下の点において、統計的推論における独自の地位を提供すると主張している：

• 解釈性の保持： 古典的なOLS係数を使用するため、頻度論的回帰を訓練された実務家にとって結果が馴染みやすい。
• 分布仮定の排除： ベイズ法とは異なり事前分布を必要とせず、ファジィ手法とは異なりメンバーシップ関数のパラメータ化も必要としない。
• 形式的な保証の提供： 収束性と単調性の特性を持つ、完全なANOVA分解と境界付けられた$F$統計量を提供する（これらは従来のニュートロソフィック回帰文献には欠けていた）。
• 規制上のニーズへの対応： 測定不確実性を解析結果と共に報告することが求められる（ISO 5725、CLSIなどの規格）、臨床検査科学や疫学に直接適用可能である。

限界と今後の課題
著者らは以下の限界を明示的に述べている：

• 第一種の過誤（Type-I Error）の制御： ニュートロソフィック区間における形式的な第一種の過誤の制御はまだ確立されていない。したがって、HNRAは現在、完全な検証済み頻度論的仮説検定というよりも、堅牢な記述的および感度分析的ツールとして位置付けられている。
• 動作範囲： 低シグナル・高不確実性の領域では、$F$区間が情報として無意味なほど広くなり（「不確実性感受領域」）、誤差平均平方の下限（$MSE_L$）がゼロに近づく可能性がある。
• 範囲： 現在の定式化は単純回帰（$k=1$）に限定されている。多重回帰、非対称な不確実性境界、および区間値のモデル選択基準（例：AIC）への拡張が今後の課題として挙げられている。