[論文レビュー] Bayesian hierarchical weighting adjustment and survey inference

Yajuan Si, Rob Trangucci+2 more|arXiv (Cornell University)|Jul 25, 2017

Statistical Methods and Bayesian Inference参考文献 43被引用数 28

ひとこと要約

この論文は、重み付けと多層回帰と後層別化（MRP）を統合する包括的なベイジアン階層枠組みを提案し、特に小規模なサブグループにおける有限母集団推定を改善することを目的としている。すべての包含関連変数を条件として調査結果をモデル化し、高次相互作用の安定化に構造的事前分布を用いることで、分散を低減し、古典的手法よりも頑健性の高い滑らかでモデルベースの重みを生成する。

ABSTRACT

We combine Bayesian prediction and weighted inference as a unified approach to survey inference. The general principles of Bayesian analysis imply that models for survey outcomes should be conditional on all variables that affect the probability of inclusion. We incorporate the weighting variables under the framework of multilevel regression and poststratification, as a byproduct generating model-based weights after smoothing. We investigate deep interactions and introduce structured prior distributions for smoothing and stability of estimates. The computation is done via Stan and implemented in the open source R package "rstanarm" ready for public use. Simulation studies illustrate that model-based prediction and weighting inference outperform classical weighting. We apply the proposal to the New York Longitudinal Study of Wellbeing. The new approach generates robust weights and increases efficiency for finite population inference, especially for subsets of the population.

研究の動機と目的

• 恣意的な選択に依存し、極端な重みによって分散が大きくなる古典的手法の限界を是正すること。
• 一貫したモデルベースの枠組み内で複雑な調査設計の特徴と補助変数を統合し、小領域推定を改善すること。
• 多層モデルにおける高次相互作用項の安定化を図る構造的事前分布の開発。
• Stanとrstanarm Rパッケージを用いて、公開可能なスケーラブルで計算効率の良い調査推定手法の開発。
• 予測モデリングに基づく重み調整により、非確率的アンケートやデータ統合における頑健な推定を可能にすること。

提案手法

• すべての包含に影響する変数を条件として調査結果を予測するベイジアン階層モデルを構築し、設計ベースの原則と整合性を持つようにすること。
• 古典的手法の重み付けを多層回帰と後層別化（MRP）フレームワークに統合し、滑らかさをもたせたモデルベースの重みを生成すること。
• 高次元の相互作用項（例：年齢×民族×教育）を縮小するための構造的事前分布を適用し、小セルにおける安定性と過剰適合の低減を図ること。
• Stanによるマルコフ連鎖モンテカルロ（MCMC）を用いて事後分布推定を実行し、不確実性の定量的評価と頑健な分散推定を可能にすること。
• 後層別化を通じてモデルベースの重みを既知の母集団合計にキャリブレーションし、キャリブレーションを維持しながらモデルベースの滑らかさを保つこと。
• オープンソースのrstanarm Rパッケージに実装し、実務家がアクセス可能で再現可能な調査推定を可能にすること。

実験結果

リサーチクエスチョン

• RQ1 重み付けと予測を1つの整合的なモデルに統合する包括的なベイジアン枠組みは、有限母集団推定を改善できるか？
• RQ2 高次相互作用項に適用する構造的事前分布は、アンケートデータにおける小領域推定の安定性と正確性をどのように向上させるか？
• RQ3 分散低減と頑健性という観点から、モデルベースの重みは古典的手法の設計ベースの重みをどの程度上回るか？
• RQ4 スパースなサブグループを含む複雑で非バランスな調査設計下で、この手法はどの程度の性能を示すか？
• RQ5 このアプローチは、非確率的アンケートやデータ統合タスクに効果的に適用可能か？

主な発見

• 提案されたベイジアン階層的重み付け手法は、古典的手法と比較して、特に小規模なサブグループにおける有限母集団推定の分散を顕著に低減した。
• 滑らかさと構造的事前分布を用いて生成されたモデルベースの重みは、従来の逆確率重みよりも極端な値に敏感ではなく、より安定している。
• シミュレーション研究では、非バランスな設計下でも、この手法が平均二乗誤差と信頼区間のカバレッジ確率において古典的手法を上回ることが示された。
• 相互作用項に構造的事前分布を組み込むことで、スパースセルにおける推定がより信頼性が高まり、過剰適合が低減され、一般化性能が向上した。
• rstanarmへの実装により、計算が効率的かつ実務的応用が可能となり、ニューヨークウェルビーイング縦断研究への応用でも優れた性能を示した。
• ユークリッド距離指標では、モデルベースの重み（Str-W）が、ラービング（Rake-W）や後層別化（PS-W）よりも母集団分布に近い一致を示しており、より良いキャリブレーションとバランスを達成していることが示された。