[논문 리뷰] EggCounts: a Bayesian hierarchical toolkit to model faecal egg count reductions

Craig Wang, Reinhard Furrer|arXiv (Cornell University)|2018. 04. 30.

Genetic and phenotypic traits in livestock참고 문헌 15인용 수 3

한 줄 요약

이 논문은 수의학 기생충학 분야에서 대변 기생충 계수 감소율(FECR)을 모델링하기 위해 스탠(Stan)으로 구현된 베이지안 계층적 도구킷인 R 패키지 eggCounts를 소개한다. 기존의 FECRT에 대한 한계를 보완하기 위해, 집합성, 표본 변동성, 제로-과잉, 소표본, 이상치 등을 감안한 감마-포isson 계층적 모델을 사용하며, 효율적인 MCMC 샘플링을 통해 신뢰할 수 있는 95% 신뢰구간과 비전문가 사용자에게 직관적인 출력을 제공한다.

ABSTRACT

This is a vignette for the R package eggCounts version 2.0. The package implements a suite of Bayesian hierarchical models dealing with faecal egg count reductions. The models are designed for a variety of practical situations, including individual treatment efficacy, zero inflation, small sample size (less than 10) and potential outliers. The functions are intuitive to use and their output are easy to interpret, such that users are protected from being exposed to complex Bayesian hierarchical modelling tasks. In addition, the package includes plotting functions to display data and results in a visually appealing manner. The models are implemented in Stan modelling language, which provides efficient sampling technique to obtain posterior samples. This vignette briefly introduces different models, and provides a short walk-through analysis with example data.

연구 동기 및 목표

• 낮은 전치료 기생충 계수, 높은 집합성, 제로-과잉 데이터, 소표본 크기에서 실패하는 전통적 FECRT의 한계를 해결한다.
• 복잡한 모델링 작업으로부터 비통계 전문가를 보호하면서도 방법론적 엄밀성을 확보하는 사용자 友好的 베이지안 프레임워크를 제공한다.
• 대변 기생충 계수의 생물학적 집합성(gamma 분포)과 표본 변동성(Poisson 분포)을 모두 모델링함으로써 추정의 신뢰성을 향상시킨다.
• 모든 후치료 기생충 계수가 0인 경우와 잠재적 이상치가 존재하는 도전적인 데이터 조건에서도 강건한 추론을 가능하게 한다. 이는 기존 방법이 처리할 수 없는 상황이다.
• 후처리 분포와 모델 수렴 상태를 시각화하는 직관적인 출력, 진단 도구 및 시각화 기능을 통해 해석을 용이하게 한다.

제안 방법

• 스탠 확률 프로그래밍 언어를 사용해 효율적인 해밀토니안 몬테카를로(HMC) 샘플링을 수행하는 베이지안 계층적 모델을 구현한다. 이는 No-U-Turn 샘플러(NUTS)를 통해 이루어진다.
• 대변 기생충 계수를 감마-포isson 계층적 구조로 모델링한다: 감마 분포는 개체 간 집합성을, 포아송 분포는 표본 변동성을 각각 반영한다.
• 개별 치료 효과를 고려하기 위해 각 개체의 감소 비율 파라미터(delta)를 허용하며, 베타 사전분포를 사용해 개체 수준의 치료 효과를 추정할 수 있다.
• 제로-과잉 데이터를 처리하기 위해 초과된 0의 혼합 성분을 모델에 추가함으로써, 기생충이 관찰되지 않는 후치료 표본에서 정확도를 향상시킨다.
• 소표본 크기(n < 10)를 지원하기 위해 강건한 사전분포와 모델 구조를 활용해 과적합을 줄이고 사후 정밀도를 향상시킨다.
• 잠재 척도 감소 요인(R-hat < 1.1)과 트레이스 플롯과 같은 진단 체크를 자동으로 통합하여 MCMC 수렴 상태를 평가한다.

실험 결과

연구 질문

• RQ1 베이지안 계층적 모델은 기존 FECRT에 비해 저계수 또는 고집합성 상황에서 대변 기생충 계수 감소율(FECR) 추정을 어떻게 향상시킬 수 있는가?
• RQ2 감마-포아송 계층적 모델은 대변 기생충 계수 데이터에서 생물학적 집합성과 표본 변동성을 어느 정도 잘 반영하는가?
• RQ3 모든 후치료 계수가 0인 경우, 기존 방법이 실패하는 상황에서 패키지가 FECR를 신뢰성 있게 추정할 수 있는가?
• RQ4 표준 방법이 높은 분산과 낮은 커버리지 문제를 겪는 소표본 설정(n < 10)에서 모델의 효과는 어떠한가?
• RQ5 모델 진단 및 사후 예측 검증은 모델 적합도 평가와 잠재적 이상치 또는 사전-데이터 갈등 탐지에 어떻게 기여하는가?

주요 결과

• 모의 쌍체 데이터셋(15只, 진짜 감소율 90%)에서 모델은 중앙값 FECR 89.8%를 추정했으며, 95% 등분할 신뢰구간은 (83.4%, 94.1%)이었다.
• 진짜 감소율이 95% 미만일 확률은 99.25%로 추정되어, 치료 효과의 불확실성을 정량화하는 데서 모델의 능력을 입증했다.
• 모든 R-hat 값이 1.1 이하였기에 수렴하지 않은 증거가 없었으며, 2000회 반복, 1000회 워밍업 후 신뢰할 수 있는 MCMC 샘플링이 이루어졌음을 확인했다.
• 사후 트레이스 플롯과 밀도 플롯은 모델의 사전분포(예: 감소에 대해 Beta(1,1), 집합성에 대해 Gamma(1,0.7))가 데이터와 잘 일치하고 잘 校정되어 있음을 확인했다.
• 패키지는 제로-과잉 데이터와 소표본을 성공적으로 처리했으며, 높은 변동성과 낮은 전치료 계수를 가진 상황에서 기존 FECRT보다 뛰어난 성능을 보였다.
• 모델 출력은 직관적이며, 내장된 플로팅 기능을 통해 시각적으로 강화되어 있어, 깊은 통계 전문 지식 없이도 사용자가 결과에 자신감을 가질 수 있도록 했다.