[論文レビュー] Bayesian Modeling and MCMC Computation in Linear Logistic Regression for Presence-only Data

Fabio Divino, Natalia Golini+2 more|arXiv (Cornell University)|May 6, 2013

Statistical Methods and Bayesian Inference参考文献 25被引用数 3

ひとこと要約

本稿では、存在のみデータにおける線形ロジスティック回帰のための、データ拡張を用いたベイジアン階層モデルを提案する。2段階のフレームワークを用いて、打ち切りとサンプリングバイアスを処理する。本稿では、事前知識としての有病率が不要な、新たなMCMCアルゴリズムを導入し、回帰係数と集団有病率を推定する。24,000件のシミュレーションデータセットを用いた大規模な評価で、一貫したパラメータ回復と正確な有病率推定を示し、高い頑健性を確認した。

ABSTRACT

Presence-only data are referred to situations in which, given a censoring mechanism, a binary response can be observed only with respect to on outcome, usually called extit{presence}. In this work we present a Bayesian approach to the problem of presence-only data based on a two levels scheme. A probability law and a case-control design are combined to handle the double source of uncertainty: one due to the censoring and one due to the sampling. We propose a new formalization for the logistic model with presence-only data that allows further insight into inferential issues related to the model. We concentrate on the case of the linear logistic regression and, in order to make inference on the parameters of interest, we present a Markov Chain Monte Carlo algorithm with data augmentation that does not require the a priori knowledge of the population prevalence. A simulation study concerning 24,000 simulated datasets related to different scenarios is presented comparing our proposal to optimal benchmarks.

研究の動機と目的

• 存在のみデータにおける推論的課題に対処すること。ここでは、欠損情報がなく、存在と共変量のみが観測される。
• 2段階の階層モデルを通じて、打ち切りとサンプリングバイアスの両方を考慮するベイジアンフレームワークの構築。
• 既知の集団有病率を仮定せずに、MCMCを用いた回帰パラメータと集団有病率の推論を可能にすること。
• 存在のみサンプリング下でのロジスティック回帰の厳密な形式化を行い、前提条件と同定可能性の問題を明確にすること。
• 提案手法とベンチマークモデルを比較する多様なシナリオにおいて、大規模なシミュレーションスタディを通じて性能を評価すること。

提案手法

• 本手法は2段階のモデルを採用する：潜在的な二値応答変数Y（存在／非存在）と、観測されたケースコントロール指標C（存在サンプリング）
• Xを条件とするYとCの条件付き独立性を仮定し、その下で存在のみサンプリング下での尤度を導出する。
• 欠損した非存在データを補完するためのデータ拡張スキームを用い、MCMCによる完全なベイジアン推論を可能にする。
• MCMCアルゴリズムは、潜在的Y、回帰係数β、有病率πを同時にギブスサンプリングによりサンプリングし、共役事前分布を用いる。
• 本モデルは、集団有病率πの事前知識を必要とせず、事後分布推論の一部として推定される。
• ロジスティックリンク関数を用いる：logit(Pr(Y=1|x)) = β₀ + β₁x。βには階層的事前分布、πにはベータ事前分布を適用する。

実験結果

リサーチクエスチョン

• RQ1 未知の集団有病率を伴う存在のみデータを処理できる、形式的かつ明確なベイジアン階層モデルをどのように構築できるか？
• RQ2 サンプリングバイアスと打ち切りが、存在のみデータにおけるロジスティック回帰パラメータの同定可能性と推定に与える影響は何か？
• RQ3 データ拡張に基づくMCMCアルゴリズムは、有病率の事前知識がなくても、回帰係数と集団有病率の両方を推定可能か？
• RQ4 提案手法は、さまざまなサンプルサイズと有病率レベルにおいて、最適なベンチマークと比較してバイアス、カバレッジ、精度の点で優れているか？
• RQ5 ケースコントロール設計は、存在のみサンプリング下での一貫性のある推定をどのように可能にするか？

主な発見

• 本手法は、あらゆるサンプルサイズにおいて真の回帰係数β₀とβ₁を正確に回復する。サンプルサイズが増加するにつれて、事後中央値は真の値に収束する。
• 真の有病率が事前に不明であっても、バイアスが低く、信頼区間が狭い推定が一貫して得られる。
• サンプルサイズが500以上の場合、β₀とβ₁の事後中央値は真の値から0.05～0.08の範囲内にあり、カバレッジ確率は約95％に近い。
• MCMCアルゴリズムは、有病率を既知の入力として必要とせず、有病率を推定することができ、固定または誤った有病率を仮定するモデルを上回る性能を示した。
• シナリオ(i)および(ii)の両方において、収束が安定しており、平均二乗誤差が低く、サンプルサイズが増加するにつれてパラメータ推定値が真の値に近づいた。
• 24,000件のデータセットからなるシミュレーションスタディにより、本手法が多様なデータ生成メカニズムにおいても、正しいカバレッジと低いバイアスを示す良好な頻度的性質を維持することが確認された。