[논문 리뷰] Marginally Interpretable Linear Transformation Models for Clustered Observations

Torsten Hothorn|arXiv (Cornell University)|2019. 10. 21.

Statistical Methods and Bayesian Inference참고 문헌 37인용 수 4

한 줄 요약

이 논문은 군집화된 데이터를 위한 두 가지 새로운 선형 변환 모델을 제안하며, 마진 모델과 공동 다변량 정규 분포 상관관계를 결합하여 매개변수의 직접적인 해석 가능성을 유지하면서도 다양한 반응 유형—이진, 순서형, 생존 결과 등—에 대한 민감한 모델링을 가능하게 한다. 이는 다섯 가지 실제 적용 사례에서 분석적 타당성과 마진 해석 가능성을 유지한다.

ABSTRACT

Clustered observations are ubiquitous in controlled and observational studies and arise naturally in multicenter trials or longitudinal surveys. I present two novel models for the analysis of clustered observations where the marginal distributions are described by a linear transformation model and the correlations by a joint multivariate normal distribution. Both models provide analytic formulae for the marginal distributions, one of which features directly interpretable parameters. Owing to the richness of transformation models, the techniques are applicable to any type of response variable, including bounded, skewed, binary, ordinal, or survival responses. I present re-analyses of five applications from different domains, including models for non-normal and discrete responses, and explain how specific models for the estimation of marginal distributions can be defined within this novel modelling framework and how the results can be interpreted in a marginal way.

연구 동기 및 목표

• 다중센터 임상시험과 종단적 연구에서 비정규, 이산형 또는 케일링된 반응이 존재하는 군집 관측치를 분석하는 데 도전하는 것.
• 분석적 타당성을 확보하면서도 마진 효과에 대한 직접적인 해석 가능한 매개변수를 제공하는 모델을 개발하는 것.
• 변환 모델의 유연성을 이용하여 경계가 있는, 왜곡된, 이진형, 순서형, 생존 반응을 통합된 프레임워크 내에서 처리할 수 있도록 하는 것.
• 다양한 분야에서의 실제 데이터 셋 다섯 개를 재분석하여 제안된 모델의 실용적 유용성을 입증하는 것.

제안 방법

• 응답 변수를 알려진 링크 함수를 통해 선형 예측자로 변환하는 선형 변환 모델을 사용하여 마진 분포를 설정한다.
• 잠재 변수에 대한 공동 다변량 정규 분포를 사용하여 군집 관측치 간의 의존 구조를 모델링한다.
• 가정된 변환 및 상관관계 구조 하에서 마진 분포에 대한 분석적 표현을 유도한다.
• 변환 함수를 통해 모델 계수를 마진 효과에 직접 연결함으로써 매개변수의 해석 가능성을 확보한다.
• 마진 분포에 대한 닫힌 형태의 표현을 활용하여 전체 우도 추정을 수행한다.
• 적절한 변환 함수를 선택함으로써 다양한 반응 유형에 적용한다 (예: 이진형에 대해 로짓, 순서형에 대해 프로비트, 생존에 대해 로그).

실험 결과

연구 질문

• RQ1 복잡한 상관관계를 가진 군집 데이터를 다룰 수 있도록 선형 변환 모델을 어떻게 적응시킬 수 있는가? 이때 마진 해석 가능성을 유지할 수 있는가?
• RQ2 잠재 변수에 대해 공동 다변량 정규 분포를 사용할 경우, 마진 모델의 분석적 타당성과 해석 가능성에 어떤 영향을 미치는가?
• RQ3 제안된 프레임워크는 이진형, 순서형, 생존 반응을 포함한 다양한 반응 유형을 단일 통합 모델링 프레임워크 내에서 일관되게 모델링할 수 있는가?
• RQ4 실제 군집 데이터 적용 사례에서 기존 접근법과 비교해 볼 때 제안된 모델의 성능과 해석 가능성은 어떠한가?
• RQ5 군집 관측치의 맥락에서 모델 매개변수를 어떻게 직접적으로 마진 효과로 해석할 수 있는가?

주요 결과

• 제안된 모델은 마진 분포에 대한 분석적 공식을 제공하여 시뮬레이션 또는 근사 없이 정확한 추론이 가능하다.
• 두 모델 중 하나는 직접 해석 가능한 매개변수를 갖추고 있어 회귀 계수의 마진 해석이 간편하다.
• 프레임워크는 경계가 있는, 왜곡된, 이진형, 순서형, 생존 반응을 포함한 광범위한 반응 유형을 단일 일관된 구조 내에서 성공적으로 모델링한다.
• 다양한 분야에서의 다섯 개 실제 데이터셋 재분석 결과, 모델의 유연성과 실용적 유용성이 다양한 데이터 유형에서 입증된다.
• 마진 우도의 분석적 형태 덕분에 계산 효율성이 유지되어 군집 설정에서 신뢰할 수 있는 추정이 가능하다.
• 비정규 또는 이산형 데이터 분포일지라도 일관된 마진 효과 해석이 가능하다.