本記事は、筆者が独自に作成した解答・解説です。
統計検定の問題は、当サイトでは掲載していません。
統計検定の問題や公式の解説は、公式問題集をご参照ください。
『統計検定1級 公式問題集[2019~2022年]』をAmazonで見る
- 本記事は、統計検定の公式の解答・解説ではありません。
- 内容の正確性には配慮していますが、誤りが含まれている場合があります。
- 統計検定®は一般財団法人統計質保証推進協会の登録商標です。
解答
[1]
帰無仮説の下で、O型、A型、B型、AB型の期待度数は、それぞれ\(30\), \(40\), \(20\), \(10\)である。 したがって、適合度のカイ2乗検定統計量の値は \[ \begin{aligned} Y&=\frac{(24-30)^2}{30}+\frac{(48-40)^2}{40}+\frac{(16-20)^2}{20}+\frac{(12-10)^2}{10} \\ &=\frac{36}{30}+\frac{64}{40}+\frac{16}{20}+\frac{4}{10} \\ &=\frac{12+16+8+4}{10}=\frac{40}{10}=4 \end{aligned} \] となる。 カテゴリー数は\(4\)で、帰無仮説の比率に標本から推定する母数はないので、自由度は\(4-1=3\)である。 自由度\(3\)のカイ2乗分布の上側\(5\%\)点は約\(7.815\)であり、\(4<7.815\)だから、有意水準\(5\%\)で帰無仮説は棄却されない。 この標本から、地域Cの血液型の比率が\(3:4:2:1\)と異なるとはいえない。
[2]
総度数は\(25k\)であり、帰無仮説の下での期待度数は、それぞれ\(\frac{15}{2}k\), \(10k\), \(5k\), \(\frac{5}{2}k\)である。 よって、検定統計量は \[ \begin{aligned} Y(k)&=\frac{(6k-\frac{15}{2}k)^2}{\frac{15}{2}k}+\frac{(12k-10k)^2}{10k}+\frac{(4k-5k)^2}{5k}+\frac{(3k-\frac{5}{2}k)^2}{\frac{5}{2}k} \\ &=\left(\frac{3}{10}+\frac{2}{5}+\frac{1}{5}+\frac{1}{10}\right)k \\ &=\frac{3+4+2+1}{10}k=k \end{aligned} \] となる。 自由度は[1]と同じく\(3\)なので、\(k>7.815\)となる最小の自然数、すなわち\(k=8\)が答えである。
[3]
独立な標準正規変数の二乗和はカイ2乗分布に従う。 そこで、度数の変動を近似的に独立な標準正規変数へ変換し、検定統計量がその二乗和になることを示す。 各度数には総和が\(N\)という制約があるため、独立に変動できる成分の数はカテゴリー数より一つ少なくなる。
カテゴリー数を\(K\)、帰無仮説で指定された各カテゴリーの確率を\(\pi_1,\ldots,\pi_K\)とし、\(\pi_j>0\)かつ\(\sum_{j=1}^K\pi_j=1\)とする。 標本サイズ\(N\)における度数を確率変数\(F_1,\ldots,F_K\)で表すと、多項分布の性質から \[ \begin{aligned} \operatorname{E}[F_j]&=N\pi_j \\ \operatorname{Var}(F_j)&=N\pi_j(1-\pi_j) \\ \operatorname{Cov}(F_j,F_k)&=-N\pi_j\pi_k\qquad(j\ne k) \end{aligned} \] である。 ここで \[ Z_j=\frac{F_j-N\pi_j}{\sqrt{N\pi_j}},\qquad \boldsymbol{Z}=(Z_1,\ldots,Z_K)^T,\qquad \boldsymbol{s}=(\sqrt{\pi_1},\ldots,\sqrt{\pi_K})^T \] とおく。 \(\boldsymbol{Z}\)の期待値は\(\boldsymbol{0}\)であり、分散共分散行列\(R\)の成分は \[ R_{jk}= \begin{cases} 1-\pi_j & j=k\\ -\sqrt{\pi_j\pi_k} & j\ne k \end{cases} \] だから、\(R=I_K-\boldsymbol{s}\boldsymbol{s}^T\)と書ける。 多変量中心極限定理により、\(N\)が大きいとき、\(\boldsymbol{Z}\)の分布は平均\(\boldsymbol{0}\)、分散共分散行列\(R\)の多変量正規分布で近似される。
\(\boldsymbol{s}^T\boldsymbol{s}=1\)より\(R\boldsymbol{s}=\boldsymbol{0}\)であり、\(\boldsymbol{s}\)に直交するベクトル\(\boldsymbol{v}\)に対しては\(R\boldsymbol{v}=\boldsymbol{v}\)となる。 したがって、\(R\)の固有値は\(0\)が\(1\)個、\(1\)が\(K-1\)個である。 ここで直交変換を使うのは、二乗和を保ったまま座標軸を取り直し、変動しない方向と残りの変動する方向を分けるためである。 第1列を\(\boldsymbol{s}\)とする直交行列\(H\)を選び、\(\boldsymbol{W}=H^T\boldsymbol{Z}\)とおくと \[ \operatorname{Cov}(\boldsymbol{W})=H^TRH=\operatorname{diag}(0,1,\ldots,1) \] となる。 また、総度数が\(N\)に固定されているため \[ W_1=\boldsymbol{s}^T\boldsymbol{Z}=\frac{\sum_{j=1}^K F_j-N\sum_{j=1}^K\pi_j}{\sqrt{N}}=0 \] である。 多変量正規分布では無相関な成分は独立なので、残りの\(W_2,\ldots,W_K\)は漸近的に互いに独立な標準正規分布に従う。 直交変換は二乗和を変えないので \[ Y=\sum_{j=1}^K\frac{(F_j-N\pi_j)^2}{N\pi_j}=\boldsymbol{Z}^T\boldsymbol{Z}=\boldsymbol{W}^T\boldsymbol{W}=\sum_{j=2}^K W_j^2 \] は漸近的に自由度\(K-1\)のカイ2乗分布に従う。 これがカイ2乗近似の根拠であり、各期待度数\(N\pi_j\)が小さい場合には、基礎となる正規近似の精度に注意を要する。
[4-1]
(i) 血液型がA型であることは観測できても、その遺伝子型がAAかAOかは観測できない。 B型についてもBBとBOの内訳が分からない。 このような観測できない内訳も含めたデータを完全データという。 まず、内訳の度数がすべて分かっているとした場合の推定式を求める。
\(r\), \(p\), \(q\)に依存しない定数を\(C\)とすると、完全データの対数尤度は \[ \begin{aligned} \log L(r,p,q)&=(2f_{OO}+f_{AO}+f_{BO})\log r+(2f_{AA}+f_{AO}+f_{AB})\log p \\ &\quad+(2f_{BB}+f_{BO}+f_{AB})\log q+C \end{aligned} \] とまとめられる。 したがって、\(Q=\log L-\lambda(r+p+q-1)\)を偏微分して\(0\)とおくと \[ \begin{aligned} \frac{\partial Q}{\partial r}&=\frac{2f_{OO}+f_{AO}+f_{BO}}{r}-\lambda=0 \\ \frac{\partial Q}{\partial p}&=\frac{2f_{AA}+f_{AO}+f_{AB}}{p}-\lambda=0 \\ \frac{\partial Q}{\partial q}&=\frac{2f_{BB}+f_{BO}+f_{AB}}{q}-\lambda=0 \end{aligned} \] を得る。 これらに順に\(r\), \(p\), \(q\)を掛けて加えると、遺伝子型度数の総和が\(N\)であることから \[ 2N=\lambda(r+p+q)=\lambda \] となる。 よって、求める式は \[ \begin{aligned} \hat{r}&=\frac{2f_{OO}+f_{AO}+f_{BO}}{2N} \\ \hat{p}&=\frac{2f_{AA}+f_{AO}+f_{AB}}{2N} \\ \hat{q}&=\frac{2f_{BB}+f_{BO}+f_{AB}}{2N} \end{aligned} \] である。 例えば\(\hat{p}\)の分子では、AA型の一人からA遺伝子を\(2\)個、AO型とAB型の一人からそれぞれ\(1\)個と数えている。 つまり、各推定値は対応する遺伝子の個数を、\(N\)人がもつ遺伝子の総数\(2N\)で割った割合である。 対数尤度は\(r\), \(p\), \(q\)の凹関数なので、この制約付き停留点で最大となる。
[4-2]
(ii) EMアルゴリズムは、データの一部が観測できないときの最尤推定に用いる反復法である。 母数の推定と見えない内訳の評価を交互に繰り返す。 Eステップでは、現在の母数値と観測済みの情報から、完全データの対数尤度の条件付き期待値を求める。 Mステップでは、その期待値を母数について最大にする。 ここでは完全データの対数尤度のうち、母数に依存する部分が遺伝子型度数の一次式なので、Eステップは見えない度数の条件付き期待値を求める計算になる。
観測済みの度数を\(\boldsymbol{n}=(n_O,n_A,n_B,n_{AB})\)とする。 A型の人数\(n_A\)は固定して、その内訳をAAとAOへ確率的に配分する。 表2よりAAの確率は\(p^2\)、A型全体の確率は\(p^2+2pr\)なので、A型であることを条件としたAA型の確率は \[ P(\mathrm{AA}\,|\,\text{A型})=\frac{p^2}{p^2+2pr} \] である。 したがって、\(\boldsymbol{n}\)を固定し、現在のパラメータ\((r,p,q)\)の下で求めた条件付き期待度数は \[ \begin{aligned} \widetilde{f}_{AA}&=\operatorname{E}_{r,p,q}[f_{AA}\,|\,\boldsymbol{n}]=n_A\frac{p^2}{p^2+2pr} \\ \widetilde{f}_{AO}&=\operatorname{E}_{r,p,q}[f_{AO}\,|\,\boldsymbol{n}]=n_A\frac{2pr}{p^2+2pr} \\ \widetilde{f}_{BO}&=\operatorname{E}_{r,p,q}[f_{BO}\,|\,\boldsymbol{n}]=n_B\frac{2qr}{q^2+2qr} \\ \widetilde{f}_{BB}&=\operatorname{E}_{r,p,q}[f_{BB}\,|\,\boldsymbol{n}]=n_B\frac{q^2}{q^2+2qr} \end{aligned} \] となる。 例えば、A型の各人をAAと断定するのではなく、AAである条件付き確率を一人ずつ足したものが\(\widetilde{f}_{AA}\)である。 期待度数は整数でなくてもよく、丸めて人数を確定させる操作は行わない。 O型とAB型は内訳が分かるので、\(f_{OO}=n_O\)と\(f_{AB}=n_{AB}\)をそのまま使う。
正の初期値\(r^{(0)}\), \(p^{(0)}\), \(q^{(0)}\)を和が\(1\)となるように選ぶ。 \(t\)回目の値を上の条件付き期待値の式に代入して\(\widetilde{f}_{AA}^{(t)}\), \(\widetilde{f}_{AO}^{(t)}\), \(\widetilde{f}_{BO}^{(t)}\), \(\widetilde{f}_{BB}^{(t)}\)を計算するのがEステップである。 期待値を取る分布には\(t\)回目の母数値を用い、最大化の変数\(r\), \(p\), \(q\)とは区別する。 この期待値を\(\operatorname{E}_t\)と書くと、最大化する関数は \[ \begin{aligned} G_t(r,p,q)&=\operatorname{E}_t[\log L(r,p,q)\,|\,\boldsymbol{n}] \\ &=(2n_O+\widetilde{f}_{AO}^{(t)}+\widetilde{f}_{BO}^{(t)})\log r+(2\widetilde{f}_{AA}^{(t)}+\widetilde{f}_{AO}^{(t)}+n_{AB})\log p \\ &\quad+(2\widetilde{f}_{BB}^{(t)}+\widetilde{f}_{BO}^{(t)}+n_{AB})\log q+C_t \end{aligned} \] となる。 ここで\(C_t\)は\(r\), \(p\), \(q\)に依存しない項である。 母数に依存する部分が度数の一次式であるため、期待値を取ると各度数がその期待度数に置き換わり、(i)と同じ形になる。
したがって、\(G_t\)を\(r+p+q=1\)の制約の下で最大化するには、期待度数を(i)の式に代入し \[ \begin{aligned} r^{(t+1)}&=\frac{2n_O+\widetilde{f}_{AO}^{(t)}+\widetilde{f}_{BO}^{(t)}}{2N} \\ p^{(t+1)}&=\frac{2\widetilde{f}_{AA}^{(t)}+\widetilde{f}_{AO}^{(t)}+n_{AB}}{2N} \\ q^{(t+1)}&=\frac{2\widetilde{f}_{BB}^{(t)}+\widetilde{f}_{BO}^{(t)}+n_{AB}}{2N} \end{aligned} \] と更新するのがMステップである。 期待度数は\(\widetilde{f}_{AA}^{(t)}+\widetilde{f}_{AO}^{(t)}=n_A\)および\(\widetilde{f}_{BB}^{(t)}+\widetilde{f}_{BO}^{(t)}=n_B\)をみたすので、更新後も\(r^{(t+1)}+p^{(t+1)}+q^{(t+1)}=1\)である。 パラメータの変化が十分小さくなるまで、この2つのステップを反復する。 このように、現在の母数値から内訳の期待度数を求め、その期待度数で母数を更新する循環になっている。 EMの各反復では、観測データの尤度は減少しない。 この非減少性だけで、一般に大域的な最大点への到達まで保証されるわけではない。
観測データの対数尤度は、定数を除いて \[ \begin{aligned} \ell(r,p,q)&=2n_O\log r+(n_A+n_{AB})\log p+(n_B+n_{AB})\log q \\ &\quad+n_A\log(p+2r)+n_B\log(q+2r) \end{aligned} \] と書ける。 表1の観測度数はいずれも正なので、これは正の\(r\), \(p\), \(q\)の範囲で狭義凹関数であり、境界では\(-\infty\)に向かう。 したがって、この反復で求める内点の停留点は一意な最尤推定値である。