[논문 리뷰] A nonparametric Bayesian test of dependence

Yimin Kao, Brian J. Reich외 1명|arXiv (Cornell University)|2015. 01. 28.

Bayesian Methods and Mixture Models참고 문헌 22인용 수 3

한 줄 요약

이 논문은 귀무가설(독립성)과 대립가설(의존성) 하에서 딜리클 유사분포 혼합(DPM) 사전분포를 사용하여 두 변수군 간의 의존성에 대한 비모수 베이지안 검정을 제안한다. 이 검정은 역전이 마르코프 체인 몬테카를로(RJ-MCMC)를 통해 대립가설의 사후확률을 계산하며, 기존 방법들과 비교해 선형 및 복잡한 비선형 의존성 모두를 탐지하는 데 뛰어난 검정력(유의력)을 보이며, 특히 기존에 탐지하지 못했던 의존성 구조를 식별할 수 있는 유전자 발현 데이터 분석에서 유용하다.

ABSTRACT

In this article, we propose a new method for the fundamental task of testing for dependence between two groups of variables. The response densities under the null hypothesis of independence and the alternative hypothesis of dependence are specified by nonparametric Bayesian models. Under the null hypothesis, the joint distribution is modeled by the product of two independent Dirichlet Process Mixture (DPM) priors; under the alternative, the full joint density is modeled by a multivariate DPM prior. The test is then based on the posterior probability of favoring the alternative hypothesis. The proposed test not only has good performance for testing linear dependence among other popular nonparametric tests, but is also preferred to other methods in testing many of the nonlinear dependencies we explored. In the analysis of gene expression data, we compare different methods for testing pairwise dependence between genes. The results show that the proposed test identifies some dependence structures that are not detected by other tests.

연구 동기 및 목표

• 선형 및 비선형 연관성을 모두 탐지할 수 있는 영향력 있는 비모수 베이지안 의존성 검정을 개발하기 위해.
• 카이제곱검정과 훌딩의 검정과 같은 전통적 검정 방법들이 데이터 분할에 민감하거나 복잡한 의존성에 대해 검정력이 떨어지는 점을 해결하기 위해.
• 거리 상관계수와 최대 정보 계수와 같은 기존 비모수 검정을 향상시키기 위해, 귀무가설과 대립가설 모두에서 비모수 사전분포를 포함한 완전한 베이지안 모델링을 통합하기 위해.
• 특히 유전체학 및 기능적 연결성 연구에서 고차원 데이터에서의 의존성 탐지에 강건한 성능을 보장하기 위해.
• 일관된 베이지안 프레임워크 내에서 의존성에 대한 증거를 정량화할 수 있는 사후확률 기반 검정을 제공하기 위해.

제안 방법

• 귀무가설 하에서 두 변수군의 응답 밀도를 각각 독립적인 딜리클 유사분포 혼합(DPM) 사전분포의 곱으로 모델링한다.
• 대립가설 하에서 다변량 DPM 사전분포를 사용하여 복잡하고 인과분해 불가능한 의존성 구조를 허용하는 공동밀도를 모델링한다.
• 다양한 차원 구조에 걸쳐 모델 공간 탐색이 가능한 역전이 마르코프 체인 몬테카를로(RJ-MCMC)를 사용하여 대립가설의 사후확률을 계산한다.
• DPM의 농도 매개변수에 비정보 사전분포를 설정하여 객관적인 추론을 보장한다.
• 대립모형의 사후오즈 기반으로 검정통계량을 계산하며, 유의성은 사후확률 임계값을 통해 평가한다.
• 각 데이터셋에 대해 귀무가설 하에서 300개의 순열 표본을 사용하여 제1종 오류율을 제어하며, 이는 다른 비모수 검정과 일관된다.

실험 결과

연구 질문

• RQ1 비모수 베이지안 접근법이 두 변수군 간의 선형 및 비선형 의존성을 탐지하는 데 있어 기존의 전통적 및 현대 비모수 검정보다 뛰어나게 성능을 발휘할 수 있는가?
• RQ2 거리 상관계수와 HHG와 같은 기존 검정의 p-값과 비교해, 대립가설의 사후확률은 다양한 의존성 구조에서 어떻게 달라지는가?
• RQ3 제안된 검정은 유전자 발현 프로파일과 같은 고차원 데이터에서 복잡한 비선형 의존성 패턴을 얼마나 잘 탐지할 수 있는가?
• RQ4 귀무가설과 대립가설 모두에서 비모수 베이지안 모델링을 사용할 경우, 파라미터적 또는 준모수적 대안에 비해 탐지력이 향상되는가?
• RQ5 의존성이 미세하거나 비선형인 실제 유전체 데이터에서 이 검정은 어떻게 성능을 발휘하는가?

주요 결과

• 모의실험 시나리오 전반에서 피어슨 상관계수, 스피어만 순위상관계수, 카이제곱검정, 훌딩의 검정, 거리 상관계수, HHG와 비교해 선형 및 비선형 의존성을 탐지하는 데 더 높은 통계적 검정력을 확보하였다.
• 유전자 발현 데이터 분석에서, 이 검정은 모든 다른 방법들이 놓친 쌍별 유전자 의존성 구조를 식별하여, 복잡한 비선형 관계에 대한 민감도를 입증하였다.
• 대립가설의 사후확률은 p-값 기반 접근법보다 더 일관되고 해석 가능한 의존성에 대한 증거 측도를 제공하였으며, 미세한 연관성을 탐지하는 데 뛰어났다.
• 단조성, 원형, 이차관계 등 다양한 의존성 구조에서 뛰어난 성능을 보였으며, 전통적 검정 방법이 종종 실패하는 상황에서도 유사한 결과를 도출하였다.
• 역전이 마르코프 체인 몬테카를로(RJ-MCMC)의 사용으로 모델 공간의 효율적 탐색이 가능하여, 고차원 환경에서도 사후모형확률의 정확한 계산이 가능하였다.
• 귀무가설 하에서 300개의 순열 표본을 사용하여 평가한 결과, 유의수준 0.05에서 제1종 오류율이 적절히 제어되었다.