[論文レビュー] Up-and-Down and the Percentile-Finding Problem

Assaf P. Oron|ArXiv.org|Aug 21, 2008

Statistical Methods in Clinical Trials参考文献 57被引用数 10

ひとこと要約

本稿は、パーセンタイル推定のためのアップ・アンド・ダウン（U&D）デザインを進展させ、k-in-a-row（KR）バージョンが単峰性の定常分布を有することを証明し、収束性および精度において他の手法を上回ることを示した。中心化順序回帰（CIR）と自動検出推定量を導入し、非パラメトリック推定を実現した。信頼区間推定を構築し、CRMに優るロバスト性を有するハイブリッドベイジアンU&D（BUD）デザインを提案した。シミュレーション研究では、U&DおよびCRMの性能を同等または上回った。

ABSTRACT

Up-and-Down (U&D) is a popular sequential design for estimating threshold percentiles in binary experiments. However, U&D application practices have stagnated, and significant gaps in understanding its properties persist. The first part of my work aims to fill gaps in U&D theory. New results concerning stationary distribution properties are proven. A second focus of this study is nonparametric U&D estimation. An improvement to isotonic regression called "centered isotonic regression" (CIR), and a new averaging estimator called "auto-detect" are introduced and their properties studied. Bayesian percentile-finding designs, most notably the continual reassessment method (CRM) developed for Phase I clinical trials, are also studied. In general, CRM convergence depends upon random run-time conditions -- meaning that convergence is not always assured. Small-sample behavior is studied as well. It is shown that CRM is quite sensitive to outlier sub-sequences of thresholds, resulting in highly variable small-sample behavior between runs under identical conditions. Nonparametric CRM variants exhibit a similar sensitivity. Ideas to combine the advantages of U&D and Bayesian designs are examined. A new approach is developed, using a hybrid framework, that evaluates the evidence for overriding the U&D allocation with a Bayesian one.

研究の動機と目的

• アップ・アンド・ダウン（U&D）デザイン理論における重要な理論的ギャップ、特に定常分布の性質と収束行動に関する理論的ギャップを埋める。
• 中心化順序回帰（CIR）と自動検出推定量を導入することで、U&Dにおける非パラメトリック推定を改善し、それに伴う信頼区間推定を実現する。
• ベイジアン継続的再評価法（CRM）デザインの収束性および小標本挙動を厳密に分析し、保証された収束という仮定に疑問を呈する。
• U&DとCRMの利点を統合したハイブリッドデザイン、ベイジアンアップ・アンド・ダウン（BUD）を考案し、ロバスト性と推定性能を向上させる。
• 境界効果や実験的ばらつきといった現実世界の制約下で、最適なU&Dおよびハイブリッドデザインを選択するための実用的指針を提供する。

提案手法

• k-in-a-row（KR）U&Dバージョンが単一モードの定常分布を有することを証明し、先行文献の主張とは対立する。
• 中心化順序回帰（CIR）を導入し、中央点を中心に推定値をプールすることで、精度の向上とバイアスの低減を実現する。
• 自動検出推定量を考案し、U&D系列内の反転を適応的に平均化することで、推定効率を向上させる。
• 漸近的およびシミュレーションベースの手法を用いて、CIRおよび自動検出推定量の信頼区間推定手順を導出する。
• ベイジアンアップ・アンド・ダウン（BUD）デザインを提案し、証拠が蓄積された際にU&D割り当てをベイジアン規則で上書きするハイブリッドフレームワークを採用する。
• シミュレーション研究および疼痛麻酔実験の実データを用いて、多様な閾値分布および標本サイズ下での性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 k-in-a-row（KR）U&Dデザインは単峰性の定常分布を有するか？ 他のU&Dバージョンと比較して、収束速度および推定精度はいかがなっているか？
• RQ2 中心化順序回帰（CIR）はU&Dデザインにおける非パラメトリック推定を顕著に改善できるか？ その理論的性質は何か？
• RQ3 継続的再評価法（CRM）の真の小標本挙動は何か？ どのような条件下で最適な用量に収束するのか？
• RQ4 提案されたBUDハイブリッドデザインの性能は、単独のU&DおよびCRMデザインと比較して、推定精度およびロバスト性の面でどの程度優れているか？
• RQ5 境界効果および外れ値系列は、小標本におけるCRMおよび非パラメトリックCRMバージョンの信頼性にどの程度影響を与えるか？

主な発見

• k-in-a-row（KR）U&Dバージョンは単峰性の定常分布を有し、Q₀.₃およびQ₀.₂などの下位中央パーセンタイルを推定する際、最も収束が速く、最も精度の高いU&Dデザインであることが証明された。
• 中心化順序回帰（CIR）は、特に小標本および非一様な閾値分布下で、標準順序回帰と比較してバイアスと平均二乗誤差（MSE）を低減した。
• 自動検出推定量は、順序回帰および反転平均化手法と比較して、非正規閾値設定下でもより優れた推定効率を達成した。
• CRMは常に最適な用量に収束するわけではない。収束はランダムな実行時条件に敏感であり、外れ値系列の影響を受けて小標本挙動は著しく変動する。
• BUDハイブリッドデザインは、単独のU&DおよびCRMを上回る推定精度を示し、小標本のばらつきおよび境界効果に対しても顕著にロバストであった。
• 疼痛麻酔実験では、BUDは実行間で安定した性能を維持したが、CRMおよびCCDは高い実行間ばらつきを示し、ハイブリダイゼーションの利点を裏付けた。