[論文レビュー] Generalized Confidence Interval for the Common Coefficient of Variation

Javad Behboodian, Ali Akbar Jafari|arXiv (Cornell University)|May 2, 2014

Statistical Distribution Estimation and Applications参考文献 8被引用数 4

ひとこと要約

本稿では、一般化p値と一般化変数を用いて、複数の正規母集団における共通の変動係数（CV）のための新しい一般化信頼区間を提案する。Tian（2005）のアプローチと新規手法を組み合わせることで、シミュレーションおよび実際の医療データ応用を通じて、既存の手法と比較して区間長が短く、カバレッジ確率がより良好であることが確認された。

ABSTRACT

In this article, we consider the problem of constructing the confidence interval and testing hypothesis for the common coefficient of variation (CV) of several normal populations. A new method is suggested using the concepts of generalized p-value and generalized confidence interval. Using this new method and a method proposed by Tian (2005), we obtain a shorter confidence interval for the common CV. This combination method has good properties in terms of length and coverage probability compared to other methods. A simulation study is performed to illustrate properties.. Finally, these methods are applied to two real data sets in medicine.

研究の動機と目的

• 複数の正規母集団が同じCVを持つ場合に、共通の変動係数（CV）の信頼区間を正確に構築する課題に対処すること。
• 従来の手法が、CV推定におけるずれパラメータと非パラメトリック分布の問題を抱えるという制限を克服すること。
• 既存のアプローチと比較して、区間の精度とカバレッジ特性を向上させる、新しい一般化変数に基づく手法を開発すること。
• 新規手法をTian（2005）の一般化信頼区間と組み合わせ、区間長とカバレッジ確率の観点で最適な性能を達成すること。
• モンテカルロシミュレーションと実世界の医療データセットを用いて、提案手法の妥当性を検証し、実用的有用性を示すこと。

提案手法

• ずれパラメータを含まない分布を保証するため、一般化順序変数の概念を用いて共通CVの信頼区間を構築する。
• 帰無仮説（CVが等しい）の下で、標本標準偏差と平均の比に基づく一般化変数を導出する。
• 区間構築のための一般化変数分布の分位数を推定するために、5,000回の繰り返しを用いたモンテカルロシミュレーションを実施する。
• 新規手法とTian（2005）の一般化p値アプローチを組み合わせ、区間長とカバレッジを改善するハイブリッド手法を構築する。
• 実データに応用し、一般化変数アプローチを用いて信頼区間と仮説検定のp値を計算する。
• シミュレーションを用いて、4つの手法（Tian（2005）、VerrillとJohnson（2007）、新規手法（13）、統合手法（17））のカバレッジ確率と区間長を比較する。

実験結果

リサーチクエスチョン

• RQ1 既存手法と比較して、新規の一般化変数に基づく手法は、共通の変動係数の信頼区間のカバレッジ確率と区間長を改善できるか？
• RQ2 新規手法とTianの手法を組み合わせたハイブリッド手法の性能は、個別手法と比較して、区間長とカバレッジ確率の観点で優れているか？
• RQ3 特に名目カバレッジ水準を維持する観点で、小標本サイズ下での提案手法の経験的性能はいかがなものか？
• RQ4 不均一な標本サイズと変動係数を有する実際の医療データセットにおいて、提案手法はどのように性能を発揮するか？
• RQ5 新規手法は、MLE や FeltzとMillerの推定器と比較して、共通CVの点推定値をより正確に得られるか？

主な発見

• 例1では、統合手法（17）が区間長0.0092を達成し、Tian（0.0100）とVerrillとJohnson（0.0103）の手法を上回った。
• 例2では、統合手法が区間長2.8020を示し、Tian（5.4416）とVerrillとJohnson（0.6479）の手法を上回ったが、後者の区間は短かったものの、小標本ではカバレッジが不足していた。
• 小標本の場合、VerrillとJohnson（2007）手法のカバレッジ確率は名目の95％水準を下回っており、このような状況での信頼性が低いことが示された。
• 新規手法（13）はTianの手法よりわずかに短い平均区間長を示したが、一部のシナリオではカバレッジ確率が低く、精度と信頼性のトレードオフが見られた。
• 両方の実データ例において、統合手法（17）は名目95％水準に近いカバレッジ確率を維持しながら、Tianの手法より短い区間長を達成した。
• 例1では、統合手法の95％信頼区間（0.0333, 0.0425）は、Tianの（0.0347, 0.0447）よりも狭く、カバレッジを損なわず精度が向上したことを示した。