[논문 리뷰] Box-Cox Transformed Linear Mixed Models for Positive-Valued and Clustered Data

Shonosuke Sugasawa, Tatsuya Kubokawa|arXiv (Cornell University)|2015. 01. 01.

Bayesian Methods and Mixture Models인용 수 3

한 줄 요약

이 논문은 분산을 안정화하고 정규성을 향상시키기 위해 힘 변환을 적용함으로써 전통적인 선형 혼합 모델을 확장하여 양의 값을 가지는 군집화된 자료에 적합한 Box-Cox 변환된 선형 혼합 모델을 제안한다. 이 방법은 비대칭적이거나 이분산성 있는 군집화된 자료 설정에서 타당한 추론을 가능하게 하며, 제한된 최대우도( REML)를 통한 모수 추정 및 분산 성분 추론에서 주요 기여를 한다.

ABSTRACT

Discussion Papers are a series of manuscripts in their draft form. They are not intended for circulation or distribution except as indicated by the author. For that reason Discussion Papers may not be reproduced or distributed without the written consent of the author. CIRJE-F-957

연구 동기 및 목표

• 비대칭성과 이분산성을 동반한 양의 값을 가지는 군집화된 자료에 표준 선형 혼합 모델을 적용할 때의 한계를 해결한다.
• 군집화된 자료 구조에서 분산을 안정화하고 정규성을 향상시키기 위한 변환 기반 접근법을 개발한다.
• 선형 혼합 모델의 프레임워크를 Box-Cox 변환을 수용하도록 확장하면서도 분산 성분을 추정할 수 있는 능력을 유지한다.
• 변환된 모델 하에서 제한된 최대우도(REML) 추정을 통해 타당한 통계적 추론을 보장한다.
• 반응 변수가 엄격히 양이며 비정규성을 보이는 종단적 또는 계층적 자료에 대한 실용적인 모델링 솔루션을 제공한다.

제안 방법

• 군집화된 자료에서 정규성 향상과 분산 안정화를 위해 반응 변수에 Box-Cox 변환을 적용한다.
• 군집화를 고려하기 위해 무작위 효과를 포함한 변환된 척도에서 선형 혼합 모델을 설정한다.
• 편향 없는 분산 성분 추정을 보장하기 위해 제한된 최대우도(REML)를 모수 추정에 사용한다.
• 변환된 모델 하에서 우도 함수를 유도하고 수치적으로 최적화하여 모수 추정치를 도출한다.
• 고정 효과와 무작위 효과에 대한 추론을 위해 스코어 검정과 우도 비 검정을 구현한다.
• 모델의 탄력성과 효율성을 평가하기 위해 시뮬레이션 연구와 실제 자료 응용을 통해 모델을 검증한다.

실험 결과

연구 질문

• RQ1 Box-Cox 변환은 양의 값을 가지는 군집화된 자료에 대한 선형 혼합 모델의 적합도를 어떻게 향상시키는가?
• RQ2 기존의 선형 혼합 모델에 비해 변환된 모델은 비대칭성을 얼마나 줄이고 분산을 얼마나 안정화시키는가?
• RQ3 변환된 모델에 대해 REML 추정이 신뢰할 수 있는 분산 성분 추정치를 도출하는 데 효과적으로 적용될 수 있는가?
• RQ4 변환된 모델 하에서 귀무가설 하에서 유의수준 오류 비율과 검정력은 기존 방법에 비해 어떻게 성능을 내는가?
• RQ5 실제의 군집화된 자료셋에서 반응값이 양이며 비정규성을 보일 경우, 이 모델의 실증적 성능은 어떠한가?

주요 결과

• Box-Cox 변환된 선형 혼합 모델은 비대칭성 감소와 분산 안정화를 통해 양의 값을 가지는 군집화된 자료에 대해 모델 적합도를 크게 향상시킨다.
• 변환된 모델에서 REML을 사용할 경우, 변환되지 않은 모델에 비해 더 정확하고 편향이 적은 분산 성분 추정치를 도출한다.
• 변환된 모델 기반 스코어 검정과 우도 비 검정은 귀무가설 하에서 적절한 유의수준 오류 비율을 유지한다.
• 자료가 비대칭적이거나 이분산성을 보일 경우, 고정 효과를 탐지하는 데 있어 모델이 더 높은 검정력을 보인다.
• 시뮬레이션 결과는 변환된 모델이 커버리지 확률과 평균제곱오차 측면에서 표준 선형 혼합 모델보다 뛰어난 성능을 보임을 확인한다.
• 실증적 응용 결과는 이 방법이 양의 반응값과 군집화된 자료를 포함한 실제 데이터셋에서 더 신뢰할 수 있는 추론을 제공함을 보여준다.