[論文レビュー] Brief Report on Estimating Regularized Gaussian Networks from Continuous and Ordinal Data

Sacha Epskamp|arXiv (Cornell University)|Jun 18, 2016

Mental Health Research Topics参考文献 9被引用数 34

ひとこと要約

この論文は、連続データおよび順序データから心理的ネットワークを推定するために、拡張ベイズ情報基準（EBIC）を用いたグラフィカルLASSOの正則化ガウス graphical モデルであるGeLassoの性能を評価している。結果として、サンプルサイズやデータタイプにかかわらずGeLassoは頑健に性能を発揮し、デフォルト設定（γ=0.5、R=0.01）により高い感度、特異度、およびエッジ重み推定の正確性が得られ、特に大きなサンプルサイズで顕著である。

ABSTRACT

In recent literature, the Gaussian Graphical model (GGM; Lauritzen, 1996),a network of partial correlation coefficients, has been used to capture potential dynamic relationships between observed variables. The GGM can be estimated using regularization in combination with model selection using the extended Bayesian Information Criterion (Foygel and Drton, 2010). I term this methodology GeLasso, and asses its performance using a plausible psychological network structure with both continuous and ordinal datasets.Simulation results indicate that GeLasso works well as an out-of-the-box method to estimate network structures.

研究の動機と目的

• 連続および順序データから心理的ネットワーク構造を推定するGeLassoの性能を評価すること。
• チューニングパラメータγ（EBICハイパーパrameter）およびR（LASSO範囲比）がネットワーク推定精度に与える影響を評価すること。
• 現実的な心理的ネットワーク状況における順序データのためのポリコリック相関をGeLassoに組み込むことの妥当性を検証すること。
• 応用的心理的ネットワークモデリングにおけるγおよびRの実証的推奨設定を提供すること。
• GeLassoが小さなサンプルサイズから中程度のサンプルサイズでも高い特異度および正確なエッジ重み回復を維持できることを示すこと。

提案手法

• GeLassoは、グラフィカルLASSO（glasso）アルゴリズムとLASSO正則化を組み合わせ、共分散または相関行列からスパースな偏相関ネットワークを推定する。
• 順序データの相関行列推定にはピアソン相関の代わりにポリコリック相関が用いられる。
• 正則化の範囲をλ_min = R × λ_maxとし、Rが正則化範囲を制御する比である。λのチューニングパラメータの範囲は対数的に生成される。
• モデル選択には、モデルの複雑さをペナルティ化し最適なネットワークを選択するための拡張ベイズ情報基準（EBIC）とハイパーパrameterγが用いられる。
• 真のネットワーク構造はBFIパーソナリティインベントリーデータセット（n=2,800）から導出され、偏相関の絶対値が0.05以上であるエッジのみが保持される。
• 感度、特異度、および真のエッジ重みと推定されたエッジ重みの相関を用いて、180,000件のシミュレートされたデータセットで性能を評価した。

実験結果

リサーチクエスチョン

• RQ1 GeLassoは、心理的ネットワークモデルにおける連続および順序データから真のネットワーク構造をどれほど正確に回復できるか？
• RQ2 EBICハイパーパラメータγを変化させた場合、ネットワーク推定の精度と安定性にどのような影響があるか？
• RQ3 λの範囲を制御するRの異なる値が、小さなサンプルサイズから中程度のサンプルサイズにおける感度と特異度に与える影響は何か？
• RQ4 GeLassoでポリコリック相関が用いられた場合、ピアソン相関と比較してネットワーク推定が偏りや不安定性を示すか？
• RQ5 GeLassoを用いた応用的心理的ネットワーク分析において、γおよびRの最適なデフォルト設定は何か？

主な発見

• 感度はサンプルサイズが増加するにつれて向上し、n ≥ 250で高い水準（0.8以上）に達する。GeLassoは連続データおよび順序データの両方で真のエッジを的確に検出できた。
• 小さなサンプルサイズ（n=50, 100）では、順序データにポリコリック相関を用いた場合、γ > 0でなければ過適合が生じ、密な接続ネットワークが得られ、γ=0ではしばしば空のネットワークが推定された。
• 特異度はすべての条件下で高い水準を維持したが、R=0.001またはR=0.01で順序データの小さなサンプルサイズでは、一部の完全接続ネットワークが推定された。
• 真のエッジ重みと推定されたエッジ重みの相関は、n ≥ 250で高い水準（r > 0.8）を示し、エッジ強度の大きさの正確な回復を示している。
• qgraphパッケージのデフォルト設定（γ=0.5、R=0.01）はすべての条件下で良好な性能を示した。γ=0.25はわずかに検出感度が向上したが、ポリコリック相関を用いた場合に不安定性が増した。
• γの値が高い（例：0.5）と、順序データの小さなサンプルサイズで安定性が向上した。一方、γ=0は高い発見率をもたらしたが、低nのポリコリック設定では過適合のリスクが高かった。