[論文レビュー] Perturbed factor analysis: Improving generalizability across studies

Arkaprava Roy, Isaac Lavine+2 more|arXiv (Cornell University)|Oct 7, 2019

Mental Health Research Topics被引用数 4

ひとこと要約

本稿では、因子分析の前にデータにスチュディー固有の摂動行列を適用することで、研究間での一般化性能を向上させるベイジアン要因モデル、摂動因子分析（PFA）を提案する。従来の別個の研究固有要因を持つモデルとは異なり、PFAは共通の要因構造を維持しながら、柔軟でデータ駆動の摂動を許容する。これにより、一般化誤差が低減され、マルチ・スタディおよび単一スタディの両設定において識別性が向上する。

ABSTRACT

Factor analysis is routinely used for dimensionality reduction. However, a major issue is `brittleness' in which one can obtain substantially different factors in analyzing similar datasets. Factor models have been developed for multi-study data by using additive expansions incorporating common and study-specific factors. However, allowing study-specific factors runs counter to the goal of producing a single set of factors that hold across studies. As an alternative, we propose a class of Perturbed Factor Analysis (PFA) models that assume a common factor structure across studies after perturbing the data via multiplication by a study-specific matrix. Bayesian inference algorithms can be easily modified in this case by using a matrix normal hierarchical model for the perturbation matrices. The resulting model is just as flexible as current approaches in allowing arbitrarily large differences across studies, but has substantial advantages that we illustrate in simulation studies and an application to NHANES data. We additionally show advantages of PFA in single study data analyses in which we assign each individual their own perturbation matrix, including reduced generalization error and improved identifiability.

研究の動機と目的

• 従来の因子分析では、類似したデータセットでも要因が著しく異なるという、脆さ（Brittleness）を是正すること。
• 研究間で共通の要因構造を維持しつつ、研究固有の変動を許容するモデルの開発。
• 特にマルチ・スタディおよび単一スタディのデータ設定において、一般化性能と識別性を向上させること。
• 別個の研究固有要因を含む既存のマルチ・スタディ要因モデルに対する、柔軟かつ整合性のある代替手法の提供。

提案手法

• 因子分析の前に、データにスチュディー固有の摂動行列による乗算変換を施す摂動因子分析（PFA）モデルを提案する。
• 共有ハイパーパrameterを持つベイジアン推論を可能にするために、摂動行列に行列ノルムの階層的事前分布を用いる。
• 研究固有の変動を摂動行列に吸収することで、研究間で共通の要因構造を維持する。
• 摂動行列を階層的モデル構造に組み込むことで、標準的なベイジアン推論アルゴリズムを適応する。
• 個々の被験者に固有の摂動行列を割り当てることで、単一スタディデータに対しても同じフレームワークを適用する。
• 解釈可能性や共通の要因構造を損なわず、研究間の差を柔軟にモデル化可能である。

実験結果

リサーチクエスチョン

• RQ1 要因モデルは、研究間で大きなデータパターンの違いを許容しつつ、共通の要因構造を維持できるか？
• RQ2 PFAは、既存のマルチ・スタディ要因モデルと比較して、一般化性能および識別性において優れているか？
• RQ3 単一スタディデータにおいて、個々の被験者に固有の摂動行列を割り当てることで、一般化誤差が低減され、モデルの識別性が向上するか？
• RQ4 摂動行列の構造が、抽出された要因の安定性および解釈可能性に与える影響は何か？

主な発見

• PFAは、既存のマルチ・スタディ要因モデルと同等の柔軟性を発揮しながら、単一の共通要因構造を維持する。
• シミュレーション研究により、マルチ・スタディおよび単一スタディの両設定において、標準因子分析と比較してPFAが一般化誤差を低減することが示された。
• 別個の研究固有要因による混同効果を回避することで、識別性が向上した。
• 単一スタディの応用において、個別レベルの摂動行列が、より安定的で一般化可能な要因推定をもたらした。
• PFAのベイジアン推論フレームワークは計算的に実行可能であり、既存のアルゴリズムへの適応も容易である。
• NHANESデータへの応用により、実世界のマルチ・スタディ設定において、モデルの頑健性と性能向上が確認された。