[논문 리뷰] Up-and-Down and the Percentile-Finding Problem

Assaf P. Oron|ArXiv.org|2008. 08. 21.

Statistical Methods in Clinical Trials참고 문헌 57인용 수 10

한 줄 요약

이 논문은 k-in-a-row (KR) 변형이 단일 모드(stationary distribution)를 가지며, 수렴성과 정밀도 측면에서 다른 U&D 설계보다 뛰어나다는 것을 증명함으로써 백분위수 추정을 위한 업-앤타운(U&D) 설계를 발전시켰다. 중심화된 등급수정 회귀(CIR)와 자동 탐지 추정기(auto-detect estimator)를 도입하여 비모수적 추정을 수행하고, 구간 추정을 개발하며, U&D와 CRM의 장점을 융합한 하이브리드 베이지안 업-앤타운(BUD) 설계를 제안하여 CRM보다 더 뛰어난 내성적 성능을 확보하였다. 시뮬레이션 연구에서 U&D 및 CRM 성능를 유지하거나 초월하였다.

ABSTRACT

Up-and-Down (U&D) is a popular sequential design for estimating threshold percentiles in binary experiments. However, U&D application practices have stagnated, and significant gaps in understanding its properties persist. The first part of my work aims to fill gaps in U&D theory. New results concerning stationary distribution properties are proven. A second focus of this study is nonparametric U&D estimation. An improvement to isotonic regression called "centered isotonic regression" (CIR), and a new averaging estimator called "auto-detect" are introduced and their properties studied. Bayesian percentile-finding designs, most notably the continual reassessment method (CRM) developed for Phase I clinical trials, are also studied. In general, CRM convergence depends upon random run-time conditions -- meaning that convergence is not always assured. Small-sample behavior is studied as well. It is shown that CRM is quite sensitive to outlier sub-sequences of thresholds, resulting in highly variable small-sample behavior between runs under identical conditions. Nonparametric CRM variants exhibit a similar sensitivity. Ideas to combine the advantages of U&D and Bayesian designs are examined. A new approach is developed, using a hybrid framework, that evaluates the evidence for overriding the U&D allocation with a Bayesian one.

연구 동기 및 목표

• 업-앤타운(U&D) 설계 이론의 핵심 이론적 간극을 메우기 위해, 특히 정적 분포 성질과 수렴 행동에 관해.
• 중심화된 등급수정 회귀(CIR)와 자동 탐지 추정기를 도입함으로써 U&D의 비모수적 추정을 향상시키고, 이에 따른 구간 추정을 제공하기 위해.
• 지속적 재평가 방법(CRM) 설계의 수렴성과 소표본 행동을 철저히 분석하여, 보장된 수렴이라는 가정에 도전하기 위해.
• U&D와 CRM의 장점을 융합한 하이브리드 설계인 베이지안 업-앤타운(BUD)을 개발하여 내성적 성능과 추정 성능을 향상시키기 위해.
• 경계 효과와 실험적 변동성과 같은 실제 제약 조건 하에서 최적의 U&D 및 하이브리드 설계를 선택하는 데 실용적 지침을 제공하기 위해.

제안 방법

• k-in-a-row(KR) U&D 변형이 단일 모드 정적 분포를 가진다는 것을 증명하여 이전 문헌의 주장과 배치됨.
• 중심화된 등급수정 회귀(CIR)를 도입하여, 중심점 주변으로 추정치를 집결시켜 정밀도를 향상시키고 편향을 줄임.
• 자동 탐지 추정기를 개발하여 U&D 시퀀스의 반전을 적응적으로 평균화함으로써 추정 효율성을 향상시킴.
• 점근적 및 시뮬레이션 기반 방법을 사용하여 CIR 및 자동 탐지 추정기의 구간 추정 절차를 유도함.
• 베이지안 업-앤타운(BUD) 설계를 제안하여, 증거가 축적되면 U&D 할당을 베이지안 규칙으로 대체하는 하이브리드 프레임워크를 사용함.
• 시뮬레이션 연구와 안esthesiology 실험의 실제 데이터를 활용하여 다양한 임계값 분포와 표본 크기에서 성능을 평가함.

실험 결과

연구 질문

• RQ1 k-in-a-row(KR) U&D 설계는 단일 모드 정적 분포를 가지는가? 그리고 수렴 속도와 추정 정밀도 측면에서 다른 U&D 변형과 비교해 어떻게 성능을 내는가?
• RQ2 중심화된 등급수정 회귀(CIR)는 U&D 설계에서 비모수적 추정을 상당히 향상시킬 수 있는가? 이에 대한 이론적 성질은 무엇인가?
• RQ3 지속적 재평가 방법(CRM)의 진정한 소표본 행동은 무엇이며, 어떤 조건에서 최적의 복용량으로 수렴하는가?
• RQ4 제안된 BUD 하이브리드 설계의 성능은 독립적인 U&D 및 CRM 설계와 비교해 추정 정확도와 내성적 성능 측면에서 어떻게 되는가?
• RQ5 경계 효과와 이방성 시퀀스는 소표본에서 CRM 및 비모수적 CRM 변형의 신뢰성에 얼마나 큰 영향을 미치는가?

주요 결과

• k-in-a-row(KR) U&D 변형은 단일 모드 정적 분포를 가지며, Q₀.₃ 및 Q₀.₂와 같은 중앙값 이하 백분위수 추정에서 가장 빠른 수렴 속도와 가장 높은 정밀도를 보임.
• 중심화된 등급수정 회귀(CIR)는 특히 소표본 및 비균일 임계값 분포 조건에서 표준 등급수정 회귀보다 편향과 평균제곱오차(MSE)를 감소시킴.
• 자동 탐지 추정기는 정규 분포가 아닌 임계값 설정 조건에서 등급수정 회귀 및 반전 평균화 방법보다 더 뛰어난 추정 효율성 확보.
• CRM은 항상 최적 복용량으로 수렴하지 않으며, 수렴 성향은 랜덤한 실행 조건에 민감하고, 이방성 시퀀스로 인해 소표본 행동이 매우 다양함.
• BUD 하이브리드 설계는 추정 정밀도 측면에서 독립적인 U&D 및 CRM을 모두 능가하며, 소표본 변동성과 경계 효과에 대해 훨씬 더 강건함.
• 안esthesiology 실험에서 BUD는 런 간에 안정된 성능 유지를 유지한 반면, CRM과 CCD는 높은 런 간 변동성을 보였으며, 이는 하이브리드화의 유용성을 확인함.