[論文レビュー] Statistical modelling of summary values leads to accurate Approximate Bayesian Computations

Oliver Ratmann, Anton Camacho+2 more|arXiv (Cornell University)|May 18, 2013

Markov Chains and Monte Carlo Methods参考文献 18被引用数 15

ひとこと要約

本稿では、等価性検定とキャリブレーションを用いて要約統計量を統計的にモデル化することで、近似ベイズ計算（ABC）の精度を向上させる新しい手法を提案する。2つの片側t検定（TOST）とZ変換された自己相関検定（TOSZ）を用いることで、モデルの不適合に対しても頑健性を確保し、許容領域の反復的キャリブレーションによって事後分布推定を強化する。

ABSTRACT

Approximate Bayesian Computation (ABC) methods rely on asymptotic arguments, implying that parameter inference can be systematically biased even when sufficient statistics are available. We propose to construct the ABC accept/reject step from decision theoretic arguments on a suitable auxiliary space. This framework, referred to as ABC*, fully specifies which test statistics to use, how to combine them, how to set the tolerances and how long to simulate in order to obtain accuracy properties on the auxiliary space. Akin to maximum-likelihood indirect inference, regularity conditions establish when the ABC* approximation to the posterior density is accurate on the original parameter space in terms of the Kullback-Leibler divergence and the maximum a posteriori point estimate. Fundamentally, escaping asymptotic arguments requires knowledge of the distribution of test statistics, which we obtain through modelling the distribution of summary values, data points on a summary level. Synthetic examples and an application to time series data of influenza A (H3N2) infections in the Netherlands illustrate ABC* in action.

研究の動機と目的

• 要約統計量の選択に関するABCの課題に取り組み、これが事後分布の精度に顕著に影響することを目的とする。
• 統計的等価性検定を用いた原理的フレームワークを考案し、ABCにおける許容領域のキャリブレーションを実現すること。
• 要約統計量が完全に十分でない場合でも、ABC推定が頑健でかつ強力であることを保証すること。
• キャリブレートされた等価性検定を用いて、パラメータと要約統計量の間のリンク関数を正確に再構築できること。
• パワーを最大化し、検定を真のパラメータ値を中心に位置づける体系的なキャリブレーション手順を提供すること。

提案手法

• 正規性仮定の下で、シミュレートされた要約統計量と観測された要約統計量の間の位置の等価性を検証する2つの片側t検定（TOST）を採用する。
• Fisherのz変換を用いた正規近似を活用し、自己相関の等価性を検証するZ変換t検定（TOSZ）を適用する。
• 許容境界（τ⁻, τ⁺）を二分探索アルゴリズムでキャリブレートし、検定の最大パワーが真のパラメータ値（ρ*）を中心に位置するようにする。
• 要約統計量の経験的標準偏差に基づき、ABCの各反復で許容領域を更新する再帰的キャリブレーション手順を導入する。
• ABC出力からパラメータと要約統計量の間のリンク関数を再構築するために、局所多項式回帰を用いる。
• 正規性のためのShapiro-Francia検定と、スプライシング後の不自己相関性を確認する部分自己相関検定を用いて、モデル仮定の妥当性を検証する。

実験結果

リサーチクエスチョン

• RQ1 許容領域をどのようにキャリブレートすれば、統計的パワーを最大化すると同時に、サイズ-α制御を満たすことができるか？
• RQ2 要約統計量が十分でない場合でも、等価性検定（TOSTおよびTOSZ）がABC推定の頑健性と精度を向上させられるか？
• RQ3 キャリブレートされた等価性検定を用いて、ABC出力からパラメータと要約統計量の間のリンク関数をどの程度正確に再構築できるか？
• RQ4 時系列要約統計量のスプライシングが、ABCにおける独立性および正規性仮定の妥当性にどのように影響するか？
• RQ5 許容境界の反復的再キャリブレーションが、ABCにおける事後分布推定の精度に与える影響は何か？

主な発見

• τ⁻ = -τ⁺ のとき、キャリブレートされたTOSTおよびTOSZ手順は、真のパラメータ値を中心にパワーが集中する近似的なサイズ-α検定を達成する。
• 二分探索に基づくキャリブレーションにより、検定の最大パワーが真のパラメータ値（ρ*）を中心に位置する許容境界（τ⁻, τ⁺）を的確に特定でき、乖離の検出が最適化された。
• スプライシング後、要約統計量は正規性および独立性の両テストに合格し、TOSTおよびTOSZの仮定が満たされていることが示された。
• ABC出力から再構築されたリンク関数（L̂₁, L̂₂）は、真のリンク関数とよく一致しており、等高線は真のパラメータ値と一致していた。
• キャリブレートされた許容領域を用いたABC⋆は、標準ABC（3.74 ± 0.39）と比較して、真の値（3.5）にはるかに近い事後推定（例：R₀ = 3.51 ± 0.02）を達成しており、顕著な改善が確認された。
• ABCの各反復で自由パラメータを再キャリブレートすることで、検定の妥当性が維持され、事後分布推定の収束性と精度が向上した。