【5分で分かる】RT法とは？

この記事では、MT法の改良手法であるRT法について見ていきたいと思います。

RT法に関してはなかなかリファレンスがないので、こちらの記事が参考になると嬉しいです。

RT法とは
MT法とRT法の違い
RT法のアルゴリズム
RT法を勉強する上でおすすめ書籍
- 入門MTシステム
- 入門タグチメソッド

RT法とは

RT(Recognition Taguchi)法とは、タグチ流の多変量解析手法（タグチメソッド）の一つであり、認識のための方法です。

一つの正常な母集団（群）を仮定して、その群からのマハラノビス距離を測ることで正常か異常かを判別する手法です。

実はここまで見るとMT法とよく似ていると思います。
では、MT法との違いはどこなのか？

MT法とRT法の違い

RT法はMT法と比較して２つの長所があります。

①MT法では項目の数（MTシステムでは変数を項目と呼びます。）がサンプルサイズより多くなると多重共線性によって解析出来ませんでした。
一方で、RT法ではその心配がありません。
②MT法と比較して計算コストが非常に小さいです。

なぜ、このような長所が生まれるかを解析方法から確かめていきます。

RT法のアルゴリズム

RT法による解析の手順は以下の通りです。

正常だと分かっているデータを単位空間とします。単位空間のデータで項目ごとの平均と標準偏差を求めます。
\begin{eqnarray*}
m_j&=&\frac{1}{n}\sum_{i=1}^n{X_{ij}}\\
s_j&=&\sqrt{\frac{1}{n}\sum_{i=1}^n{(X_{ij}-m_j)}^2}\\
\end{eqnarray*}
各サンプルにおいて各項目を並べたベクトルと各項目の平均を並べたベクトルをそれぞれ次のように表します。
\begin{eqnarray*}
{\bf x}_i&=&{(X_{i1},X_{i2},\cdots,X_{ip})}^T\\
{\bf m}&=&{(m_{1},m_{2},\cdots,m_{p})}^T\\
\end{eqnarray*}
各サンプルで統計量\({Y}_{i1}\)と\({Y}_{i2}\)を求めます。
\begin{eqnarray*}
{Y}_{i1}&=&\frac{{\bf m}^T{{\bf x}_i}}{{\bf m}^T{\bf m}}\\
{Y}_{i2}&=&\sqrt{\frac{S_{ei}}{p-1}}\\
{S}_{ei}&=&{{\bf x}_i}^T{{\bf x}_i}-\frac{({\bf m}^T{{\bf x}_i})^2}{{\bf m}^T{\bf m}}\\
\end{eqnarray*}
\({Y}_{i1}\)と\({Y}_{i2}\)を用いて分散共分散行列\(V\)を求めます。
\begin{eqnarray*}
\bar{Y}_{1}&=&\frac{1}{n}\sum_{i=1}^n{Y_{i1}}\\
\bar{Y}_{2}&=&\frac{1}{n}\sum_{i=1}^n{Y_{i2}}\\
V_{11}&=&\frac{1}{n-1}\sum_{i=1}^n{(Y_{i1}-\bar{Y}_{1})^2}\\
V_{22}&=&\frac{1}{n-1}\sum_{i=1}^n{(Y_{i2}-\bar{Y}_{2})^2}\\
V_{12}&=&V_{21}=\frac{1}{n-1}\sum_{i=1}^n{(Y_{i1}-\bar{Y}_{1})(Y_{i2}-\bar{Y}_{2})}\\
V &=& \left(
\begin{array}{ccc}
V_{11} & V_{12} \\
V_{21} & V_{22} \\
\end{array}
\right)\\
\end{eqnarray*}
分散共分散行列\(V\)の余因子行列\(A\)を求めます。
\begin{eqnarray*}
A = \left(
\begin{array}{ccc}
V_{22} & -V_{12} \\
-V_{21} & V_{11} \\
\end{array}
\right)\\
\end{eqnarray*}
各サンプルのマハラノビス距離の２乗を求めます。
\begin{eqnarray*}
D_{i}^2&=&\frac{1}{2}(Y_{i1}-\bar{Y}_{1},Y_{i2}-\bar{Y}_{2})A
\left(
\begin{array}{ccc}
Y_{i1}-\bar{Y}_{1} \\
Y_{i2}-\bar{Y}_{2} \\
\end{array}
\right)\\
\end{eqnarray*}