[논문 리뷰] Bias-Aware Confidence Intervals for Empirical Bayes Analysis

Nikolaos Ignatiadis, Stefan Wager|arXiv (Cornell University)|2019. 02. 07.

Statistical Methods in Clinical Trials참고 문헌 73인용 수 7

한 줄 요약

이 논문은 점 추정치가 천천히 수렴하는 경우에도 점 清진한 빈도주의 커버리지가 보장되는 편향 인식(confidence) 구간을 제안한다. 효과 크기 분포의 선형 함수에 대한 탈분산(deconvolution) 기반 접근을 통해 추정 편향을 고려함으로써, 다중 검정 설정에서 局부 거짓 기호 비율에 대한 정직한 추론을 가능하게 한다.

ABSTRACT

In an empirical Bayes analysis, we use data from repeated sampling to imitate inferences made by an oracle Bayesian with extensive knowledge of the data-generating distribution. Existing results provide a comprehensive characterization of when and why empirical Bayes point estimates accurately recover oracle Bayes behavior. In this paper, we develop confidence intervals that provide asymptotic frequentist coverage of empirical Bayes estimands. Our intervals include an honest assessment of bias even in situations where empirical Bayes point estimates may converge very slowly. Applied to multiple testing situations, our approach provides flexible and practical confidence statements about the local false sign rate. As an intermediate step in our approach, we develop methods for inference about linear functionals of the effect size distribution in the Bayes deconvolution problem that may be of independent interest.

연구 동기 및 목표

• 점 추정치가 천천히 수렴하는 경우에도 점 清진한 빈도주의 커버리지가 유지되는 경험 베이즈 추정량에 대한 신뢰구간을 개발하는 것.
• 약한 수렴 또는 느린 수렴 조건이 존재하는 설정에서 경험 베이즈 추론의 편향을 철저히 평가하는 것.
• 다중 검정 문제에서 국부적 거짓 기호 비율에 대한 실용적이고 융통성 있는 신뢰구간 진술을 가능하게 하는 것.
• 효과 크기 분포의 선형 함수에 대한 방법을 개발하여 베이즈 탈분산 문제에서 추론을 발전시키는 것.
• 편향을 명시적으로 모델링함으로써 경험 베이즈 추정과 빈도주의 유효성 간의 간극을 메우는 것.

제안 방법

• 이 방법은 효과 크기 분포에 대한 탈분산 프레임워크를 사용하여 경험 베이즈 점 추정치의 편향을 보정하는 방식으로, 보정된 신뢰구간을 구성한다.
• 효과 크기 분포를 혼합 모형으로 모델링하고, 이 분포의 선형 함수를 추정하여 추정량 내 편향을 정량화한다.
• 고차원 점근적 전개를 활용하여 간격 커버리지를 정밀화하는 편향 보정 기법을 적용한다.
• 관측된 데이터로부터 기저 효과 크기 분포를 복원하기 위해 비모수적 탈분산 추정기를 적용한다.
• 표본 변동성과 추정 편향을 모두 고려한 스튜던티즈드 퍼벗(pivot)을 사용하여 신뢰구간을 구성한다.
• 편향 보정 분산 추정기를 통해 간격 중심의 편향을 제어함으로써, 점 清진한 빈도주의 커버리지가 보장되도록 한다.

실험 결과

연구 질문

• RQ1 경험 베이즈 분석에서 점 추정치가 천천히 수렴할 경우, 어떻게 신뢰구간이 빈도주의 커버리지를 유지할 수 있는가?
• RQ2 편향은 경험 베이즈 설정에서 표준 신뢰구간의 유효성을 어떻게 약화시키는가?
• RQ3 표본 변동성과 추정 편향에 기인한 불확실성을 정직하게 반영하는 신뢰구간을 어떻게 구성할 수 있는가?
• RQ4 탈분산 프레임워크에서 효과 크기 분포의 선형 함수에 대해 어떻게 추론할 수 있는가?
• RQ5 제안된 방법은 다중 검정에서 국부적 거짓 기호 비율에 대한 추론을 어느 정도 향상시킬 수 있는가?

주요 결과

• 제안된 신뢰구간은 경험 베이즈 점 추정치가 임의로 느리게 수렴하는 경우에도 점 清진한 빈도주의 커버리지를 달성한다.
• 이 방법은 철저하고 정직한 편향 평가를 제공하여, 느린 수렴 조건으로 인한 커버리지 손상이 발생하지 않도록 보장한다.
• 효과 크기 분포를 탈분산을 통해 모델링함으로써, 경험 베이즈 분석에서 핵심적인 선형 함수에 대한 추론이 가능해진다.
• 이 프레임워크는 다중 검정 응용에서 국부적 거짓 기호 비율에 대한 실용적인 신뢰구간 진술을 도출하여 해석 가능성을 높인다.
• 선형 함수에 대한 탈분산 기반 추론 방법은 별도의 관심 분야로서 경험 베이즈 설정 외부에도 적용 가능할 수 있다.
• 이 방법은 편향 보정을 간격 구성에 통합함으로써 경험 베이즈 추정과 빈도주의 유효성 간의 성공적인 다리를 놓는 데 기여한다.