[논문 리뷰] Bayesian Estimation of Kendall's tau Using a Latent Normal Approach

Johnny van Doorn, Alexander Ly외 2명|UvA-DARE (University of Amsterdam)|2017. 03. 06.

Advanced Statistical Methods and Models참고 문헌 14인용 수 4

한 줄 요약

이 논문은 켄달의 𝜏 추정을 위한 베이지안 잠재 정규 방법을 제안하며, 점근적 방법에 비해 순위 데이터를 이元 정규 잠재 구조를 통해 모델링함으로써 개선한다. 이 방법은 MCMC 샘플링을 통해 𝜏에 대한 완전한 사후 추론을 가능하게 하여, 특히 작은 표본 크기나 높은 상관관계에서 점근적 근사보다 더 정확하고 정밀한 추정치를 제공한다.

ABSTRACT

The rank-based association between two variables can be modeled by introducing a latent normal level to ordinal data. We demonstrate how this approach yields Bayesian inference for Kendall's rank correlation coefficient, improving on a recent Bayesian solution from asymptotic properties of the test statistic.

연구 동기 및 목표

• 기존의 켄달의 𝜏에 대한 베이지안 방법의 한계, 특히 작은 표본이나 극단적인 상관값에서 붕괴하는 점근적 근사에 의존하는 점을 해결하기 위해.
• 켄달의 𝜏의 비모수적 특성(예: 단조변환에 대한 불변성 및 이질성에 대한 강건성)을 유지하는 강력한 베이지안 프레임워크를 개발하기 위해.
• 그라이너의 관계를 통해 잠재 정규 상관관계를 순위 상관관계로 변환함으로써 켄달의 𝜏에 대한 완전한 베이지안 추론 절차를 제공하기 위해.
• 다양한 코풀라 모델과 표본 크기에서 제안된 방법의 성능을 기존의 점근적 접근법과 비교하기 위해.

제안 방법

• 관측된 순위 데이터 (x, y)를 잠재 연속 변수 (z^x, z^y)의 순서형 표현으로 모델링하며, 이 변수들이 상관관계 𝜌를 가진 이元 정규 분포를 따른다고 가정한다.
• 잠재 상관관계 𝜌에 대해 균일한 사전분포를 사용하고 베이즈 정리 적용으로 사후분포 P(z^x, z^y, 𝜌 | x, y)를 도출한다.
• 잠재 변수와 상관관계 파ameter에 대한 조건부 분포를 활용하여 MCMC 샘플링을 통해 사후분포에서 샘플을 추출한다.
• 그라이너의 관계를 사용하여 잠재 상관관계 𝜌의 사후 샘플을 켄달의 𝜏의 사후 샘플로 변환한다: 𝜏 = (2/𝜋) arcsin(𝜌).
• 𝜏에 대한 유도된 사전분포를 통합한다: 𝜏 ∈ (−1, 1) 에서 p(𝜏) = (𝜋/4) cos(𝜋𝜏/2), 이는 𝜌에 대한 균일한 사전분포에서 유도된 것이다.
• 잠재 정규 방법을 두 가지 점근적 접근법과 비교한다: 원래의 점근적 방법(분산을 고정값 1로 가정)과 향상된 점근적 방법(관측된 𝜏를 사용해 분산을 추정).

실험 결과

연구 질문

• RQ1 작은 표본 크기(n = 10, 20)와 높은 상관관계(𝜏 = 0.7) 조건에서 잠재 정규 베이지안 방법이 점근적 방법보다 켄달의 𝜏 추정에 어떻게 성능을 발휘하는가?
• RQ2 진정한 의존성 구조가 정규성에서 벗어날 경우, 예를 들어 클레이턴, 검불, 프랭크 코풀라 하에서 잠재 정규 방법이 정확성을 유지하는가?
• RQ3 𝜏에 대한 유도된 사전분포는 사후 추론에 어떤 영향을 미치며, 비정보성 사전분포에 비해 타당한 대안인가?
• RQ4 진짜 𝜏가 0이 아닐 경우, 점근적 방법이 𝜏의 사후 분산을 과소평가하거나 과대평가하는 정도는 어느 정도인가?
• RQ5 잠재 정규 방법은 켄달의 𝜏의 강건성을 유지하면서 신뢰구간과 베이즈 요인을 포함한 완전한 베이지안 추론을 가능하게 하는가?

주요 결과

• 잠재 정규 방법은 두 점근적 방법보다 사후 정밀도와 정확도에서 뛰어나며, 특히 n = 10이고 𝜏 = 0.7일 때 점근적 방법이 과소평가하고 더 넓은 사후 분포를 보이는 것으로 나타났다.
• 귀무가설(𝜏 = 0) 하에서는 세 방법 모두 유사하게 작동하여, 검정통계량의 표집분포에서 분산이 1이라는 점근적 가정이 타당함을 검증한다.
• 관측된 𝜏를 사용해 표집분산을 추정하는 향상된 점근적 방법은 원래 점근적 방법보다 사후 분포의 폭을 줄였지만, 여전히 점근적 가정과 비정상적인 분산 추정에 취약하다.
• 잠재 정규 방법은 잠재 정규성 가정 위반에도 강건성을 유지하며, 클레이턴, 검불, 프랭크, 가우시안 코풀라 등 다양한 코풀라 모델에서 안정적인 성능을 보였다.
• 작은 표본 크기와 높은 𝜏 조건에서 잠재 정규 방법의 사후 중앙값은 점근적 방법보다 진짜 모집단 𝜏 값에 더 가까웠다.
• 𝜌에 대한 균일한 사전분포에서 유도된 𝜏에 대한 유도된 사전분포는 극단에 가까운 영역에서 더 정보가 많은 비균일한 사전분포를 형성하며, 이는 켄달의 𝜏의 알려진 표집분포와 일치한다.