[論文レビュー] Practical targeted learning from large data sets by survey sampling

Patrice Bertail, Antoine Chambaz+1 more|arXiv (Cornell University)|Jun 30, 2016

Statistical Methods and Inference参考文献 21被引用数 3

ひとこと要約

本稿では、計算負荷を軽減するために非一様包含確率を用いた調査標本抽出を用いた、大規模データセットにおける実用的な標的学習アプローチを提案する。要約統計量に基づく部分標本の選択と標的最小損失推定（TMLE）の適用により、漸近正規分布推定量と有効な信頼区間が得られ、包含確率は分散を最小化するように最適化される。

ABSTRACT

We address the practical construction of asymptotic confidence intervals for smooth (i.e., path-wise differentiable), real-valued statistical parameters by targeted learning from independent and identically distributed data in contexts where sample size is so large that it poses computational challenges. We observe some summary measure of all data and select a sub-sample from the complete data set by Poisson rejective sampling with unequal inclusion probabilities based on the summary measures. Targeted learning is carried out from the easier to handle sub-sample. We derive a central limit theorem for the targeted minimum loss estimator (TMLE) which enables the construction of the confidence intervals. The inclusion probabilities can be optimized to reduce the asymptotic variance of the TMLE. We illustrate the procedure with two examples where the parameters of interest are variable importance measures of an exposure (binary or continuous) on an outcome. We also conduct a simulation study and comment on its results. keywords: semiparametric inference; survey sampling; targeted minimum loss estimation (TMLE)

研究の動機と目的

• サンプルサイズNが極めて大きい場合の標的学習における計算課題に対処すること。
• 大規模データ環境下での滑らかで経路微分可能な統計的パラメータの漸近的信頼区間を構築する実用的手法を開発すること。
• 完全データの要約統計量に基づく、非一様包含確率を用いた調査標本抽出技術を活用して、効率的な推論を可能にすること。
• 標的最小損失推定（TMLE）推定量の漸近的分散を最小化するように包含確率を最適化すること。
• 変数の重要度測度に関する理論的結果とシミュレーションスタディを通じて、手法の妥当性と効率性を示すこと。

提案手法

• 完全データセットの要約指標に基づき、非一様包含確率を用いたポisson再選択標本抽出を用いて、Nより著しく小さいサイズn(N)の管理可能な部分標本を選択する。
• 部分標本に対して標的最小損失推定（TMLE）を適用し、パラメータの推定を実施することで、二重ロバスト性と効率性を確保する。
• 標本抽出設計下でのTMLEに対する中心極限定理を導出し、漸近的信頼区間の構築を可能にする。
• 影響関数を用いて包含確率を最適化し、TMLE推定量の漸近的分散を最小化する。
• Horvitz-Thompson推計量と経験過程理論を活用して、標本抽出スキーム下での漸近正規性と一様収束性を確立する。
• 関数的中心極限定理とエントロピー条件を用いて、弱い正則性仮定下での推定量の漸近的分布を検証する。

実験結果

リサーチクエスチョン

• RQ1 完全データの計算が非現実的であるような非常に大きなデータセットにおいて、標的学習を実用的に適用できるか？
• RQ2 非一様包含確率を用いた調査標本抽出は、大規模環境下でのTMLEの効率性をどのように向上させるか？
• RQ3 非一様確率を用いた再選択標本抽出下でのTMLEの漸近的分布は何か？
• RQ4 包含確率を最適化することで、大規模データ文脈下でのTMLEの漸近的分散を低減できるか？
• RQ5 提案手法は、大規模データセットにおける曝射-結果関係の変数の重要度測度の推定において、どのように性能を発揮するか？

主な発見

• 提案手法により、完全データセットの部分標本のみを用いても、滑らかな統計的パラメータの有効な漸近的信頼区間が得られる。
• 再選択標本抽出設計下でもTMLEの中心極限定理が成り立つため、Nが非常に大きくても有効な推論が保証される。
• 影響関数を用いることで、TMLE推定量の漸近的分散を最小化するように包含確率を最適化できる。
• 弱い正則性条件（モデル空間におけるエントロピー制約とモーメント制約）下でも、TMLEの漸近正規性が達成される。
• シミュレーションスタディの結果、完全データセットが標準的手法で処理できないほど大きくなっても、良好なカバレッジと効率性が維持される。
• 曝射-結果モデルにおける変数の重要度測度の推定において、本手法は特に効果的であり、ロバスト性と計算上的実行可能性が実証されている。