[論文レビュー] Dynamic Chain Graph Models for Ordinal Time Series Data

Pariya Behrouzi, Fentaw Abegaz+1 more|arXiv (Cornell University)|May 24, 2018

Bayesian Modeling and Causal Inference参考文献 15被引用数 5

ひとこと要約

本稿では、ガウスコプูลラと罰則付き尤度推定を用いたスパースな動的チェーングラフモデルを提案し、高次元の順序尺度および混合連続-順序尺度時系列における条件付き独立構造を推定する。この手法は、時系列の各ステップ間で同時（無向）およびグランジャ因果的（有向）な依存関係を捉えることができ、非ガウス分布の多変量時系列のモデリングおよび、精度行列と自己回帰係数行列に対するSCADおよびL1罰則を用いたネットワーク推定という主な貢献を果たす。

ABSTRACT

This paper introduces sparse dynamic chain graph models for network inference in high dimensional non-Gaussian time series data. The proposed method parametrized by a precision matrix that encodes the intra time-slice conditional independence among variables at a fixed time point, and an autoregressive coefficient that contains dynamic conditional independences interactions among time series components across consecutive time steps. The proposed model is a Gaussian copula vector autoregressive model, which is used to model sparse interactions in a high-dimensional setting. Estimation is achieved via a penalized EM algorithm. In this paper, we use an efficient coordinate descent algorithm to optimize the penalized log-likelihood with the smoothly clipped absolute deviation penalty. We demonstrate our approach on simulated and genomic datasets. The method is implemented in an R package tsnetwork.

研究の動機と目的

• 高次元多変量順序時系列における即時の（同時）および動的（遅れ付き）依存関係を捉える統計的モデルを開発すること。
• カテゴリカルまたは順序応答を含む非ガウス分布・混合スケール時系列データにおけるネットワーク推定のための手法の不足に対処すること。
• 罰則付き尤度を用いて、時間スライス内における条件付き独立性と時間スライス間のグランジャ因果的関係の両方におけるスパarsityを強制すること。
• 特に縦断的健康およびゲノム研究において、サンプルサイズが限られている状況下でも正確なネットワーク推定を可能にすること。
• 混合スケール時系列データを統合的に扱うための、ガウスコプールラモデルと動的ベイジアンネットワークを統合したフレームワークを提供すること。

提案手法

• モデルは、固定時刻における変数間の同時条件付き独立性を表す無向エッジと、連続する時系列ステップ間の動的遅延依存関係を表す有向エッジを持つチェーングラフ構造を採用する。
• 混合連続および順序変数の同時分布をモデル化するためにガウスコプールラが用いられ、正規性を仮定しない柔軟な依存構造を可能にする。
• 観測された順序データを条件とした潜在ガウスベクトルは、多変量正規分布に従うものと仮定され、応答カテゴリを定義する潜在閾値が導入される。
• EMアルゴリズムを用いた罰則付き尤度推定が行われ、精度行列（スライス内）および自己回帰係数行列（スライス間）におけるスパarsityを誘導するためL1およびSCAD罰則が用いられる。
• 罰則付き対数尤度関数を最適化するための効率的な座標デセントアルゴリズムが採用され、チューニングパラメータはBICまたは交差検証により選択される。
• 潜在変数の条件付き期待値は、切断正規分布からのモーメント公式とデルタ法を用いて近似される。

実験結果

リサーチクエスチョン

• RQ1 高次元の順序時系列に含まれる、同時および時間遅れ付きの相互作用を含む複雑な条件付き依存構造をどのようにモデル化できるか？
• RQ2 SCADおよびL1罰則を用いた罰則付き尤度アプローチは、非ガウス分布の多変量時系列においてスパースなネットワーク構造を効果的に回復できるか？
• RQ3 提案された動的チェーングラフモデルは、従来の手法と比較して、ネットワーク回復の正確性およびスパarsityの保持の観点でどのように異なるか？
• RQ4 このモデルを用いることで、うつ病および不安障害における症状間の動的関係について、どのような知見が得られるか？
• RQ5 このモデルは、ゲノムや精神保健を越えて、混合連続-順序時系列データへ一般化できる程度まで拡張可能か？

主な発見

• シミュレーションデータにおいて、提案手法は元の条件付き独立ネットワークを正確に回復し、スパースな代替手法よりもスライス内およびスライス間のネットワーク回復で優れた性能を示した。
• オランダのうつ病および不安障害に関する研究の分析において、「気分が落ち込んでいる」という項目が、同時ネットワークおよびグランジャ因果的ネットワークの両方で中心的ハブとして浮き彫りになった。これは、症状の進行におけるその重要な役割を示している。
• 気分関連項目から精神的健康関連項目への有向エッジは、気分障害が広範な精神的健康障害の発症に長期的影響を及ぼす可能性を示唆している。
• 睡眠障害は他の症状に有意な有向影響を及ぼさなかったため、ネットワークモデル内での因果的影響は限定的であると示された。
• モデルは、縦断的精神保健データにおける生物学的に妥当な関係を反映するスパースで解釈可能なネットワークを効果的に同定した。
• 罰則付きEMアルゴリズムに座標デセントを組み合わせた手法は、収束が効率的であり、シミュレーション研究においてSCAD罰則がL1単独よりも優れた変数選択を実現した。