[論文レビュー] Box-Cox Transformed Linear Mixed Models for Positive-Valued and Clustered Data

Shonosuke Sugasawa, Tatsuya Kubokawa|arXiv (Cornell University)|Jan 1, 2015

Bayesian Methods and Mixture Models被引用数 3

ひとこと要約

本稿では、正の値をとるクラスタリングされたデータに対して、分散の安定化と正規性の向上を図るために、パワー変換を適用したボックス・コックス線形混合モデルを提案する。この手法により、歪度や異分散性を示すクラスタリングされたデータにおいても有効な推論が可能となり、制限付き最大尤度（REML）を用いたパラメータ推定および分散成分推定の面で主な貢献を果たす。

ABSTRACT

Discussion Papers are a series of manuscripts in their draft form. They are not intended for circulation or distribution except as indicated by the author. For that reason Discussion Papers may not be reproduced or distributed without the written consent of the author. CIRJE-F-957

研究の動機と目的

• 歪度や異分散性を示す正の値をとるクラスタリングされたデータに標準的な線形混合モデルを適用する際の限界を解決すること。
• クラスタリングされたデータ構造における分散の安定化と正規性の向上を図る変換ベースのアプローチを開発すること。
• 線形混合モデルの枠組みをボックス・コックス変換に拡張しつつ、分散成分の推定能力を維持すること。
• 変換されたモデル下で制限付き最大尤度（REML）推定を用いて、妥当な統計的推論を保証すること。
• 反応変数が厳密に正の値をとり、非正規性を示す縦断的または階層的データに対して実用的なモデリングソリューションを提供すること。

提案手法

• クラスタリングされたデータにおける正規性の向上と分散の安定化を図るため、応答変数にボックス・コックス変換を適用する。
• クラスタリングを反映させるために、ランダム効果を組み込んだ変換スケール上の線形混合モデルを構築する。
• 不偏な分散成分推定を保証するため、制限付き最大尤度（REML）をパラメータ推定に用いる。
• 変換されたモデル下での尤度関数を導出し、数値最適化によりパラメータ推定値を求める。
• 固定効果およびランダム効果に関する推論のために、スコア検定および尤度比検定を実装する。
• シミュレーションスタディおよび実データ応用を通じて、モデルの頑健性と効率性を検証する。

実験結果

リサーチクエスチョン

• RQ1 ボックス・コックス変換は、正の値をとるクラスタリングされたデータに対する線形混合モデルの適合度をどのように向上させるか？
• RQ2 標準的な線形混合モデルと比較して、変換されたモデルは歪度の低減と分散の安定化の面でどの程度優れているか？
• RQ3 変換されたモデルに制限付き最大尤度（REML）推定を効果的に適用できるか？ また、分散成分推定値は信頼性があるか？
• RQ4 帰無仮説下で、変換されたモデルにおける第一種の誤り率と検出力は、従来のアプローチと比較してどの程度の性能を示すか？
• RQ5 実世界の正の応答を示すクラスタリングデータセットにおいて、このモデルの経験的性能はいかがなものか？

主な発見

• ボックス・コックス変換を施した線形混合モデルは、歪度の低減と分散の安定化により、正の値をとるクラスタリングされたデータに対してモデル適合度を顕著に向上させる。
• 変換されたモデルにおけるREML推定は、非変換モデルと比較して、より正確でバイアスの小さい分散成分推定値をもたらす。
• 変換されたモデルに基づくスコア検定および尤度比検定は、帰無仮説下で適切な第一種の誤り率を維持する。
• データに歪度や異分散性がある場合、固定効果を検出する際の検出力が向上する。
• シミュレーション結果から、変換されたモデルは、被覆確率および平均二乗誤差の観点で、標準的な線形混合モデルを上回ることが確認された。
• 実データ応用の結果、正の応答を示すクラスタリングされたデータにおいて、本手法はより信頼性の高い推論を提供することが示された。