[論文レビュー] Normalized Power Prior Bayesian Analysis

Keying Ye, Han, Zifei+2 more|arXiv (Cornell University)|Apr 12, 2022

Bayesian Modeling and Causal Inference被引用数 6

ひとこと要約

本稿では、尤度の原則に違反する共同パワー事前分布の問題を解消するため、スケール係数を導入した正規化パワー事前分布のベイジアンアプローチを提案する。これにより、データ表現の違いに関わらず一貫した推論が保証される。理論的および数値的分析を通じて、パワー係数δがデータ適合度を適応的に定量化することを示し、小標本設定における歴史的データを用いた実用的応用を可能にする、効率的な計算手法とRパッケージ実装を提供する。

ABSTRACT

The elicitation of power priors, based on the availability of historical data, is realized by raising the likelihood function of the historical data to a fractional power δ, which quantifies the degree of discounting of the historical information in making inference with the current data. When δ is not pre-specified and is treated as random, it can be estimated from the data using Bayesian updating paradigm. However, in the original form of the joint power prior Bayesian approach, certain positive constants before the likelihood of the historical data could be multiplied when different settings of sufficient statistics are employed. This would change the power priors with different constants, and hence the likelihood principle is violated. In this article, we investigate a normalized power prior approach which obeys the likelihood principle and is a modified form of the joint power prior. The optimality properties of the normalized power prior in the sense of minimizing the weighted Kullback-Leibler divergence is investigated. By examining the posteriors of several commonly used distributions, we show that the discrepancy between the historical and the current data can be well quantified by the power parameter under the normalized power prior setting. Efficient algorithms to compute the scale factor is also proposed. In addition, we illustrate the use of the normalized power prior Bayesian analysis with three data examples, and provide an implementation with an R package NPP.

研究の動機と目的

• δを確率変数として扱う場合の共同パワー事前分布における尤度の原則の違反を解消し、異なる尤度表現下での後確率の不一致を回避すること。
• スケール係数を組み込むことで尤度の原則を満たす正規化パワー事前分布フレームワークを構築し、同等の尤度表現間で一貫した推論を保証すること。
• 重み付きカルバック・ライブラー距離の最小化を用いて、正規化パワー事前分布の最適性を検証すること。
• 後確率サンプリングのための効率的アルゴリズムを開発し、Rパッケージ（NPP）による実装を通じて実用的応用を可能にすること。
• 3つの実データ例を通じて本手法の性能を示し、共同パワー事前分布と比較して、適合度評価の向上と適応的借用の改善を確認すること。

提案手法

• 正規化パワー事前分布は、π(θ|D₀, δ) ∝ L(θ|D₀)^δ π₀(θ) / C(δ) で定義され、C(δ)は正規化定数であり、事前分布が積分で1に規格化されることを保証する。これにより尤度の原則が維持される。
• パワー係数δは確率変数として扱われ、ベイズ更新により推定され、その事前分布のハイパーパrameterは歴史的データとの適合度に関する事前の信念を反映するように調整される。
• 正規化パワー事前分布の最適性を正当化するために、重み付きカルバック・ライブラー距離を用い、後確率と真のデータ生成分布との乖離を最小化する。
• さまざまな指数型分布に対して、スケール係数C(δ)を効率的に計算するアルゴリズムが開発され、高速な後確率計算が可能になる。
• 本手法はRパッケージNPPとして実装され、一般的な分布における後確率サンプリングとモデルフィッティングをサポートする。
• 理論的および数値的比較を通じて、共同パワー事前分布と正規化パワー事前分布の違いを検証し、後者による一貫性と整合性の優位性を強調する。

実験結果

リサーチクエスチョン

• RQ1 δを確率変数として扱う共同パワー事前分布フレームワークでは、尤度の原則が破られるか。その場合、後確率推論にどのような影響を与えるか？
• RQ2 尤度の原則を満たしつつ、歴史的データからの適応的借用を可能にする正規化パワー事前分布を構築可能か？
• RQ3 正規化パワー事前分布は、歴史的データと現在の研究との間のデータ適合度にどのように反応するか？この反応はパワー係数δを用いて定量化可能か？
• RQ4 重み付きカルバック・ライブラー距離の最小化という観点から、正規化パワー事前分布の理論的最適性はいかなるものか？
• RQ5 正規化パワー事前分布のための計算アルゴリズムは、既存手法と比較して効率性と正確性に優れているか？

主な発見

• 正規化パワー事前分布は尤度の原則を満たしており、スケール係数の導入により、同等の尤度表現（例：原始データ vs. 十分統計量）が同じ後確率をもたらす。
• 正規化パワー事前分布におけるパワー係数δは、データ適合度に応じて適応的に調整される：歴史的データと現在のデータが類似している場合、δは増加（より多くの借用）し、矛盾する場合は減少する。
• 2×2表を用いた臨床試験の例では、正規化パワー事前分布はδ = 0.216（最頻値0.085）を推定し、中程度の借用を示した。一方、共同パワー事前分布ではδ = 0.044と推定され、歴史的データのほとんどを無視していると解釈された。
• 正規化パワー事前分布は、より説得力があり安定した推定値（例：感度49.88% vs. JPP下の49.98%）を生み出し、データ適合度をより適切に反映した。
• RパッケージNPPを用いることで、効率的な後確率サンプリングとモデルフィッティングが可能であり、複数の分布およびデータ設定において計算性能が検証された。
• 理論的分析により、正規化パワー事前分布が重み付きカルバック・ライブラー距離を最小化することが示され、適応的借用に用いる際の根拠ある正当性が得られた。