[論文レビュー] A data-based power transformation for compositional data

Michail Tsagris, Simon Preston+1 more|arXiv (Cornell University)|Jun 7, 2011

Geochemistry and Geologic Mapping参考文献 17被引用数 36

ひとこと要約

本稿では、原始データ解析（RDA）と対数比解析（LRA）を1パラメータのボックス・コックス型変換の特殊ケースとして一般化する、データ駆動型のパワー変換フレームワークを提案する。プロファイル対数尤度や分類精度といった基準を用いて変換パラメータ α を最適化することで、単体の幾何構造をデータに適合させ、中央値推定値の向上とより良いモデル適合が得られる。アーティック湖のデータでは最適な α = 0.362 が得られた。

ABSTRACT

Compositional data analysis is carried out either by neglecting the compositional constraint and applying standard multivariate data analysis, or by transforming the data using the logs of the ratios of the components. In this work we examine a more general transformation which includes both approaches as special cases. It is a power transformation and involves a single parameter, α. The transformation has two equivalent versions. The first is the stay-in-the-simplex version, which is the power transformation as defined by Aitchison in 1986. The second version, which is a linear transformation of the power transformation, is a Box-Cox type transformation. We discuss a parametric way of estimating the value of α, which is maximization of its profile likelihood (assuming multivariate normality of the transformed data) and the equivalence between the two versions is exhibited. Other ways include maximization of the correct classification probability in discriminant analysis and maximization of the pseudo R-squared (as defined by Aitchison in 1986) in linear regression. We examine the relationship between the α-transformation, the raw data approach and the isometric log-ratio transformation. Furthermore, we also define a suitable family of metrics corresponding to the family of α-transformation and consider the corresponding family of Frechet means.

研究の動機と目的

• 固定された幾何構造に起因する成分比データ解析の限界を是正するため、データ駆動型の変換パラメータ選択を可能にする。
• RDA（α = 1）と LRA（α → 0）を、パワー変換を用いた1つの柔軟なフレームワークに統合する。
• データの特性と分析目的に基づいて、最適な変換パラメータ α を選択する実用的手法を提供する。
• RDA と LRA の選択は、事前仮定ではなくデータに依存すべきであることを示す。

提案手法

• 成分比データのための1パラメータの族的パワー変換を導入し、α ≠ 0 の場合に x_i^{(α)} = (x_i^α / sum_j x_j^α)^{1/α} で定義する。α → 0 の場合には幾何平均を用いる。
• 単体上での α-距離を、変換空間におけるユークリッド距離として定義し、極限状態で RDA（α = 1）および LRA（α → 0）に還元される。
• α-距離におけるフレシェ平均を中央値推定の指標として定義し、α = 1 の場合に算術平均、α → 0 の場合に閉じた幾何平均に収束する。
• プロファイル対数尤度、交差検証分類率、または回帰における擬似決定係数（R²）を用いて α を最適化し、最も適切な変換を選択する。
• 実データおよび人工データセット（アーティック湖のデータを含む）にこの手法を適用し、異なる α 値における性能を比較する。
• 三成分図を用いて、異なる α 値におけるフレシェ平均の結果を可視化する。

実験結果

リサーチクエスチョン

• RQ1 RDA と LRA がより一般的なパワー変換の特殊ケースとして含められる統一されたフレームワークを開発できるか？
• RQ2 最適な変換パラメータ α は異なる成分比データセットで変化するか？ また、データ駆動型の基準によって選択可能か？
• RQ3 α の選択が単体の幾何構造およびそれに続く中央値推定値にどのように影響するか？
• RQ4 RDA や LRA に固定された手法を用いるのと比較して、データに基づく α 選択がモデル適合性や分類性能の向上を実証的に示せるか？

主な発見

• アーティック湖のデータでは、α のプロファイル対数尤度が α = 0.362 で最大値を示し、RDA（α = 1）や LRA（α → 0）よりもより良い適合を得られた。
• 三成分図において、α = 0.362 におけるフレシェ平均は、算術平均（α = 1）や閉じた幾何平均（α → 0）よりも、より代表的な中央位置を示した。
• データベースのパワー変換フレームワークにより、単体の幾何構造がデータの内在的構造に柔軟に適合でき、解釈性とモデル適合性が向上した。
• 特にデータが対数正規分布や線形構造から逸脱している場合に顕著に、固定されたアプローチに比べて中央値推定とモデル適合性に優れた性能を示した。
• このフレームワークにより、成分比データに適した幾何構造についての恣意的な仮定を避ける、根拠に基づいたデータ駆動型の変換選択が可能になった。