[논문 리뷰] Efficient and Robust Estimation for a Class of Generalized Linear Longitudinal Mixed Models

René Holst, Bent Jørgensen|arXiv (Cornell University)|2010. 08. 17.

Genetic and phenotypic traits in livestock참고 문헌 36인용 수 4

한 줄 요약

이 논문은 일반화된 선형 종단적 혼합 모형에 대해 계층적 곱셈 구조와 덧셈 분산 성분을 갖는 모형에서 계산적으로 효율적인 추정 방정식 방법을 제안한다. 이는 명시적 공분산 모형화와 잔차 최대우도 추정을 사용한다. 이 방법은 고차원 적분을 피하고, 회귀 및 연관성 파ameter에 대해 강건한 샌드위치 분산 추정을 가능하게 하며, 근사적 해석과 조건부 해석을 모두 유지한다.

ABSTRACT

We propose a versatile and computationally efficient estimating equation method for a class of hierarchical multiplicative generalized linear mixed models with additive dispersion components, based on explicit modelling of the covariance structure. The class combines longitudinal and random effects models and retains a marginal as well as a conditional interpretation. The estimation procedure combines that of generalized estimating equations for the regression with residual maximum likelihood estimation for the association parameters. This avoids the multidimensional integral of the conventional generalized linear mixed models likelihood and allows an extension of the robust empirical sandwich estimator for use with both association and regression parameters. The method is applied to a set of otolith data, used for age determination of fish.

연구 동기 및 목표

• 이론적 일반화된 선형 혼합 모형이 우도 추정에서 다차원 적분에 의존하는 계산적 부담을 해결하기 위해.
• 일반화된 추정 방정식과 난수 효과 구조를 하나의 프레임워크에 통합하여 근사적 해석과 조건부 해석을 통합하기 위해.
• 확장된 경험적 샌드위치 추정기법을 통해 회귀 및 연관성 파ameter에 대한 강건한 추론을 가능하게 하기 위해.
• 계층적 분산 성분을 갖는 Tweedie 분포를 사용하여 비정규, 상관된 종단적 자료를 위한 민첩한 모형화 접근법을 제공하기 위해.
• 수치적 적분이 필요한 복잡한 계산을 피하기 위해 두차원 모멘트 가정과 뉴턴-스코링 알고리즘에 기반한 계산적으로 효율적인 방법을 개발하기 위해.

제안 방법

• 곱셈 평균 구조와 덧셈 분산 성분을 갖는 조건부 독립적인 Tweedie 분포를 사용하여 계층적 모형을 설정하기 위해.
• 클러스터 내 상관관계를 클러스터별 난수 효과에 적용된 선형 필터(예: MA(q) 또는 AR(1))로 정의된 정적 잠재 과정을 통해 모형화하기 위해.
• 연관성 파ameter에 대해 피어슨 추정 방정식을, 회귀 파am터에 대해 일반화된 추정 방정식을 사용하고, 이를 공동 추정 함수를 통해 통합하기 위해.
• Jørgensen와 Knudsen(2004)의 편향 보정 추정 방정식을 이용해 잔차 최대우도 추정을 통해 연관성 파am터를 추정하기 위해.
• 수치적 난수 효과 적분이 필요 없도록 추정 방정식을 해결하기 위해 효율적인 뉴턴-스코잉 알고리즘을 구현하기 위해.
• 모형 잘못 설정 하에서의 회귀 및 연관성 파am터의 점근적 분산을 고려하기 위해 경험적 샌드위치 추정기법을 확장하기 위해.

실험 결과

연구 질문

• RQ1 어떻게 종단적 혼합 모형에서 근사적 해석과 조건부 해석을 모두 유지하는 통합 프레임워크를 개발할 수 있는가?
• RQ2 GLMM에서 다차원 적분의 계산적 부담을 제거하면서도 추정 효율성을 유지할 수 있는가?
• RQ3 복잡한 공분산 구조를 갖는 계층 모형에서 연관성 파am터에 대한 강건한 분산 추정을 어느 정도까지 확장할 수 있는가?
• RQ4 기존의 작업 상관행렬을 사용하는 일반화된 추정 방정식(GEE)과 비교해 명시적 공분산 구조 모형화가 추정 효율성에 어떻게 기여하는가?
• RQ5 모형 잘못 설정 또는 비정규성 존재 시 유한 표본에서 제안된 방법의 성능은 어떠한가?

주요 결과

• 기존 GLMM에서 다차원 적분을 피하기 위해 공분산 구조의 명시적 두차원 모멘트 모형화를 사용함으로써 추정을 수행한다.
• 추정 절차는 회귀 파am터에 대해 일반화된 추정 방정식과 연관성 파am터에 대해 잔차 최대우도 추정을 결합하여 효율적이고 강건한 추론을 가능하게 한다.
• 강건한 경험적 샌드위치 추정기법이 성공적으로 확장되어 모형 잘못 설정 하에서의 회귀 및 연관성 파am터의 분산 추정을 향상시켰다.
• 뉴턴-스코잉 알고리즘이 빠르고 안정적인 수렴을 보장하여 대규모 데이터셋에서도 계산적으로 효율적인 방법이 되었다.
• 모형 프레임워크는 Tweedie 가족을 통해 계수 자료, 연속 자료, 제로 과잉 자료를 포함한 비정규 자료의 민첩한 모형화를 지원한다.
• 오로틸 데이터에 대한 적용은 어업 과학 분야에서 연령에 따른 성장 패턴 추정의 안정성과 해석 가능성에 대한 실용적 유용성을 입증하였다.