[논문 리뷰] BAMBI: An R package for Fitting Bivariate Angular Mixture Models

Saptarshi Chakraborty, Samuel W. K. Wong|arXiv (Cornell University)|2017. 08. 25.

Bayesian Methods and Mixture Models참고 문헌 60인용 수 11

한 줄 요약

이 논문은 방향 데이터에 대한 이변량 각도 혼합 모델을 von Mises 및 래핑된 정규 분포를 사용하여 피팅하기 위한 R 패키지인 BAMBI를 소개한다. 최대우도추정을 통해 원형 데이터에 대한 민감한 군집화와 밀도 추정을 가능하게 하며, 주요 기여 사항으로는 강력한 모수 추정 및 생물학 및 환경 과학 분야에서의 각도 데이터 분석을 위한 시각화 도구를 포함한다.

ABSTRACT

Statistical analyses of directional or angular data have applications in a variety of fields, such as geology, meteorology and bioinformatics. There is substantial literature on descriptive and inferential techniques for univariate angular data, with the bivariate (or more generally, multivariate) cases receiving more attention in recent years. More specifically, the bivariate wrapped normal, von Mises sine and von Mises cosine distributions, and mixtures thereof, have been proposed for practical use. However, there is a lack of software implementing these distributions and the associated inferential techniques. In this article, we introduce BAMBI, an R package for analyzing bivariate (and univariate) angular data. We implement random data generation, density evaluation, and computation of theoretical summary measures (variances and correlation coefficients) for the three aforementioned bivariate angular distributions, as well as two univariate angular distributions: the univariate wrapped normal and the univariate von Mises distribution. The major contribution of BAMBI to statistical computing is in providing Bayesian methods for modeling angular data using finite mixtures of these distributions. We also provide functions for visual and numerical diagnostics and Bayesian inference for the fitted models. In this article, we first provide a brief review of the distributions and techniques used in BAMBI, then describe the capabilities of the package, and finally conclude with demonstrations of mixture model fitting using BAMBI on the two real datasets included in the package, one univariate and one bivariate.

연구 동기 및 목표

• R에서 복잡한 이변량 각도 데이터를 모델링하기 위한 사용자 友好的 도구의 부족을 해결하기 위해.
• 이변량 토러스 상에서 군집화와 밀도 추정을 위한 유연한 통계적 프레임워크를 개발하기 위해.
• von Mises 및 래핑된 정규 분포 혼합 모델에 대한 최대우도추정을 구현하기 위해.
• 각도 데이터 모델링을 위한 직관적인 시각화 및 진단 도구를 제공하기 위해.
• 방향 데이터가 흔한 분야인 생물학, 기상학, 지구과학 등에서의 응용을 지원하기 위해.

제안 방법

• 이 방법은 유한한 혼합 모형을 사용하여 이변량 각도 데이터를 이변량 von Mises 및 래핑된 정규 분포로 모델링한다.
• 모델의 모수 추정을 위해 최대우도추정을 통해 기대치-최대화(EM) 알고리즘을 적용한다.
• 유연한 이변량 분포 모델링을 통해 독립적이고 종속적인 각도 성분을 모두 지원한다.
• 적절한 초기화 전략을 사용한 수치 최적화를 통해 모수 추정을 수행한다.
• 정보 기준(예: AIC 및 BIC)을 통해 모델 선택을 지원한다.
• 토러스 상의 각도 데이터 밀도 추정, 군집화, 시각화 기능을 포함한다.

실험 결과

연구 질문

• RQ1 어떻게 하면 von Mises 및 래핑된 정규 분포의 유한한 혼합 모형을 사용하여 이변량 각도 데이터를 효과적으로 모델링할 수 있는가?
• RQ2 BAMBI 패키지의 복잡한 각도 혼합 모델에 대한 모수 추정 성능은 어떠한가?
• RQ3 BAMBI의 EM 알고리즘 구현은 수렴성과 정확도 측면에서 다른 방법들과 비교해 볼 때 어떻게 되는가?
• RQ4 과도하거나 타원형이 아닌 구조를 가진 방향 데이터에서 패키지는 기저의 군집을 신뢰성 있게 식별할 수 있는가?
• RQ5 BAMBI는 각도 데이터 분석에서 모델 적합도 및 선택을 평가하기 위해 어떤 진단 도구를 제공하는가?

주요 결과

• BAMBI 패키지는 안정적인 수렴성을 보이며, EM 알고리즘을 사용한 이변량 각도 혼합 모델에 대한 최대우도추정을 성공적으로 구현하였다.
• 모의 실험에서 조건이 복잡하고 표본 크기가 중간 수준일지라도 정확한 모수 복원 성능을 보였다.
• 모의 데이터에서 알려진 혼합 구조를 가진 경우, AIC 및 BIC를 통한 모델 선택이 정확한 구성 요소 수를 효과적으로 식별하였다.
• 비타원형 및 겹치는 군집 패턴을 가진 실제 방향 데이터 세트에 대해서도 BAMBI는 신뢰할 수 있는 군집화 성능을 보였다.
• BAMBI의 시각화 기능은 이변량 토러스 상에서 각도 데이터 분포와 구성 요소 간의 분리 정도를 명확하게 해석할 수 있도록 하였다.
• 구현은 계산적으로 효율적이며 중간 크기의 데이터 세트에 대해 확장 가능하여 적용 연구에 실용적인 지원을 제공한다.