[논문 리뷰] Deviance Information Criteria for Model Selection in Approximate Bayesian Computation

Olivier François, Guillaume Laval|arXiv (Cornell University)|2011. 05. 02.

Bayesian Methods and Mixture Models참고 문헌 40인용 수 4

한 줄 요약

이 논문은 Approximate Bayesian Computation (ABC)에서 모델 선택을 위한 후행 예측 분포 기반의 편차 정보 기준(DIC)을 제안하며, 모델 확률 추정과 후행 예측 검증 간의 일관성 문제를 다룹니다. 회귀 조정을 거친 ABC 표본을 사용해 편차를 근사화함으로써, 전통적인 ABC 모델 선택에 의존하지 않는 신뢰할 수 있는, 가능도 기반의 대안을 제공합니다.

ABSTRACT

Approximate Bayesian computation (ABC) is a class of algorithmic methods in Bayesian inference using statistical summaries and computer simulations. ABC has become popular in evolutionary genetics and in other branches of biology. However model selection under ABC algorithms has been a subject of intense debate during the recent years. Here we propose novel approaches to model selection based on posterior predictive distributions and approximations of the deviance. We argue that this framework can settle some contradictions between the computation of model probabilities and posterior predictive checks using ABC posterior distributions. A simulation study and an analysis of a resequencing data set of human DNA show that the deviance criteria lead to sensible results in a number of model choice problems of interest to population geneticists.

연구 동기 및 목표

• ABC 기반 모델 선택에서 근사 후행 모델 확률과 후행 예측 검증 간의 일관성 문제를 해결합니다.
• 회귀 조정이 없는 거절 알고리즘 출력에 의존하는 표준 ABC 모델 선택의 한계를 극복합니다.
• 수정된 매개변수 추정과 일치하는 후행 예측 분포에 기반한 모델 선택 프레임워크를 개발합니다.
• 특히 복잡한 인구유전 모델에 대해 실용적이고 계산적으로 실행 가능한, 모델 확률 추정의 대안을 제공합니다.
• 시뮬레이션 연구와 실제 인간 게놈 데이터 분석을 통해 방법의 신뢰성을 입증합니다.

제안 방법

• 각 모델 하에서 요약 통계의 후행 예측 분포를 기반으로 근사 편차를 정의합니다.
• 매개변수 추정과 일관성을 확보하기 위해 후행 분포의 근사화를 향상시키기 위해 회귀 조정을 거친 ABC 표본을 사용합니다.
• 편차의 후행 예측 분포를 사용해 기대 편차와 편차 정보 기준(DIC)을 계산합니다.
• 모델의 주변 가능도 근사나 원시 거절 수에 의존하지 않고, 모델 간 비교를 위해 DIC를 적용합니다.
• 복잡한 모델에서 후행 예측 양상을 추정하기 위해 순차 몽테카를로 및 반복적 중요도 샘플링을 활용합니다.
• 핵심 매개변수(예: 네안데르탈 대체 비율)에 대한 다양한 사전 분포를 사용해 DIC 값 간 비교를 통해 방법을 검증합니다.

실험 결과

연구 질문

• RQ1 표준 후행 모델 확률이 후행 예측 검증과 일관성이 없을 때, DIC 기반 접근법이 ABC에서 모델 선택의 신뢰성을 향상시킬 수 있는가?
• RQ2 회귀 조정을 거친 ABC 표본을 사용할 경우, 원시 거절 기반 추정치에 비해 모델 선택의 신뢰성은 어떻게 향상되는가?
• RQ3 복잡한 인구 유전 모델과 복잡한 민족 기원 이력을 가진 현실적인 상황에서 제안된 편차 기준은 어느 정도 성능을 보이는가?
• RQ4 거절 및 순차 몽테카를로 방법을 포함한 다양한 ABC 알고리즘에서 DIC 접근법은 일관성을 유지하는가?
• RQ5 전통적인 후행 확률 기반 ABC 모델 선택이 놓치는 모델의 일관성 문제를 이 방법은 탐지할 수 있는가?

주요 결과

• 제안된 DIC 기반 모델 선택 방법은 특히 현대 인류에 의한 네안데르탈 대체 비율이 높은 상황에서 인구유전학적 문제에 대해 타당한 결과를 도출합니다.
• 네안데르탈 대체 비율 δ가 높은 경우, 기대 편차 D̄₁과 DIC₁이 서로 유사하게 나타나 모델의 안정성과 일관성을 시사합니다.
• 높은 δ와 낮은 네안데르탈 유전적 유입 수준을 가진 모델이 편차 기준에 의해 선호되며, 이는 Green 등(2010)의 결과와 일치합니다.
• 시뮬레이션 연구를 통해 편차 기반 접근법이 표준 ABC 모델 확률 추정에서 놓칠 수 있는 모델의 일관성 문제를 효과적으로 식별함을 입증했습니다.
• 이 방법은 조정되지 않은 후행 모델 확률에 의존하는 문제점을 피하고, 대신 회귀 보정을 거친 후행 예측 분포를 사용합니다.
• DIC 계산이 후행 예측 분포에 기반하므로, 이 방법은 거절, 회귀 조정, 순차 몽테카를로 방법을 포함한 모든 ABC 알고리즘에 적용 가능합니다.