[論文レビュー] Sampling techniques for big data analysis in finite population inference

Jae Kwang Kim, Zhonglei Wang|arXiv (Cornell University)|Jan 29, 2018

Bayesian Methods and Mixture Models参考文献 30被引用数 16

ひとこと要約

本稿は、有限母集団推論におけるビッグデータのための、2つのバイアス補正サンプリング手法を提案する：外部の補助データを用いた逆サンプリングと、独立確率標本を用いた傾向スコア重み付けによるデータ統合。両手法とも選択バイアスを低減し、不偏推定量をもたらし、被覆率が向上し、シミュレーション研究において他の手法を上回る性能を示す。

ABSTRACT

In analyzing big data for finite population inference, it is critical to adjust for the selection bias in the big data. In this paper, we propose two methods of reducing the selection bias associated with the big data sample. The first method uses a version of inverse sampling by incorporating auxiliary information from external sources, and the second one borrows the idea of data integration by combining the big data sample with an independent probability sample. Two simulation studies show that the proposed methods are unbiased and have better coverage rates than their alternatives. In addition, the proposed methods are easy to implement in practice.

研究の動機と目的

• 有限母集団への推論を行う際、ビッグデータ標本に生じる選択バイアスという重要な課題に対処すること。
• 完全確率標本を必要としない実用的で実装可能なバイアス補正手法を開発すること。
• 補助情報と独立確率標本を活用する2つの異なるアプローチ（逆サンプリングおよびデータ統合）を提案すること。
• 提案手法が、既存の代替手法よりも優れた頻度的被覆率を示す不偏推定量を生成することを保証すること。
• 限られたが情報豊富なシミュレーション研究を通じて、手法の有効性を示すこと。

提案手法

• 外部の補助データを用いて、非確率的ビッグデータ標本から代表的な標本を構築する、新規の逆サンプリング手法を提案する。
• 2段階サンプリングの原則を応用し、補助変数から推定された包含確率に基づいて、ビッグデータの単位を再重み付けする。
• ビッグデータ標本と独立確率標本を統合するフレームワークを導入し、傾向スコアを推定する。
• 結果の回帰モデルと傾向スコアモデルの両方のいずれかが正しく指定されていれば一貫性を保証する、二重ロバスト推定量を用いる。
• 確率標本からの推定された傾向スコアを用いた逆確率重み付けにより、ビッグデータ標本の選択バイアスを補正し、母平均を推定する。
• モデル誤指定下でも一貫性を保つ二重ロバスト推定量を用い、より高いロバストネスを実現する。

実験結果

リサーチクエスチョン

• RQ1 補助データを用いた逆サンプリングは、有限母集団推論におけるビッグデータ標本の選択バイアスを低減できるか？
• RQ2 独立確率標本を用いたデータ統合は、ビッグデータ環境下での推定精度をどのように向上させるか？
• RQ3 提案手法は、既存の代替手法よりも優れた被覆率を持つ不偏推定量を生成するか？
• RQ4 モデル誤指定下での有限標本設定において、二重ロバスト推定量の性能はいかがなものか？
• RQ5 さまざまな選択バイアスの程度において、提案手法の平均二乗誤差および被覆率は、どのように比較されるか？

主な発見

• 補助情報を組み込むことで、逆サンプリング手法が選択バイアスを効果的に低減し、ビッグデータからより代表的な標本を生成することに成功した。
• 傾向スコア重み付けを用いたデータ統合アプローチは、結果の回帰モデルまたは傾向スコアモデルのいずれかが正しく指定されていれば、不偏推定を達成する。
• 両提案手法とも、シミュレーション研究において従来の推定量よりも優れた被覆率を示した。
• 二重ロバスト推定量は、結果の回帰モデルまたは傾向スコアモデルの一方が誤って指定されていても、一貫性を保つ。
• 手法は計算が単純で、実際の調査応用に適した実装が容易である。
• シミュレーション結果は、提案手法が選択バイアス下で標準推定量よりも低い平均二乗誤差とより良い被覆率を達成することを確認した。