[論文レビュー] A Unified Monte-Carlo Jackknife for Small Area Estimation after Model Selection

Jiming Jiang, Partha Lahiri+1 more|arXiv (Cornell University)|Feb 16, 2016

Statistical Methods and Bayesian Inference参考文献 25被引用数 3

ひとこと要約

本稿では、モデル選択後の小領域推計における平均二乗予測誤差（log-MSPE）の推定のため、統一的モンテカルロ・ジャックナイフ（McJack）手法を提案する。この手法は2次バイアスなしを達成し、シミュレーションおよび実データ解析を通じてロバストな性能を示し、モデル選択の変動を考慮する信頼性の高い不確実性測度を提供する。

ABSTRACT

We consider estimation of measure of uncertainty in small area estimation (SAE) when a procedure of model selection is involved prior to the estimation. A unified Monte-Carlo jackknife method, called McJack, is proposed for estimating the logarithm of the mean squared prediction error. We prove the second-order unbiasedness of McJack, and demonstrate the performance of McJack in assessing uncertainty in SAE after model selection through empirical investigations that include simulation studies and real-data analyses.

研究の動機と目的

• モデル選択が先行する小領域推計における不確実性の測定という課題に取り組むこと、特にモデル選択によって生じるバイアスに焦点を当てる。
• 混合効果モデルにおいて特に顕著なモデル選択に起因する誤差を考慮する計算的に実行可能な不確実性推定器を開発すること。
• 提案された推定器がMSPEの対数の2次バイアスなし性を理論的に確立すること。
• 仮説検定やモデルに基づく意思決定を支援する、実用的でスケーラブルなSAEにおける不確実性評価手法を提供すること。
• 既存の手法がモデル選択の変動を不確実性測度に組み込めていないというギャップを埋めること。

提案手法

• 小領域推計における平均二乗予測誤差（log-MSPE）のための統一的モンテカルロ・ジャックナイフ推定器（McJack）を提案する。
• リサンプリングに基づくアプローチを採用し、log-MSPEを1つずつ除外するジャックナイフ再代入により推定し、モデル選択の不確実性を処理するためにモンテカルロ統合を組み合わせる。
• 推定のための正規近似と分散安定化のため、MSPEに対数スケーリングを適用する。
• 地域別に異なるランダム効果を含む階層的混合効果モデルの枠組みを採用し、モデル選択（例：ランダム効果の有無）を推定プロセスの一部として扱う。
• McJackが2次バイアスなしを達成する理論的条件を導出し、正則性仮定の下での漸近的展開とモーメントバウンズに依拠する。
• シミュレーションスタディおよび実データ応用を通じて、既存の不確実性推定器と比較して性能を検証する。

実験結果

リサーチクエスチョン

• RQ1 統一的モンテカルロ・ジャックナイフ推定器は、モデル選択後の小領域推計におけるlog-MSPEに対して2次バイアスなしを達成できるか？
• RQ2 モデル選択（例：地域別ランダム効果の有無）が追加の変動をもたらす状況において、提案されたMcJack推定器は不確実性を適切に捉えられるか？
• RQ3 log-MSPEを不確実性の指標として用いることで、原始的なMSPEと比較して、SAEにおける不確実性推定の信頼性と解釈可能性が向上するか？
• RQ4 有限標本において、McJackは既存の不確実性推定器と比較してバイアスおよび平均二乗誤差の観点でどの程度優れているか？
• RQ5 McJack推定器は、異なるSAE手法間のlog-MSPEの差について、z検定やt検定などの妥当な統計的推論を可能にするか？

主な発見

• McJackは、正則性条件の下でlog-MSPEに対して2次バイアスなしを達成し、そのバイアスはo(n^{-1})のオーダーとなる。
• この手法は、特に地域別ランダム効果の有無の決定が有意性検定の対象となる場合に、モデル選択誤差を効果的に扱う。
• シミュレーションスタディでは、モデル選択の変動を無視する既存の手法と比較して、McJackがより正確な不確実性推定を提供することが示された。
• 実データ解析により、小領域と混合効果モデルを含む複雑なアンケート設定において、McJackのロバストさと実用的有用性が確認された。
• log-MSPEの使用により、推論のための正規近似が可能となり、仮説検定や将来のアンケート設計のためのモデルに基づく計画立案が容易になった。
• 推定誤差に関する理論的バウンズが導出され、設計行列および誤差構造に関する標準的仮定の下で、McJack推定器の分散が適切に制御されていることが示された。