[논문 리뷰] Algebraic Bayesian analysis of contingency tables with possibly zero-probability cells

Guido Consonni, Giovanni Pistone|ArXiv.org|2007. 03. 05.

Bayesian Modeling and Causal Inference참고 문헌 22인용 수 7

한 줄 요약

이 논문은 구조적 영세포와 가능성이 있는 영세포를 명시적으로 모델링하는 대수적 베이지안 프레임워크를 제안한다. 이는 혼합 모형 내에서 서로 다른 모형 인스턴스로 간주된다. 계산 기반 대수기하학을 사용하여 가능한 모든 지지 집합을 열거하고, 각 모형 인스턴스에 우선분포를 할당하며, 딜레트 분포를 통해 호환 가능한 우선분포를 유도함으로써, 영세포가 존재할 경우 기존의 로그선형 모형과는 상당히 다른 베이즈 요인을 도출한다.

ABSTRACT

In this paper we consider a Bayesian analysis of contingency tables allowing for the possibility that cells may have probability zero. In this sense we depart from standard log-linear modeling that implicitly assumes a positivity constraint. Our approach leads us to consider mixture models for contingency tables, where the components of the mixture, which we call model-instances, have distinct support. We rely on ideas from polynomial algebra in order to identify the various model instances. We also provide a method to assign prior probabilities to each instance of the model, as well as describing methods for constructing priors on the parameter space of each instance. We illustrate our methodology through a $5 imes 2$ table involving two structural zeros, as well as a zero count. The results we obtain show that our analysis may lead to conclusions that are substantively different from those that would obtain in a standard framework, wherein the possibility of zero-probability cells is not explicitly accounted for.

연구 동기 및 목표

• 셀 확률의 엄격한 양성 가정을 내포하는 표준 로그선형 모형의 한계를 해결하기 위해, 이는 실질적인 모형 설정 통찰을 가로막을 수 있다.
• 표본 테이블 내에서 구조적 영세포와 가능성이 있는 영세포를 명시적으로 고려하는 베이지안 프레임워크를 개발하기 위해.
• 다양한 지지 집합을 가진 모든 가능한 모형 인스턴스를 열거하고 특성화하기 위해 대수통계를 사용하여 더 포괄적인 모형 공간을 확보하기 위해.
• 각 모형 인스턴스에 대한 우선확률을 원칙적으로 할당하고, 그들의 매개변수 공간에서 호환 가능한 우선분포를 도출하는 데에.
• 영세포가 명시적으로 모형화되지 않은 경우 표준 베이지안 분석이 희박하거나 구조적으로 제약이 있는 테이블에서 잘못된 결론을 이끌 수 있음을 보여주기 위해.

제안 방법

• 다양한 영세포 조합에 대응하는 제한된 지지 집합을 가진 로그선형 모형(즉, 모형 인스턴스)을 식별하기 위해 다항식 대수학과 계산 기반 대수기하학을 활용한다.
• 각 구성 요소가 특정 지지 집합을 가진 서로 다른 모형 인스턴스에 대응하는, 셀 빈도의 표본 분포에 대한 혼합 모형을 설정한다.
• 전체 단체에 대한 딜레트 우선분포를 사용하고, 레마 1을 통해 조건화 및 마진화 규칙을 적용하여 각 모형 인스턴스의 매개변수 공간에서 호환 가능한 우선분포를 도출한다.
• 구조적 및 실질적 고려사항을 바탕으로 각 모형 인스턴스에 우선확률을 할당하여, 베이즈 요인을 통한 모형 비교를 가능하게 한다.
• CoCoA와 같은 기호 계산 도구를 사용하여 지지 집합을 열거하고, 마진형 우도를 계산한다.
• 혼합 프레임워크 하에서 경쟁 모형(예: 준독립 모형 대비 구조적 영세포 모형)의 마진형 우도를 계산하여 모형 비교를 위한 베이즈 요인을 구성한다.

실험 결과

연구 질문

• RQ1 일부 셀이 영확률을 가질 수 있도록 제약을 받을 경우, 로그선형 모형의 가능한 모든 모형 인스턴스를 체계적으로 열거하는 방법은 무엇인가?
• RQ2 영세포를 고려하는 베이지안 프레임워크에서, 다양한 모형 인스턴스에 우선확률을 원칙적으로 할당하는 방법은 무엇인가?
• RQ3 영세포가 명시적으로 모형화되었을 때와 그렇지 않을 경우, 도출된 베이즈 요인이 어떻게 다를 수 있는가?
• RQ4 구조적 영세포와 영빈도 셀이 커팅 테이블 내 준독립성 추론에 어떤 영향을 미치는가?
• RQ5 대수통계와 계산 도구를 베이지안 방법과 효과적으로 융합하여, 희박하거나 고차원의 커팅 테이블에서의 모형 선택을 향상시킬 수 있는가?

주요 결과

• 제안된 방법은 대수기하학을 활용하여 서로 다른 지지 집합을 가진 여러 모형 인스턴스를 식별함으로써, 표준 로그선형 모형보다 더 포괄적인 모형 공간 표현을 가능하게 한다.
• 두 개의 구조적 영세포와 하나의 영빈도를 가진 $5 \times 2$ 커팅 테이블의 경우, 혼합 모형 하에서의 베이즈 요인은 0.55였으며, 이는 준독립 모형에 대해 약한 증거를 나타낸다.
• 반면, 영세포를 무시하는 표준 베이지안 분석은 베이즈 요인 0.17을 도출하였으며, 제프레즈 척도상에서 준독립 모형에 대해 더 강한 증거를 나타낸다.
• 로그형 베이즈 요인 (log₁₀(1/0.55) ≈ 0.26)는 준독립 모형에 대해 '열악한' 증거를 나타내며, 이는 표준 분석보다 약 10배 정도 덜 극단적인 결과이다.
• 결과적으로, 영세포가 명시적으로 모형화되지 않은 경우 표준 모형이 가설에 대한 증거를 과도하게 강조할 수 있으며, 이는 실질적인 결론을 다르게 이끌 수 있음을 보여준다.
• 이 방법은 특히 딜레트 우선분포의 조건화 및 마진화를 통해 모형 공간의 기하학적·조합적 구조를 존중하는 일관된 우선분포 설정 및 모형 비교 프레임워크를 제공한다.