[논문 리뷰] Approximate Bayesian Inference for the Interaction Types 1, 2, 3 and 4 with Application in Disease Mapping

Esmail Abdul Fattah, Håvard Rue|arXiv (Cornell University)|2022. 06. 18.

Statistical Methods and Bayesian Inference인용 수 4

한 줄 요약

이 논문은 상호작용 유형 I–IV를 가진 시공간 질병 맵핑 모델에서 합이 0이 되는 조건을 회피하기 위해 조밀한 정밀도 행렬과 가역행렬을 사용하는 새로운 INLA 기반 프레임워크를 제안한다. 이로 인해 표준 INLA 대비 최대 40배 빠른 계산을 달성하면서도 정확도를 유지한다. 이 방법은 차원이 높고 질량이 떨어진 모델에서 계산 비용과 제약 조건의 복잡도를 분리함으로써 효율적인 추론을 가능하게 한다.

ABSTRACT

We address in this paper a new approach for fitting spatiotemporal models with application in disease mapping using the interaction types 1,2,3, and 4. When we account for the spatiotemporal interactions in disease-mapping models, inference becomes more useful in revealing unknown patterns in the data. However, when the number of locations and/or the number of time points is large, the inference gets computationally challenging due to the high number of required constraints necessary for inference, and this holds for various inference architectures including Markov chain Monte Carlo (MCMC) and Integrated Nested Laplace Approximations (INLA). We re-formulate INLA approach based on dense matrices to fit the intrinsic spatiotemporal models with the four interaction types and account for the sum-to-zero constraints, and discuss how the new approach can be implemented in a high-performance computing framework. The computing time using the new approach does not depend on the number of constraints and can reach a 40-fold faster speed compared to INLA in realistic scenarios. This approach is verified by a simulation study and a real data application, and it is implemented in the R package INLAPLUS and the Python header function: inla1234().

연구 동기 및 목표

• 합이 0이 되는 조건으로 인해 발생하는 시공간 내재 모델의 계산 병목 현상을 해결하기 위해.
• 고차원 모델에서 제약 조건의 수와 계산 비용을 분리하는 확장 가능한 추론 프레임워크를 개발하기 위해.
• 구조적이고 비구조적인 공간 및 시간 효과를 가진 복잡한 질병 맵핑 모델에서 효율적인 근사 베이지안 추론을 가능하게 하기 위해.
• 높은 상호작용 복잡성의 모델에 대해 빠르고 정확한 추론을 제공함으로써 실용적인 공중보건 적용을 지원하기 위해.
• 조밀한 행렬 구조와 가역행렬을 활용하여 질량이 떨어진 정밀도 행렬을 가진 모델로의 INLA 적용 범위를 확장하기 위해.

제안 방법

• 제약 조건 의존 계산을 피하기 위해 희박한 행렬 대신 조밀한 정밀도 행렬을 사용하여 통합 내재 라플라스 근사(INLA) 접근법을 재구성하기 위해.
• 내재 가우시안 마르코프 무작위 필드(GMRF)에서 발생하는 질량이 떨어진 정밀도 행렬을 다루기 위해 가역행렬 기법을 적용하기 위해.
• 스패티오크로널 상호작용을 구조적이고 비구조적인 공간 및 시간 효과의 조합으로 모델링하기 위해 크로네커 곱 구조를 사용하기 위해.
• 모든 네 가지 상호작용 유형(I–IV)을 지원하기 위해 R 패키지 INLAPLUS와 Python 함수 inla1234()에 이 방법을 구현하기 위해.
• 적절한 정규화와 식별 가능성을 보장하기 위해 초모수에 대해 PC 우선분포를, 분산 분할 파라미터에 대해 균일 우선분포를 사용하기 위해.
• 많은 수의 위치와 시간 포인트를 가진 대규모 데이터셋에 대응하기 위해 공유 메모리 및 분산 메모리 기반 고성능 컴퓨팅 프레임워크를 활용하기 위해.

실험 결과

연구 질문

• RQ1 조밀한 행렬 기반 INLA 접근법이 시공간 질병 맵핑 모델에서 합이 0이 되는 조건의 계산 부담을 제거할 수 있는가?
• RQ2 상호작용 유형 I–IV를 갖는 모델에 대해 제안된 방법이 표준 INLA와 비교해 속도와 정확도에서 어떻게 성능을 내는가?
• RQ3 상호작용 유형 I–IV는 브라질 미나스 지라이스의 영아 사망 위험 변동성의 어느 정도를 설명하는가?
• RQ4 제약 조건에 영향을 받지 않는 설계를 가진 이 새로운 프레임워크가 두 개 이상의 주효과를 가진 모델에서 추론을 지원할 수 있는가?
• RQ5 구조적 대비 비구조적 공간 및 시간 효과가 영아 사망 위험의 총 분산에서 각각 어떤 기여를 하는가?

주요 결과

• 제안된 방법은 현실적인 질병 맵핑 시나리오에서 제약 조건의 수에 관계없이 표준 INLA 대비 최대 40배 빠른 속도 향상을 달성한다.
• 모델 유형 IV는 미나스 지라이스의 영아 사망 데이터에 가장 잘 맞았으며, DIC = 27995이고 로그-마진란리쿠얼리티 = -14223.4였다.
• 주효과가 총 분산의 97.1%를 설명하여 상호작용 효과가 위험 변동성 설명에 미치는 기여가 미미함을 시사한다.
• 공간 주효과가 위험 변동성의 65.08%를 차지하여 영아 사망의 지리적 불균형을 강조한다.
• 구조적 공간 및 시간 효과가 지배적이었으며, 분산의 75.5%와 39.6%가 각각 구조적 구성요소에 기인하였다.
• 시간 효과의 사후 평균은 2012년에서 2020년 사이에 상대적 위험도 일관되게 감소하는 추세를 보여, 전국적 개선 경향을 시사한다.