[論文レビュー] BayesTime: Bayesian Functional Principal Components for Sparse Longitudinal Data

Lingjing Jiang, Yuan Zhong+4 more|arXiv (Cornell University)|Dec 1, 2020

Bayesian Methods and Mixture Models参考文献 32被引用数 5

ひとこと要約

本稿では、PSIS-LOOによる効率的で信頼性のあるモデル選択と、事後予測チェックおよび形状母数推定を用いた包括的な診断を可能にする、スパースな縦断的データ向けのベイジアン関数的主成分分析（SFPCA）フレームワークBayesTimeを提案する。この手法は、頻度主義的SFPCAに比べ、柔軟な事前分布、信頼性の高いモデル評価、およびマイクロバイオーム動態解析における解釈性の向上を実現する。

ABSTRACT

Modeling non-linear temporal trajectories is of fundamental interest in many application areas, such as in longitudinal microbiome analysis. Many existing methods focus on estimating mean trajectories, but it is also often of value to assess temporal patterns of individual subjects. Sparse principal components analysis (SFPCA) serves as a useful tool for assessing individual variation in non-linear trajectories; however its application to real data often requires careful model selection criteria and diagnostic tools. Here, we propose a Bayesian approach to SFPCA, which allows users to use the efficient leave-one-out cross-validation (LOO) with Pareto-smoothed importance sampling (PSIS) for model selection, and to utilize the estimated shape parameter from PSIS-LOO and also the posterior predictive checks for graphical model diagnostics. This Bayesian implementation thus enables careful application of SFPCA to a wide range of longitudinal data applications.

研究の動機と目的

• スパースで非線形な縦断的推移をモデル化する際、頻度主義的SFPCAが示す信頼性の低いモデル選択および診断の限界を是正すること。
• PSIS-LOOと形状母数診断を用いた効率的で原理的根拠のあるモデル選択を可能にする、SFPCAのベイジアン実装を開発すること。
• 事後予測チェックによるグラフィカルなモデル診断を統合し、実世界の応用におけるモデル妥当性の向上を図ること。
• 特にマイクロバイオーム研究において、非線形な時間的パターンにおける個別被験者の変動の探求を可能にすること。
• 代替事前分布や将来の手法的拡張をサポートする柔軟で拡張可能な縦断的データ解析フレームワークを提供すること。

提案手法

• 被験者固有の推移を確率的効果として扱い、関数的基底展開を用いるベイジアン階層モデルにSFPCAを定式化する。
• 集団平均推移の周囲の主成分的変動を低ランク共分散構造でモデル化する。
• MCMCサンプリングによる完全なベイジアン推論をStanで実行し、柔軟な事前分布指定（例：スコアの重尾分布としてのスチューデントt分布）を可能にする。
• 効率的な1例除外交差検証としてPSIS-LOOを適用し、形状母数推定を用いてモデルの信頼性と個別観測値の影響を評価する。
• 事後予測分布から抽出した再現データセットと観測データを比較することで、グラフィカルな事後予測チェックを実施する。
• モデル診断と選択を統合したRパッケージ（BayesTime）として実装し、インタラクティブなモデル評価と可視化を支援する。

実験結果

リサーチクエスチョン

• RQ1 頻度主義的手法に比べ、ベイジアン形式のSFPCAは、スパースで非線形な縦断的データにおけるモデル選択と診断を改善できるか？
• RQ2 形状母数推定を併用したPSIS-LOOは、SFPCAにおいて影響力が強くまたは適合が悪い観測値を効果的に同定できるか？
• RQ3 事後予測チェックは、実世界のマイクロバイオーム動的パターンデータにおけるモデル不適合をどの程度検出できるか？
• RQ4 主成分スコアは、マイクロバイオーム動態における生物学的に意味のある個別被験者の変動パターンをどのように明らかにできるか？
• RQ5 ベイジアンSFPCAフレームワークは、マイクロバイオームデータにおける異なる身体部位間で、明確に異なる時間的進行パターンを同定できるか？

主な発見

• PSIS-LOOを用いたベイジアンSFPCAモデルは信頼性の高いモデル選択を示し、全観測のうち2件を除くすべてのPareto形状母数が0.7の警告閾値未満にとどまり、安定したLOO推定が得られた。
• グラフィカルな事後予測チェックにより、皮膚マイクロバイオームデータセットにおいて観測データと再現データの間に顕著な差異は認められ、良好な適合が確認された。
• 主成分スコアから、腕と顔は微生物多様性の時間的パターンが類似しており、足とわきの下は対照的なパターンを示しており、PC1およびPC2の両方で一貫した傾向が得られた。
• 第1主成分は、微生物多様性の高い（腕）から低い（わきの下）への順序を捉えており、正負のスコアが明確な時間的トレンドを示した。
• 第2主成分は、顔／腕と足／わきの下のグループが進行パターンにおいてクラスタリングされることをさらに支持し、微生物動態の差異を示唆した。
• 本手法は、希なサンプリングやノイズの多い測定に対しても、個別マイクロバイオームトレンドの可視化と生物学的に解釈可能なクラスタリングを可能にした。