[논문 리뷰] Weighted scores method for longitudinal ordinal data

Aristidis K. Nikoloulopoulos|UEA Digital Repository (University of East Anglia)|2015. 10. 26.

Advanced Statistical Methods and Models참고 문헌 39인용 수 3

한 줄 요약

이 논문은 종단적 순서형 자료에 대해 일반화된 추정방정식(GEE)의 대안으로 강력하고 효율적인 가중 점수 방법을 제안한다. 이는 순서형 반응을 이진 지표로 변환할 필요 없이, 이산화된 다변량 정규 작업 모델을 활용하여 계산 부담을 줄이고 복잡한 상관행렬을 피함으로써 고차원 설정에서 더 빠르고 안정적인 추정을 가능하게 한다.

ABSTRACT

Extending generalized estimating equations (GEE) to ordinal response data requires a conversion of the ordinal response to a vector of binary category indicators. That leads to a rather complicated association structure, and the introduction of large matrices when the number of categories and dimension of the cluster are large. To allow a richer specification of working correlation assumptions, we adopt the weighted scores method which is essentially an extension of the GEE approach, since it can also be applied to families that are not in the GLM class. The weighted scores method stems from the lack of a theoretically sound methodology for analyzing multivariate discrete data based only on moments up to second order and it is robust to dependence and nearly as efficient as maximum likelihood. There is no need to convert the ordinal response to binary indicators, thus the weight matrices have smaller dimensions and it is not necessary to guess the correlations of indicator variables for different categories. We focus on important issues that would interest the data analyst, such as choice of the structure of the correlation matrix and of explanatory variables, comparison of results obtained from our methods versus GEE, and insights provided by our method that would be missed with the GEE method. Our modelling framework is implemented in the package weightedScores within the open source statistical environment R.

연구 동기 및 목표

• 많은 카테고리를 가진 순서형 반응으로의 GEE 확장에서 발생하는 계산 비효율성과 복잡성을 해결하기 위해.
• 순서형 결과를 이진 지표로 변환할 필요를 제거함으로써 작업 상관행렬의 차원이 증가하는 문제를 해결하기 위해.
• 최대우도보다 거의 효율적이지만 GEE보다 더 확장 가능한, 두 번째 모멘트 기반의 강력한 방법을 제공하기 위해.
• 임상 평가 체계와 같이 고차원 클러스터나 많은 카테고리가 있는 종단적 순서형 자료에서 신뢰할 수 있는 추론을 가능하게 하기 위해.
• 수렴 문제와 느린 행렬 연산으로 어려움을 겪는 기존 GEE 접근법에 대한 실용적이고 계산 가능성을 확보한 대안을 제공하기 위해.

제안 방법

• 이 방법은 가중 점수 함수를 정의하기 위해 이산화된 다변량 정규 분포를 작업 모델로 사용한다.
• 모서리 분포와 이변량 연관성을 기반으로 점수 함수에 가중치를 적용하여, 이진 지표로의 변환 없이 추정 방정식을 구성한다.
• 가중치 행렬은 잠재변수 프레임워크 하에서 이변량 순서형 반응의 두 번째 모멘트에서 유도된다.
• 이 방법은 가중 추정 방정식을 풀어 회귀 및 연관성 파라미터를 추정하며, 분산-공분산 행렬은 경험적 샌드위치 추정기로 계산된다.
• 유연한 상관관계 구조 선택이 가능하며, 카테고리 수(K)와 클러스터 크기(d)가 큰 경우에도 효율적으로 작동한다.
• 실제 생물통계학 연구에의 응용을 위해 R 패키지 'weightedScores'에 구현되어 있다.

실험 결과

연구 질문

• RQ1 많은 카테고리가 있는 종단적 순서형 자료를 이진 지표로 변환하지 않고 효율적으로 모델링할 수 있는 방법은 무엇인가?
• RQ2 기존 GEE에 비해 가중 점수 방법이 순서형 반응에 대해 가지는 계산적 및 통계적 이점은 무엇인가?
• RQ3 기존 GEE 접근법과 비교해 볼 때, 이 방법의 추정 효율성과 수렴 성능은 어떻게 되는가?
• RQ4 고차원 설정에서 GEE가 놓치는 통찰을 가중 점수 방법이 제공할 수 있는가?
• RQ5 다양한 상관관계 구조 가정이 종단적 순서형 모델의 파라미터 추정과 추론에 미치는 영향은 무엇인가?

주요 결과

• 가중 점수 방법은 순서형 반응을 K−1개의 이진 지표로 변환할 필요가 없어져, 작업 상관행렬의 차원을 크게 줄인다.
• 카테고리 수 K나 클러스터 크기 d가 클 경우, 계산 속도 향상과 안정성이 뛰어나다.
• 진짜 분포가 잘못 지정되어도 두 번째 모멘트 가정 하에 일致하고 거의 효율적인 추정기를 제공한다.
• 의존성에 강건하며, 교환 가능 및 자기상관 구조를 포함한 다양한 상관관계 구조에서 양호한 성능을 유지한다.
• 실증적 비교 결과, 가중 점수 방법은 GEE와 유사한 추정치를 도출하지만 수렴 속도가 더 빠르고 계산 부담이 감소한다.
• R 패키지 'weightedScores'는 실용적 구현을 가능하게 하며, 변수 선택, AIC/BIC 기반 모델 비교, 상관관계 구조 선택을 지원한다.