[논문 리뷰] A SINful Approach to Gaussian Graphical Model Selection

Mathias Drton, Michael D. Perlman|arXiv (Cornell University)|2005. 08. 15.

Bayesian Modeling and Causal Inference인용 수 10

한 줄 요약

이 논문은 부분상관계수를 통한 조건부 독립성 검정을 위해 피셔의 z-변환, Šidák 부등식, Holm의 단계 내림 검정 절차를 활용하여 가우시안 그래픽 모델 선택을 위한 SIN 방법을 제안한다. 이 방법은 간선 포함에 대한 가족별 오류율을 통제하며, 두 개의 그래프—포괄적인( S ∪ I )과 보수적인( S 만 )—를 출력하여 오류 통제가 가능한 견고한 모델 선택을 가능하게 하며, 사전 간선 정보를 탄력적으로 통합할 수 있다.

ABSTRACT

Abstract. Multivariate Gaussian graphical models are defined in terms of Markov properties, i.e., conditional independences associated with the underlying graph. Thus, model selection can be performed by testing these conditional independences, which are equivalent to specified zeroes among certain (partial) correlation coefficients. For concentration graphs, covariance graphs, acyclic directed graphs, and chain graphs (both LWF and AMP), we apply Fisher’s z-transformation, ˇ Sidák’s correlation inequality, and Holm’s step-down procedure, to simultaneously test the multiple hypotheses obtained from the Markov properties. This leads to a simple method for model selection that controls the overall error rate for incorrect edge inclusion. In practice, we advocate partitioning the simultaneous p-values into three disjoint sets, a significant set S, an indeterminate set I, and a non-significant set N. Then our SIN model selection method selects two graphs, a graph whose edges correspond to the union of S and I, and a more conservative graph whose edges correspond to S only. Prior information about the presence and/or absence of particular edges can be incorporated readily. 1.

연구 동기 및 목표

• 오류율 전체를 통제하는 통계적으로 엄밀한 가우시안 그래픽 모델 선택 방법을 개발하는 것.
• 다중 가설 검정 문제를 해결하기 위해 부분상관계수 검정에 기존의 통계 보정 기법을 적용함으로써 그래픽 모델 선택에서의 과도한 오류를 방지하는 것.
• 의미 있는, 결정 불확실한, 의미 없는 부분상관계수를 구분하여 모델 구성에 대한 정보 기반 의사결정을 가능하게 하는 실용적 프레임워크를 제공하는 것.
• 간선 존재 또는 부재에 대한 사전 지식을 모델 선택 과정에 통합할 수 있도록 하는 것.
• 통계적 증거에 기반하여 두 가지 상호보완적인 그래픽 모델—포괄적인 모델과 보수적인 모델—을 제공하는 것.

제안 방법

• 가설 검정을 위한 부분상관계수 계수의 표본 분포를 안정화하기 위해 피셔의 z-변환을 적용한다.
• 다중 동시 검정에서 가족별 오류율을 통제하기 위해 Šidák의 상관계수 부등식을 사용하여 p-값을 조정한다.
• 오류 통제를 유지하면서 검정의 검정력을 향상시키기 위해 Holm의 단계 내림 절차를 구현한다.
• 조정된 임계값 기반으로 p-값을 세 개의 상호배타적 집합—유의미한(S), 결정 불확실한(I), 유의미하지 않은(N)—으로 분할한다.
• 두 개의 그래프를 구성한다: 하나는 S ∪ I에서 온 간선을 사용하고, 다른 하나는 S에서만 온 간선을 사용한다.
• 가설 검정 프레임워크 내에서 특정 간선의 포함 또는 배제를 사전 정의하여 사전 지식을 통합한다.

실험 결과

연구 질문

• RQ1 가우시안 그래픽 모델에서 다중 조건부 독립성 검정을 동시에 통제하여 잘못된 간선 포함을 방지할 수 있는가?
• RQ2 고차원 부분상관계수 검정에서 유의미한 오류 통제와 검정력 사이의 최적 균형을 이루는 통계적 절차는 무엇인가?
• RQ3 그래프 구조에 대한 사전 지식을 가설 검정 프레임워크에 체계적으로 통합할 수 있는가?
• RQ4 다중 검정에서 유도된 p-값을 의미 있는 의사결정 범주로 나누는 최적의 방법은 무엇인가?
• RQ5 포괄적이고 보수적인 두 그래프 출력 전략이 모델 선택의 해석 가능성과 신뢰성 향상에 기여할 수 있는가?

주요 결과

• SIN 방법은 Šidák 보정과 Holm의 단계 내림 절차를 철저히 적용하여 잘못된 간선 포함에 대한 가족별 오류율을 효과적으로 통제한다.
• p-값을 S, I, N 집합으로 분할하는 것은 통계적 증거의 명확한 해석 가능성을 보장하는 원칙적인 모델 선택 접근법을 가능하게 한다.
• 포괄적인 그래프(S ∪ I)는 잠재적으로 의미 있는 간선을 포괄하지만, 보수적인 그래프(S 만)는 거짓 긍정을 최소화하여 균형 잡힌 의사결정 프레임워크를 제공한다.
• 이 방법은 농도, 공분산, 순환 없는 유 directed, 체인 그래프(LWF 및 AMP)를 포함한 다양한 유형의 그래픽 모델로 일반화 가능하다.
• 특정 간선에 대한 사전 지식는 오류율 통제를 훼손하지 않고도 테스트 프레임워크에 원활하게 통합될 수 있다.