[論文レビュー] Elicitation of Weibull priors

Nicolás Bousquet|arXiv (Cornell University)|Jul 27, 2010

Statistical Distribution Estimation and Applications参考文献 24被引用数 5

ひとこと要約

本稿では、専門家が提示する寿命の値を仮想的サンプルサイズ $m$ に相当するとみなすことで、情報性のあるワイブル事前分布を効果的に得るための新規手法を提案する。この手法により、事前分布の情報性の強さを直感的に調整可能となり、解析者が専門家の意見と観測データのバランスを透明かつ説得力を持ってとるフレームワークを提供する。特に、小規模または右側打ち切り済みのデータセットを扱う信頼性およびリスク評価の文脈で有効である。

ABSTRACT

Based on expert opinions, informative prior elicitation for the common Weibull lifetime distribution usually presents some difficulties since it requires to elicit a two-dimensional joint prior. We consider here a reliability framework where the available expert information states directly in terms of prior predictive values (lifetimes) and not parameter values, which are less intuitive. The novelty of our procedure is to weigh the expert information by the size m of a virtual sample yielding a similar information, the prior being seen as a reference posterior. Thus, the prior calibration by the Bayesian analyst, who has to moderate the subjective information with respect to the data information, is made simple. A main result is the full tractability of the prior under mild conditions, despite the conjugation issues encountered with the Weibull distribution. Besides, m is a practical focus point for discussion between analysts and experts, and a helpful parameter for leading sensitivity studies and reducing the potential imbalance in posterior selection between Bayesian Weibull models, which can be due to favoring arbitrarily a prior. The calibration of m is discussed and a real example is treated along the paper.

研究の動機と目的

• ワイブル分布の2次元同時事前分布を効果的に得る課題に取り組むこと。これは、スケールおよび形状パラメータの抽象的性質ゆえに、非専門家にとって理解が難しいためである。
• 意思決定者が専門家の意見とデータ情報の相対的重みを比較できる、説得力があり、透明かつ実用的な事前分布の獲得手法を提供すること。
• ワイブル分布が共役事前分布を持たないにもかかわらず、得られる事前分布が解析的に扱いやすく、感度分析に適していることを保証すること。
• 専門家とアナリストとの間での議論の焦点として $m$ を導入することで、事後分布選択における潜在的なバイアスを低減すること。
• データが限られている、あるいは打ち切り済みの実世界の信頼性応用を支援するため、抽象的なパラメータ値ではなく、直感的な寿命予測に基づいて事前分布を構築すること。

提案手法

• 専門家から得られた事前予測値（例：寿命分布の百分位数）を、仮想的サンプルサイズ $m$ からのものとみなす。これにより、主観的意見が参照事後分布として扱われる。
• 事前分布は、この仮想的データに基づく事後分布として定義され、ややきつい正則性条件のもとで完全に解析的扱いが可能となる。
• 仮想的サンプルサイズ $m$ は、事前分布の不確実性の直接的測度を提供し、非統計的専門家とアナリストとの間で、事前情報とデータ情報の相対的強さについて直感的な議論が可能になる。
• ハイパーパラメータは、事前予測分布と専門家から得られた百分位数を一致させるように設定され、一貫性を保つために数値最適化法または共役ディリクレ分布に基づく手法が用いられる。
• 複数の専門家がいる場合、順序付き百分位数をディリクレ分布の増分としてモデル化し、期待不整合リスクを最小化するように $m$ を調整する。
• 抽象的なパラメータ評価に依存しないようにすることで、直感的な寿命の大きさに焦点を当て、規制機関および産業界における説得力の向上を図る。

実験結果

リサーチクエスチョン

• RQ1 非統計的専門家にとって直感的で説得力のある方法で、ワイブル分布の寿命に関する専門家の意見をどのように効果的に得ることができるか？
• RQ2 ベイズ的ワイブルモデルにおいて、専門家の意見と観測データの相対的情報量を、実用的かつ透明に定量化する方法は何か？
• RQ3 共役事前分布を有さないワイブル分布に対しても、完全に解析的扱い可能な事前分布を構築することは可能か？
• RQ4 仮想的サンプルサイズ $m$ をどのように用いることで、専門家の意見とデータのバランスをとり、任意の事前分布選択を回避できるか？
• RQ5 専門家の不確実性や潜在的バイアスが事前分布の獲得に与える影響は何か？ また、それらをモデル化し、低減する方法は何か？

主な発見

• 本手法により、専門家から得られた寿命の値を仮想的サンプルサイズ $m$ からの参照事後分布とみなすことによって、ワイブルモデルにおける完全に解析的扱い可能な事前分布が得られる。
• 仮想的サンプルサイズ $m$ は、事前分布の情報性の強さを直接的かつ解釈可能な指標として提供し、アナリストと専門家との間で、事前情報とデータ情報の相対的重みについて明確な議論が可能になる。
• $m$ が自然なバランスパラメータとして機能するため、任意の事前分布選択を防ぎ、モデル比較における公平性が保証される。
• 専門家の不確実性に対してもロバストであることが、階層的ディリクレモデルを用いて百分位数の事前推定を表現し、$m$ を期待不整合リスクの最小化に合わせて調整することで示された。
• 本手法は実用的かつ実装可能であり、実際の事例研究を通じて、小規模または打ち切り済みデータを伴う産業的信頼性文脈での妥当性が示された。
• 期待不整合リスクの最小化点として $m$ を設定するアプローチは、原理的ではあるが、計算コストが高いため、事前分布のロバスト性を高める有効な手法である。