[論文レビュー] A simple two-sample Bayesian t-test for hypothesis testing

Min Wang, Guangying Liu|arXiv (Cornell University)|Sep 8, 2015

Advanced Statistical Methods and Models参考文献 10被引用数 8

ひとこと要約

本稿では、t検定統計量にのみ依存する閉形式のベイズ因子を二標本t検定に提案し、電卓やスプレッドシートでも簡単に計算可能である。既存の事前分布依存のベイズ因子が示す感度問題を解消するため、事前分散パラメータにハイパーパラメータを導入し、安定的で解釈可能な結果をもたらし、入門的統計学課程でのベイズ法の教育に適している。

ABSTRACT

In this paper, we propose an explicit closed-form Bayes factor for the problem of two-sample hypothesis testing. The proposed approach can be regarded as a Bayesian version of the pooled-variance t-statistic and has various appealing properties in practical applications. It relies on data only through the t-statistic and can thus be calculated by using an Excel spreadsheet or a pocket calculator. It avoids several undesirable paradoxes, which may be encountered by the previous Bayesian approach of Gonen et al. (2005). Specifically, the proposed approach can be easily taught in an introductory statistics course with an emphasis on Bayesian thinking. Simulated and real data examples are provided for illustrative purposes.

研究の動機と目的

• 入門的統計学課程で簡潔かつ教育的に行える二独立標本のベイズ仮説検定を開発すること。
• Gönenら（2005）の手法に見られるように、既存のアプローチにおけるハイパーパrameter選択への感度問題を解決すること。
• バートレットのパラドックスや情報のパラドックスといったパラドックスを回避するため、事前分散パラメータにハイパーパラメータを指定すること。
• ベイズ因子が古典的t統計量にのみ依存することを保証し、Excelやポケット計算機といった基本的ツールでの計算を可能にすること。
• 実用的で透明性のある手法を通じて、頻度主義的推論とベイズ的推論の関係を直感的に理解できるようにすること。

提案手法

• プール分散t統計量に基づくベイズ因子を提案し、事前分散パラメータσ²ₐにハイパーパラメータを導入した階層的事前分布構造を採用する。
• σ²ₐのハイパーパラメータとしてピアソン型VI分布を採用し、周辺尤度比の閉形式表現を導出する。
• t統計量、自由度、ハイパーパラメータaおよびb（bは自由度によって決定）の関数として最終的なベイズ因子を導出する。
• 変換とベータ関数の恒等式を用いて周辺尤度の積分表現を簡略化し、取り扱いやすい閉形式解を得る。
• 完全なデータ再処理を避けることで、t統計量のみに依存する計算の簡便性を維持する。
• 異なるハイパーパラメータ値における感度分析を通じて、一貫した意思決定結果を示し、頑健性を実証する。

実験結果

リサーチクエスチョン

• RQ1 どのようにすれば、ハイパーパラメータ選択に敏感にならないベイズ二標本t検定を構築できるか？
• RQ2 古典的t統計量にのみ依存し、入門的教育に適した閉形式のベイズ因子を導出できるか？
• RQ3 事前分散パラメータにハイパーパラメータを導入することで、バートレットのパラドックスや情報のパラドックスが解消されるか？
• RQ4 Gönen ら（2005）の固定ハイパーパラメータアプローチと比較して、本手法は感度および意思決定の一貫性において優れているか？
• RQ5 本手法は、頻度主義的推論とベイズ的推論の直感的関係をどの程度維持しているか？

主な発見

• 提案手法により、t統計量と自由度にのみ依存する閉形式のベイズ因子が得られ、基本的な電卓やスプレッドシートでも計算可能である。
• ベイズ因子はハイパーパラメータの選択に対して頑健である：a ∈ (−1, −1/2] の範囲では、H₁の事後確率は安定的で、両側p値と一貫している。
• a = −1/2 の場合、H₁の事後確率は 0.377 であり、ベイズ因子は 0.606 に達し、H₀ favoring の中程度の証拠を示している。
• 一方、Gönen ら（2005）の固定σ²ₐアプローチでは高い感度が見られ、σ²ₐ = 1/10 のときH₁の事後確率は 0.509 から、σ²ₐ = 5 のときには 0.243 に低下し、矛盾した結論に至る。
• 事前分散の積分により、情報のパラドックスやバートレットのパラドックスを回避し、恣意的なハイパーパラメータ選択への依存を低減している。
• 教育的用途に適しており、学生が手計算でベイズ因子を算出し、頻度主義的t検定とベイズ的推論の関係を理解できるようになっている。