[논문 리뷰] Inferential models and possibility measures

Chuanhai Liu, Ryan Martin|arXiv (Cornell University)|2020. 08. 16.

Bayesian Modeling and Causal Inference참고 문헌 43인용 수 6

한 줄 요약

이 논문은 무작위 집합의 기술적 복잡성을 피하면서도 핵심적인 타당성 성질을 유지하는, 가능성 측도 기반의 단순화된 추론 모델(IM) 공식화를 제시한다. 중첩된 무작위 집합(가능성 측도에 해당)을 활용함으로써, 타당하고 빈도에 따라 校정된 불확실성 측정을 달성하며, 더 나은 해석 가능성과 계산의 용이성을 제공하여 베이지안 및 흔히 쓰이는 방법에 대한 강력한 대안을 제공한다.

ABSTRACT

The inferential model (IM) framework produces data-dependent, non-additive degrees of belief about the unknown parameter that are provably valid. The validity property guarantees, among other things, that inference procedures derived from the IM control frequentist error rates at the nominal level. A technical complication is that IMs are built on a relatively unfamiliar theory of random sets. Here we develop an alternative -- and practically equivalent -- formulation, based on a theory of possibility measures, which is simpler in many respects. This new perspective also sheds light on the relationship between IMs and Fisher's fiducial inference, as well as on the construction of optimal IMs.

연구 동기 및 목표

• 통계적 추론에서의 합의 부족 문제를 해결하기 위해 타당하고 빈도에 따라 校정된 불확실성 평가를 보장하는 프레임워크를 제안하는 것.
• 원래의 추론 모델(IM) 프레임워크에서 무작위 집합의 기술적 복잡성을 극복하기 위해 가능성 측도에 기반한 더 단순하고 동치인 공식화를 도입하는 것.
• 가능성 이론의 시각에서 IM과 페셔의 민감도 추론 사이의 관계를 명확히 하는 것.
• 특히 효율성과 특이성에 중점을 두어 가능성 측도를 사용한 최적의 IM을 구축하기 위한 기반을 마련하는 것.
• 스parser나 부드러움과 같은 구조적 가정이 있는 현대적 고차원 통계 문제에서 부정확한 확률이 어떻게 기능하는지 조사하는 것.

제안 방법

• 중첩된 무작위 집합이 가능성 측도에 해당함을 활용하여, 무작위 집합 대신 가능성 측도를 사용해 추론 모델(IM) 프레임워크를 재구성하는 것.
• 가능성 윤곽선을 실수값 함수로 정의하여 가능성 할당을 표현함으로써, 복잡한 집합 함수 표현 방식을 대체하는 것.
• 레벨 집합에 대한 확률 할당에 기반한 가능성 측도의 신뢰 집합 특성화를 사용하여, 타당성 성질이 유지됨을 보장하는 것.
• 이론적 증명을 통해 원래의 IM 구성과 새로운 가능성 측도 기반 공식화 사이의 동치성을 확립하는 것.
• Martin과 Liu(2015a, 2015c)에서 제안한 차원 감소 기법을 가능성 측도 프레임워크 내에서 적용하여 효율성을 향상시키는 것.
• 오차가 있는 변수 모델을 포함한 두 가지 예시를 통해 가능성을 윤곽선을 통해 타당하고 유계가 아닌 신뢰 구간을 도출할 수 있음을 보여주는 것.

실험 결과

연구 질문

• RQ1 추론 모델 프레임워크가 타당성을 유지하면서도 구현을 단순화하기 위해 가능성 측도 기반으로 재구성될 수 있는가?
• RQ2 가능성 측도 기반 IM은 특히 잘못된 진술을 평가할 때 베이지안 추론과 비교해 얼마나 잘못된 확신(false confidence)을 보이는가?
• RQ3 IM의 타당성 성질과 가능성 측도의 본질적 구조 사이의 관계는 무엇인가?
• RQ4 특히 부수적 변수가 존재할 경우 가능성 측도를 사용해 IM의 최적성은 어떻게 향상시킬 수 있는가?
• RQ5 가능성 측도를 사용해 구조적 가정(예: 희박성)과 데이터를 융합할 수 있는가, 특히 고차원 설정에서 타당성이 유지되는가?

주요 결과

• 가능성 측도 기반의 추론 모델 공식화는 원래의 무작위 집합 기반 IM 프레임워크와 수학적으로 동치이며, 타당성 성질을 유지한다.
• 가능성 윤곽선을 통해 표현된 IM의 믿음 할당은 분포 함수 그림에서 대각선 위에 엄격히 위치해 있어 타당성을 확인하고 잘못된 확신을 방지한다.
• 반면, 베이지안 사후분포는 95%의 경우에서 잘못된 진술(φ ≤ 9)에 대해 높은 확률을 할당하여 심각한 잘못된 확신을 보이며 신뢰성 결여를 드러낸다.
• 가능성 측도 공식화는 비가산 집합 함수를 일반적인 함수(가능성 윤곽선)로 대체함으로써 계산과 해석을 단순화한다.
• 이 방법은 차원 감소 기법을 자연스럽게 통합하여 효율성을 향상시키지만 타당성은 손상시키지 않는다.
• 가능성 측도는 타당성 성질과 본질적으로 연결되어 있어 신뢰할 수 있는 통계적 추론에서 핵심적인 역할을 한다는 것을 시사한다.