[논문 리뷰] Posterior consistency for $n$ in the binomial $(n,p)$ problem with both parameters unknown - with applications to quantitative nanoscopy

Laura Fee Schneider, Johannes Schmidt-Hieber외 4명|arXiv (Cornell University)|2018. 09. 07.

Statistical Methods and Inference참고 문헌 50인용 수 4

한 줄 요약

이 논문은 표본 크기 $k \to \infty$ 일 때 $p \to 0$ 이고 $n \to \infty$ 인 영역에서 이항모수 $n$ 을 추정할 때, $n$ 과 $p$ 가 모두 미지인 상황에서 사후 일致성과 Bernstein-von Mises 정리를 확립한다. $n$ 을 위한 새로운 베이지안 추정량을 제안하고, 시뮬레이션과 슈퍼해상도 나노현미경에서의 실제 적용 사례에서 뛰어난 성능을 보였다.

ABSTRACT

Estimation of the population size $n$ from $k$ i.i.d. binomial observations with unknown success probability $p$ is relevant to a multitude of applications and has a long history. Without additional prior information this is a notoriously difficult task when $p$ becomes small, and the Bayesian approach becomes particularly useful. For a large class of priors, we establish posterior contraction and a Bernstein-von Mises type theorem in a setting where $p ightarrow0$ and $n ightarrow\infty$ as $k o\infty$. Furthermore, we suggest a new class of Bayesian estimators for $n$ and provide a comprehensive simulation study in which we investigate their performance. To showcase the advantages of a Bayesian approach on real data, we also benchmark our estimators in a novel application from super-resolution microscopy.

연구 동기 및 목표

• 이항모수 $(n,p)$ 에서 두 모수 모두가 미지이고 $p$ 가 작을 때의 인구 크기 $n$ 을 추정하는 도전적인 문제를 다루는 것.
• 표본 크기 $k \to \infty$ 일 때 $p \to 0$ 이고 $n \to \infty$ 인 점 渐진적 영역에서, 사후 수축과 Bernstein-von Mises 유형 결과와 같은 이론적 보장을 확립하는 것.
• 작은 $p$ 영역에서 강건한 성능을 보이는 $n$ 을 위한 새로운 베이지안 추정량의 개발.
• 저 $p$ 조건에서의 편향, 분산, 평균제곱오차를 기준으로 기존 방법과 비교한 포괄적인 시뮬레이션과 실세계 적용 사례를 통한 추정량 성능 평가.

제안 방법

• 저자들은 $n$ 과 $p$ 에 대한 광범위한 사전분포 클래스를 고려하고, $p \to 0$, $n \to \infty$, $k \to \infty$ 인 공동 점 渐진적 영역에서 사후 수축 속도를 도출한다.
• 정규성 조건이 만족될 경우, 사후 분포가 참값 주위에 파arametric 속도로 집중되는 Bernstein-von Mises 유형 정리를 확립한다.
• 관측치의 희박성($p$ 가 작을 때)에 적응할 수 있도록 설계된, 새로운 목적 기반 베이지안 추정량의 클래스를 제안한다.
• 고차원적이고 희박한 설정에서 $n$ 의 추정을 정규화하는 계층적 사전분포를 사용하여 추정량을 구성한다.
• 이론적 결과는 기존 방법과의 비교를 통해 편향, 분산, 평균제곱오차 측면에서 새로운 추정량의 성능을 평가하는 시뮬레이션 연구로 뒷받침된다.
• 이 방법은 희박하고 노이즈가 많은 영상 데이터에서 검출 가능한 분자 수($n$)를 추론해야 하는 정량적 나노현미경의 실제 데이터에 적용되었다.

실험 결과

연구 질문

• RQ1 표본 크기 $k \to \infty$ 일 때 $p \to 0$ 이고 $n$ 과 $p$ 가 모두 미지인 상황에서, $n$ 의 사후 분포가 참값으로 수렴하는 조건은 무엇인가?
• RQ2 $p \to 0$ 이고 $n \to \infty$ 인 희박한 영역에서, 이항모수 $(n,p)$ 모형에 대해 Bernstein-von Mises 정리를 확립할 수 있는가?
• RQ3 낮은 $p$ 조건에서의 빈도주의 성능 측면에서, 제안된 $n$ 의 베이지안 추정량은 기존 방법과 어떻게 비교되는가?
• RQ4 실세계 슈퍼해상도 현미경 데이터에서 새로운 추정량의 경험적 성능은 어떠한가?

주요 결과

• 표본 크기 $k \to \infty$ 일 때 $p \to 0$ 이고 $n \to \infty$ 인 조건에서, 광범위한 사전분포 클래스에 대해 $n$ 의 사후 수축이 확립되어 참 $n$ 에 대한 사후의 안정적 집중을 나타낸다.
• 희박한 영역에서 Bernstein-von Mises 유형 정리가 성립하여, $n$ 의 사후 분포가 역피셔 정보의 역수를 분산으로 가지는 점근적으로 정규분포를 이룬다.
• 제안된 베이지안 추정량은 시뮬레이션에서 뛰어난 성능을 보이며, 특히 빈도주의 추정량이 자주 실패하는 낮은 $p$ 설정에서 뛰어난 성능을 보였다.
• 새로운 추정량은 슈퍼해상도 현미경 응용에서 강건성과 정확성을 보였으며, 희박한 영상 데이터에서 발광 분자의 수를 성공적으로 복원하였다.
• 시뮬레이션 결과는 $p$ 가 매우 작고 $n$ 이 클 때조차도 추정량이 낮은 편향과 평균제곱오차를 달성함을 확인했다.
• 나노현미경에 대한 응용은 정량 생물영상에서 베이지안 프레임워크의 실용적 유용성을 보여주었다.