【要約】PyMCで段階反応モデル（GRM）を実装する [Zenn_Python] | Summary by TechDistill
> Source: Zenn_Python
Execute Primary Source
// Problem
データサイエンティストが、多値の順序カテゴリカル変数から潜在特性を推定する段階反応モデル（GRM）をPyMCで実装しようとした際、具体的な記述方法に直面した。従来のIRT実装では、PyMC特有の記法への習熟が求められる。
- ・PyMCの記法はStan等と比較して自由度が低く、実装に迷う場面がある。
- ・生成AIを利用しても、期待通りに動作するコードが得られない。
- ・項目ごとにカテゴリ数が異なる複雑なデータへの対応が困難である。
// Approach
筆者は、GRMが順序ロジットモデル（比例オッズモデル）と数学的に等価である点に着目し、PyMCの既存クラスを活用するアプローチを採用した。
- ・
pm.OrderedLogisticクラスを利用してモデルを構築する。 - ・予測子 $\eta$ を $a_j \theta_i$、カットポイント $c_k$ を $a_j b_{jk}$ と定義し、GRMの数式と一致させる。
- ・カテゴリ数が異なる項目に対しては、カテゴリ数ごとにグループ化して尤度関数を構築するループ処理を実装する。
// Result
検証の結果、データサイエンティストはPyMCを用いて、最尤推定値と極めて高い精度で一致する推定が可能であることを確認した。
- ・RWASデータセットにおいて、パラメータの相関係数がほぼ1となり、誤差も微小であった。
- ・シミュレーションデータを用いた検証でも、最尤推定値との高い一致を確認した。
- ・CPU環境（Intel Core Ultra 7 265KF）でのサンプリング時間は約65分であった。
Senior Engineer Insight
> 数学的等価性を突いた実装は、ライブラリの機能を最大限に引き出す賢明な判断である。ただし、N=9,680規模で65分を要する点は、リアルタイム性が求められるシステムでは致命的だ。実戦投入には、JAX/NumPyroによる高速化や、GPUを用いたサンプリングの検討が不可欠である。