[논문 리뷰] Bayesian analysis of measurement error models using INLA

Stefanie Muff, Andrea Riebler외 3명|arXiv (Cornell University)|2013. 02. 13.

Statistical Methods and Bayesian Inference참고 문헌 55인용 수 4

한 줄 요약

이 논문은 베이지안 측정오차(ME) 모형을 위한 통합 내재 라플라스 근사(INLA) 프레임워크를 확장하여 일반선형혼합모형(GLMM)에서 고전적 및 버크슨 오차 모형에 대해 빠르고 정확한 추론을 가능하게 한다. MCMC에 비해 시간이 오래 소요되는 대안으로 INLA를 도입함으로써, 저비용의 계산으로 신뢰할 수 있는 모수 추정치와_credible interval를 확보하였으며, 세 가지 실제 의료 분야 적용 사례에서 MCMC와의 검증을 통해 검증되었다.

ABSTRACT

To account for measurement error (ME) in explanatory variables, Bayesian approaches provide a flexible framework, as expert knowledge about unobserved covariates can be incorporated in the prior distributions. However, given the analytic intractability of the posterior distribution, model inference so far has to be performed via time-consuming and complex Markov chain Monte Carlo implementations. In this paper we extend the Integrated nested Laplace approximations (INLA) approach to formulate Gaussian ME models in generalized linear mixed models. We present three applications, and show how parameter estimates are obtained for common ME models, such as the classical and Berkson error model including heteroscedastic variances. To illustrate the practical feasibility, R-code is provided.

연구 동기 및 목표

• 베이지안 측정오차 모형에서 마르코프 체인 몬테카를로(MCMC) 방법의 계산 비효율성 문제를 해결하기 위해.
• 고전적 및 버크슨 오차 모형을 가진 가우시안 및 일반선형혼합모형에서 INLA 프레임워크를 확장하기 위해.
• 측정오차가 있는 공변량을 다루는 연구자들에게 실용적이고 계산 비용이 낮은 MCMC의 대안을 제공하기 위해.
• 사용자 친화적인 R 코드와 모듈식 모형 사양을 제공함으로써, 더 넓은 범위의 베이지안 ME 모형 적용을 촉진하기 위해.
• 측정오차로 인한 회귀계수 및 정밀도 파ameter의 편향을 수정하는 데 있어 INLA의 실현 가능성과 정확도를 입증하기 위해.

제안 방법

• 측정오차가 있는 공변량을 가진 잠재 가우시안 모형에 대해 통합 내재 라플라스 근사(INLA) 방법을 적응시킴.
• 정규분포 오차 항을 가정하며, 고전적 및 버크슨 오차 구조를 사용하여 측정오차를 모형화함.
• GLMM 프레임워크 내에서 관측되지 않은 진짜 공변량을 잠재 가우시안 랜덤 효과로 포함함.
• 오차 분산 및 기타 초모수에 대해 정보가 풍부한 사전분포를 사용하여, 완전한 베이지안 불확실성 정량화를 가능하게 함.
• r-inla R 패키지를 사용하여 모형을 구현함. 이는 유연한 우도 및 랜덤 효과 사양을 위한 모듈식 인터페이스를 활용함.
• 100,000회 반복을 사용한 MCMC와의 비교를 통해 결과를 검증하고, 사후 평균 및 신뢰구간을 비교함.

실험 결과

연구 질문

• RQ1 MCMC에 비해 INLA가 측정오차 모형에 대해 정확하고 계산 비용이 낮은 사후 근사치를 제공할 수 있는가?
• RQ2 고전적 및 버크슨 오차 모형이 선형, 로지스틱, 과분산 포isson 회귀 모형의 모수 추정치에 어떤 영향을 미치는가?
• RQ3 측정오차가 존재할 경우 INLA는 얼마나 효과적으로 회귀계수 및 정밀도 파ameter의 편향을 수정하는가?
• RQ4 베이지안 프레임워크에서 INLA를 사용하여 오차 분산의 사전 불확실성을 어떻게 모형화할 수 있는가?
• RQ5 INLA 접근법은 다중 측정오차 공변량, 구조적 랜덤 효과, 또는 비가우시안 오차 모형을 쉽게 확장할 수 있는가?

주요 결과

• INLA는 MCMC와 거의 동일한 사후 추정치를 생성하며, 사후 평균과 신뢰구간에서 거의 차이가 없음.
• 측정오차가 존재할 경우에도 회귀계수의 편향을 효과적으로 보정함. 이는 이방성 오차가 존재하는 경우에도 성립함.
• β₀, βₓ, τᵧ 등의 파라미터에 대해 INLA에서는 약간 넓어진 신뢰구간이 관측됨. 이는 적절한 불확실성 정량화를 반영함.
• 정밀도 파ameter τᵧ에 대해 약간의 편향이 관측됨. 이는 사전 가정이나 모형 구조에 민감할 수 있음을 시사함.
• 이 프레임워크는 다중 측정오차 공변량, 구조적 랜덤 효과(CAR 모형 등), 비가우시안 우도의 다각도 모형화를 가능하게 함.
• 제공된 R 코드를 통해 실제 데이터에 즉각적인 적용이 가능하여, 베이지안 ME 모형 적용의 장벽을 크게 낮춤.