[論文レビュー] Bayesian analysis of measurement error models using INLA

Stefanie Muff, Andrea Riebler+3 more|arXiv (Cornell University)|Feb 13, 2013

Statistical Methods and Bayesian Inference参考文献 55被引用数 4

ひとこと要約

この論文は、ベイジアン測定誤差（ME）モデルにおける統合ネストドラプラス近似（INLA）フレームワークを拡張し、一般化線形混合モデル（GLMM）における古典的誤差およびバーグソン誤差モデルに対して高速かつ正確な推論を可能にした。MCMCに代えてINLAを採用することで、計算コストを最小限に抑えながら信頼性の高いパラメータ推定値と信用区間が得られ、3つの実世界の生物医学的応用事例においてMCMCと照合された。

ABSTRACT

To account for measurement error (ME) in explanatory variables, Bayesian approaches provide a flexible framework, as expert knowledge about unobserved covariates can be incorporated in the prior distributions. However, given the analytic intractability of the posterior distribution, model inference so far has to be performed via time-consuming and complex Markov chain Monte Carlo implementations. In this paper we extend the Integrated nested Laplace approximations (INLA) approach to formulate Gaussian ME models in generalized linear mixed models. We present three applications, and show how parameter estimates are obtained for common ME models, such as the classical and Berkson error model including heteroscedastic variances. To illustrate the practical feasibility, R-code is provided.

研究の動機と目的

• ベイジアン測定誤差モデリングにおけるマルコフ連鎖モンテカルロ（MCMC）法の計算非効率性に対処すること。
• INLAフレームワークをガウス分布および一般化線形混合モデルにおける古典的誤差およびバーグソン誤差モデルに対応可能に拡張すること。
• 測定誤差のある予測変数を扱う研究者にとって、MCMCの代替として実用的で計算効率の良い手法を提供すること。
• 即座に使用可能なRコードとモジュラーなモデル仕様を提供することで、ベイジアンMEモデリングの広範な採用を促進すること。
• 測定誤差が回帰係数および精度パラメータに与えるバイアスを補正するINLAの実現可能性と正確性を示すこと。

提案手法

• 測定誤差を含む潜在ガウス分布モデルに、統合ネストドラプラス近似（INLA）法を適応すること。
• 古典的およびバーグソン誤差構造を用いて測定誤差をモデル化し、誤差項が正規分布に従うと仮定すること。
• 未観測の真の予測変数をGLMMフレームワーク内での潜在ガウスランダム効果として組み込むこと。
• 誤差分散およびその他のハイパーパrameterに対して情報的事前分布を用い、完全なベイジアン不確実性評価を可能にすること。
• r-inla Rパッケージを用いてモデルを実装し、柔軟な尤度関数およびランダム効果仕様を実現するためのモジュラーインターフェースを活用すること。
• 100,000ステップのMCMCと照合し、事後平均および信用区間を比較することで結果を検証すること。

実験結果

リサーチクエスチョン

• RQ1 MCMCと比較して、INLAは測定誤差モデルの事後分布近似を計算的に効率的かつ正確に提供できるか？
• RQ2 古典的およびバーグソン誤差モデルは、線形回帰、ロジスティック回帰、過分散ポアソン回帰モデルにおけるパラメータ推定値にどのように影響を与えるか？
• RQ3 測定誤差が存在する場合、INLAは回帰係数および精度パラメータのバイアスをどの程度補正できるか？
• RQ4 ベイジアンフレームワークにおけるINLAを用いて、誤差分散の事前不確実性をどのようにモデルに組み込むことができるか？
• RQ5 複数の測定誤差のある予測変数、構造化されたランダム効果、非ガウス分布誤差モデルを扱うために、INLAアプローチを容易に拡張できるか？

主な発見

• INLAはMCMCとほとんど差のない事後推定値を生成し、事後平均および信用区間において無視できる差異を示した。
• 測定誤差が存在する場合でも、回帰係数のバイアスを効果的に補正できた。特に異分散誤差が存在する場合でも同様に有効であった。
• β₀、βₓ、τᵧなどのパラメータの信用区間はINLAではわずかに広がっており、適切な不確実性評価を反映している。
• 精度パラメータτᵧにわずかなバイアスが観察されたため、事前分布の仮定やモデル構造への感受性が示唆された。
• 本フレームワークは、複数の測定誤差のある予測変数、構造化されたランダム効果（例：CARモデル）および非ガウス尤度の柔軟なモデリングを可能にした。
• 提供されたRコードにより、実世界のデータに即座にこの手法を適用可能となり、ベイジアンMEモデリングへの参入障壁が著しく低下した。