[論文レビュー] A SINful Approach to Gaussian Graphical Model Selection

Mathias Drton, Michael D. Perlman|arXiv (Cornell University)|Aug 15, 2005

Bayesian Modeling and Causal Inference被引用数 10

ひとこと要約

本稿では、Fisherのz変換、Šidákの不等式、Holmのステップダウン手順を活用して部分相関を通じた条件付き独立性の検定を行うことで、ガウス graphical モデル選択のためのSIN手法を提案する。これはエッジの含む誤り率を制御し、2つのグラフ—包括的（S ∪ I）と保守的（Sのみ）—を出力することで、柔軟に事前エッジ情報を取り入れながら、誤差を制御した堅牢なモデル選択を可能にする。

ABSTRACT

Abstract. Multivariate Gaussian graphical models are defined in terms of Markov properties, i.e., conditional independences associated with the underlying graph. Thus, model selection can be performed by testing these conditional independences, which are equivalent to specified zeroes among certain (partial) correlation coefficients. For concentration graphs, covariance graphs, acyclic directed graphs, and chain graphs (both LWF and AMP), we apply Fisher’s z-transformation, ˇ Sidák’s correlation inequality, and Holm’s step-down procedure, to simultaneously test the multiple hypotheses obtained from the Markov properties. This leads to a simple method for model selection that controls the overall error rate for incorrect edge inclusion. In practice, we advocate partitioning the simultaneous p-values into three disjoint sets, a significant set S, an indeterminate set I, and a non-significant set N. Then our SIN model selection method selects two graphs, a graph whose edges correspond to the union of S and I, and a more conservative graph whose edges correspond to S only. Prior information about the presence and/or absence of particular edges can be incorporated readily. 1.

研究の動機と目的

• 誤ったエッジの含む全体誤り率を制御する統計的に厳密なガウス graphical モデル選択手法の開発を目的とする。
• 部分相関検定における複数の仮説検定の課題に、既存の統計的補正を適用することで、ガウス graphical モデル選択における誤り率を制御する。
• 有意、不確定、有意でない部分相関を明確に分類する枠組みを提供し、意思決定に基づいたモデル構築を可能にする実用的フレームワークを提供する。
• エッジの存在または非存在に関する事前知識を、モデル選択プロセスに系統的に統合できるようにする。
• 統計的証拠に基づいた2つの補完的グラフィカルモデル—包括的と保守的—を出力する。

提案手法

• 仮説検定のための部分相関係数の標本分布を安定化するために、Fisherのz変換を適用する。
• 複数同時検定における家族単位誤差率を制御するため、Šidákの相関不等式を用いてp値を補正する。
• 逐次的に仮説を検定し、誤り率の制御を維持しながら検出力の向上を図るHolmのステップダウン手順を実装する。
• 補正された閾値に基づき、p値を3つの互いに素な集合に分割する：有意（S）、不確定（I）、有意でない（N）。
• 2つのグラフを構築する：S ∪ Iからのエッジを用いた（包括的）、Sからのみエッジを用いた（保守的）。
• 仮説検定フレームワーク内で、特定エッジの含む・含まないを事前に定義することで、事前知識を統合する。

実験結果

リサーチクエスチョン

• RQ1 ガウス graphical モデルにおける複数の条件付き独立性検定を同時に制御することで、誤ったエッジの含むのを防ぐ方法は何か？
• RQ2 高次元部分相関検定において、第一種誤りの制御と検出力を最適にバランスさせる統計的手順は何か？
• RQ3 グラフ構造に関する事前知識を、モデル選択の仮説検定フレームワークに系統的に統合する方法は何か？
• RQ4 複数の検定からのp値を、モデル構築に意味のある意思決定カテゴリに最適に分割する方法は何か？
• RQ5 包括的と保守的な2つのグラフを出力する戦略は、モデル選択における解釈可能性と信頼性を向上させることができるか？

主な発見

• SIN手法は、Šidák補正とHolmのステップダウン手順の厳密な適用により、誤ったエッジの含む家族単位誤差率を効果的に制御する。
• p値をS、I、Nの集合に分割することで、統計的証拠の明確な解釈を可能にする、原則的で整合性のあるモデル選択アプローチが実現される。
• 包括的グラフ（S ∪ I）は意味のあるエッジを捉え、保守的グラフ（Sのみ）は誤検出を最小限に抑えるため、バランスの取れた意思決定フレームワークを提供する。
• 本手法は、濃度、共分散、非巡回有向、およびチェーングラフ（LWFおよびAMP）を含む、さまざまなタイプの graphical モデルに一般化可能である。
• 特定エッジに関する事前知識は、誤り率の制御を損なわず、テストフレームワークにスムーズに統合可能である。