[논문 리뷰] Model-aware Quantile Regression for Discrete Data

Tullia Padellini, Håvard Rue|arXiv (Cornell University)|2018. 04. 10.

Neural Networks and Applications인용 수 4

한 줄 요약

이 논문은 이산 응답 변수(예: 포아송, 이항분포)에 대해 모델 인식형 분위수 회귀 방법을 제안한다. 이는 분포 특화의 연속적 보간을 통해 분위수 함수를 구성함으로써, 적절한 불확실성 정량화와 분위수 교차 문제를 완화한다. 이 방법은 진정한 응답 분포를 분위수 모델링 프레임워크에 통합하여, R-INLA를 통한 베이지안 추론이 가능하게 하고, 질병 맵핑 적용 분야에서의 해석 가능성과 강건성을 향상시킨다.

ABSTRACT

Quantile regression relates the quantile of the response to a linear predictor. For a discrete response distributions, like the Poission, Binomial and the negative Binomial, this approach is not feasible as the quantile function is not bijective. We argue to use a continuous model-aware interpolation of the quantile function, allowing for proper quantile inference while retaining model interpretation. This approach allows for proper uncertainty quantification and mitigates the issue of quantile crossing. Our reanalysis of hospitalisation data considered in Congdon (2017) shows the advantages of our proposal as well as introducing a novel method to exploit quantile regression in the context of disease mapping.

연구 동기 및 목표

• 계수 수치나 이항분포와 같은 이산 응답 변수에 표준 분위수 회귀를 적용할 때 발생하는 한계를 해결하기 위해.
• 포아송 및 이항분포와 같은 이산 분포에서 분위수 함수의 비단사성 및 비미분 가능성 문제를 극복하기 위해.
• 해석 가능성과 분포 가정을 유지하면서도 연속적이고 모델 인식형 보간을 수행하는 분위수 함수를 개발하기 위해.
• 이산 데이터를 위한 베이지안 분위수 회귀에서 적절한 불확실성 정량화를 보장하고 분위수 교차를 방지하기 위해.
• 생산 분포를 사용하여 링크 함수를 재정의함으로써 일반선형혼합모형 프레임워크를 분위수 회귀로 확장하기 위해.

제안 방법

• 진정한 이산 분포(예: 포아송, 이항분포)를 기반으로 연속적 보간을 수행하여 모델 인식형을 확보한다.
• 이산 분포의 누적분포함수(CDF)의 역함수를 사용하여 연속적 분위수 대체함수를 정의함으로써, 임의의 조작(저잡음)을 피한다.
• 분포 특화 링크 함수를 사용하여 분위수를 선형 예측자와 연결함으로써 분위수 회귀를 일반선형모형으로 재구성한다.
• 공간 효과에 대한 조건부자기회귀(CAR) 모델에서 정밀도 및 혼합 매개변수에 대해 페널라이즈드 복잡성(PC) 사전분포를 적용한다.
• 효율적인 베이지안 추론을 위해 R-INLA를 활용하며, 전체 사후분포를 활용하여 불확실성 정량화를 수행한다.
• 병원 입원 데이터에 이 방법을 적용하여 분위수별 상대위험도를 모델링하고, 초과확률을 통해 고위험 지역을 식별한다.

실험 결과

연구 질문

• RQ1 이산 분포에 대해 유효한 분위수 회귀를 가능하게 하기 위해 연속적이고 모델 인식형 보간을 수행할 수 있는 분위수 함수를 구성할 수 있는가?
• RQ2 저잡음이나 가짜 우도에 의존하지 않고도 이산 데이터를 위한 분위수 회귀에서 적절한 불확실성 정량화를 달성할 수 있는가?
• RQ3 제안된 방법이 이산 응답 설정에서 분위수 교차 문제를 어느 정도 완화하는가?
• RQ4 제안된 프레임워크는 일반선형혼합모형(GLMM) 프레임워크에 통합될 수 있는가? 이를 통해 분위수 회귀를 기존 우도 기반 모델과 통합할 수 있는가?
• RQ5 모델 인식형 접근법은 점추정 기반 방법에 비해 질병 맵핑에서 고위험 지역 탐지에 있어 얼마나 향상되는가?

주요 결과

• 모델 인식형 보간은 저잡음의 단점들을 피하면서도 이산 데이터에 대한 분위수 회귀를 성공적으로 가능하게 하기 위해 연속적이고 분포 특화의 분위수 대체함수를 구성한다.
• 전체 사후 추론을 통해 적절한 불확실성 정량화를 제공하며, 초과확률 계산을 통해 고위험 지역을 식별할 수 있다.
• 진짜 데이터 생성 분포를 모델 구조에 통합함으로써 분위수 교차 문제를 완화한다.
• 병원 입원 데이터의 재분석에서 빈곤은 자살률에 일관되게 부정적인 영향을 미치며, 중앙분위수에서 사후 평균 계수는 1.981로 나타났다.
• 농촌 거주 여부는 입원 위험도와 관련이 있으며, 사후 평균 계수는 -0.814로 보호 효과를 나타낸다.
• 첫 번째 분위수 상대위험도에 대해 초과확률(예: Pr(θ_i^0.25 > 1) > 0.95)을 사용함으로써 점추정 기반 방법에 비해 고위험 지역 탐지 능력이 향상되었다.