[論文レビュー] Bayesian approach to LR assessment in case of rare type match: careful derivation and limits

Giulia Cereda|arXiv (Cornell University)|Feb 9, 2015

Statistical Methods and Inference参考文献 44被引用数 4

ひとこと要約

この論文は、参照データベースに存在しないが犯罪痕跡と一致する容疑者のDNA型の稀な型一致問題における尤度比（LR）を原理的かつベイズ的アプローチで計算する手法を提示する。階層ベイズモデル（ベータ＝二項分布およびディリクレ＝多項分布）を用いて完全なベイズ的LRを導出しており、ベイズ推定と頻度主義LRを混在させるプラグイン手法が、特に従来の事前分布を用いる場合に反保守的でしばしば誤解を招くこと、すなわち、ハイブリッドな推論を避ける明確で一貫したベイズ的枠組みを提供し、法医学的評価における公平性を向上させることを示している。

ABSTRACT

The likelihood ratio (LR) is largely used to evaluate the relative weight of forensic data regarding two hypotheses and for its assessment Bayesian methods are widespread in the forensic field. However, the Bayesian `recipe' for the LR presented in most of literature consists in plugging-in Bayesian estimates of the involved nuisance parameters into a frequentist-defined LR: frequentist and Bayesian methods are thus mixed, giving rise to solutions obtained by hybrid reasoning. This paper provides the derivation of a proper Bayesian approach to assess LR for the `rare type match problem', the situation in which the expert wants to evaluate a match between the profile of a suspect and that of a trace from the crime scene, and this profile has never been observed before in the database of reference. Bayesian LR assessment using the two most popular Bayesian models (beta-binomial and Dirichlet-multinomial) is discussed and compared to corresponding plug-in versions.

研究の動機と目的

• 参照データベースに存在しない容疑者のDNA型と犯罪痕跡の一致を評価する法医学的課題に取り組むこと（稀な型一致問題）。
• 頻度主義的およびベイズ的尤度比定義の違いを明確にし、ベイズ的推定値を頻度主義的LRフレームワークに組み込むハイブリッド手法の不整合性を強調すること。
• 余分なパラメータ（例：型頻度）の不確実性を適切な階層的モデリングによって統合する完全なベイズ的LRを導出し、提唱すること。
• 従来の事前分布（例：一様なベータ／ディリクレ分布）が、ハイパーパrameterに極めて敏感なLR結果を生じさせ、法医学的評価における公平性と信頼性を損なうことを示すこと。
• 数学的に便利な代替事前分布ではなく、専門家による知見に基づいたより現実的な事前分布の使用を主張すること、特にデータベースがスパarsityで、定義域が広いY-STR解析において重要であることを強調すること。

提案手法

• 尤度を、型頻度パラメータθの事後分布全体にわたって統合する階層ベイズモデルを用いて完全なベイズ的LRを導出する。点推定値を代入するのではなく、θの事後分布にわたる積分を実行する。
• Y-STRデータにベータ＝二項分布およびディリクレ＝多項分布モデルを適用し、参照データベースにおける観察されたハプロタイプ数とその頻度をモデル化する。
• 余分なパラメータθの周辺化を簡略化するための重要な補題を用い、近似を用いずに正確なベイズ的LRの計算を可能にする。
• 完全なベイズ的LRとプラグインバージョン（頻度主義的LRフレームワークにベイズ的推定値θを代入）を比較し、後者の系統的な反保守的傾向を明らかにする。
• ハイパーパrameter（例：ディリクレ分布のα、ベータ分布のa）に対する感度分析を実施し、従来の事前分布下でLRがこれらの選択に強く依存することを示す。
• 事前分布は数学的利便性ではなく、専門家の意見を反映すべきであり、Cereda（2015c）の提案するより柔軟で調整可能な事前分布（例：調整可能なパラメータを有するもの）を用いることで、Y-STR応用における現実性が向上すると提言する。

実験結果

リサーチクエスチョン

• RQ1 ハイブリッドな推論を回避する完全なベイズ的枠組みにおいて、稀な型一致問題の尤度比をどのように適切に導出できるか。
• RQ2 ベイズ的プラグイン手法（型頻度のベイズ的推定値を頻度主義的LRに代入する手法）を用いる場合、真のベイズ的LRと比較してどのような結果が得られるか。
• RQ3 Y-STRDNA型の文脈において、従来の事前分布（例：一様なベータ分布やディリクレ分布）のハイパーパrameterに依存するベイズ的LRの感度はどの程度か。
• RQ4 なぜベータ＝二項分布およびディリクレ＝多項分布モデルは、稀な型一致状況で類似したLRをもたらすのか。また、これは各モデルが保持する情報量にどのような意味を持つのか。
• RQ5 Y-STR解析において、対称的で非情報的（例：α = 1）な事前分布をディリクレ＝多項分布モデルに適用した場合の影響は何か。特に、新しいハプロタイプが観察された際にLRにどのような影響を与えるか。

主な発見

• 完全なベイズ的LRはプラグインバージョンと同等に計算可能であり、余分なパラメータθの周辺化を簡略化するための重要な補題を用いることで、近似を用いずに正確に導出可能である。
• ベイズ的プラグイン手法は系統的に反保守的であり、特に型が稀かつデータベースが小さい場合に、検察側に有利に作用し、LRを過大評価する。
• 従来の選択である一様事前分布（例：α = 1のディリクレ分布）は、ハイパーパrameterに極めて敏感なLRを生じさせ、法医学的評価における信頼性と公平性を損なう。
• α = 1のディリクレ＝多項分布モデルでは、対称性のため、観察されたハプロタイプ数のみに依存し、その頻度には依存しない。これはY-STRデータでは現実的ではなく、頻度情報が価値あるものであることを踏まえると不適切である。
• 感度分析の結果、完全なベイズ的LRとプラグインLRの差は、事前分布の平均λと観察されたハプロタイプ数kobsに応じて顕著に現れ、場合によっては最大で2 log10単位の差が生じることが示された。
• 本論文は、計算の複雑さが増すにせよ、公平性と正確性を確保するため、デフォルトの非情報的事前分布ではなく、現実的で専門家による知見に基づいた事前分布を使用すべきであると結論づける。