[論文レビュー] Context-specific independencies for ordinal variables in chain regression models

Federica Nicolussi, C. Manuela|Archivio Istituzionale della Ricerca (Universita Degli Studi Di Milano)|Dec 14, 2017

Sensory Analysis and Statistical Methods参考文献 2被引用数 6

ひとこと要約

本稿は、階層的多項分布マージナルモデル（HMMM）に文脈特異的（CS）条件付き独立性を統合する、順序尺度変数のための新しい階層的鎖グラフィカルモデル（SCG）を提案する。順序データのベースラインオッズとローカルオッズを活用することで、新たなマルコフ性の性質と回帰パラメータの簡略化を導出し、連関表における複雑な依存構造のより効率的なモデリングを可能にする。実応用はイタリアの中小企業のイノベーションデータに適用されている。

ABSTRACT

In this work we handle with categorical (ordinal) variables and we focus on the (in)dependence relationship under the marginal, conditional and context-specific perspective. If the first two are well known, the last one concerns independencies holding only in a subspace of the outcome space. We take advantage from the Hierarchical Multinomial Marginal models and provide several original results about the representation of context-specific independencies through these models. By considering the graphical aspect, we take advantage from the chain graphical models. The resultant graphical model is a so-called "stratified" chain graphical model with labelled arcs. New Markov properties are provided. Furthermore, we consider the graphical models under the regression poit of view. Here we provide simplification of the regression parameters due to the context-specific independencies. Finally, an application about the innovation degree of the Italian enterprises is provided.

研究の動機と目的

• 標準的なマージナル独立性および条件付き独立性を超えて、順序尺度カテゴリカル変数における文脈特異的（CS）条件付き独立性をモデル化すること。
• 順序データのためのベースラインおよびローカルオッズを用いて、階層的多項分布マージナルモデル（HMMM）を拡張し、CS独立性を統合すること。
• CS独立性と回帰ベースのマルコフ性を統合したタイプIVの新しい階層的鎖グラフィカルモデル（SCG）を構築すること。
• CS独立性を活用することで回帰パrameterizationを簡略化し、モデルの複雑さを低減すること。
• イタリアの中小企業のイノベーション状態に関する実データを用いて、手法を実証すること。

提案手法

• 文脈特異的独立性をマージナル分布における交互作用を通じて表現する階層的多項分布マージナルモデル（HMMM）を用いる。
• 順序尺度変数をモデル化するため、ベースラインオッズとローカルオッズを適用し、順序構造を尊重するパラメータ化を可能にする。
• 文脈特異的独立性を表現するラベル付き矢印を備えたタイプIVの階層的鎖グラフィカルモデル（SCG）を提案する。
• SCGモデルにおける新たなマルコフ性の性質を導出し、条件付き独立性および文脈特異的独立性をグラフ構造に関連付ける。
• 式（13）～（15）を用いてHMMMパラメータと回帰パラメータの等価性を確立し、パラメータの簡略化を可能にする。
• 理論的証明とイタリア企業のイノベーションデータへの実世界応用を通じて、モデルの妥当性を検証する。

実験結果

リサーチクエスチョン

• RQ1 HMMMを用いて、順序尺度カテゴリカルデータにおける文脈特異的独立性を形式的に表現・モデル化する方法は何か？
• RQ2 順序尺度変数を有する鎖グラフィカルモデルにおいて、CS独立性がマルコフ性の性質に与える影響は何か？
• RQ3 順序尺度データにCS独立性が存在する場合、回帰パラメータはどのように簡略化できるか？
• RQ4 HMMMフレームワーク内での順序尺度変数のCS独立性のパラメータ化において、ベースラインオッズとローカルオッズの役割は何か？
• RQ5 提案された階層的鎖グラフィカルモデル（SCG）は、従来のグラフィカルモデルに比べ、文脈特異的依存関係をどのように改善して捉えられるか？

主な発見

• 本稿は、ベースラインオッズとローカルオッズを用いたHMMMを用いることで、順序尺度変数における文脈特異的独立性を効果的にモデル化できることを確立し、従来のログ線形モデルに限局した先行研究を拡張した。
• 階層的鎖グラフィカルモデル（SCG）に対して、新たなマルコフ性の性質が導出され、グラフ構造とCS独立性の記述が結びつけられた。
• CS独立性を活用することで、回帰パラメータの大幅な簡略化が可能となり、必要なパラメータ数が削減された。
• 理論的結果により、HMMMパラメータが式（13）～（15）を用いて回帰パラメータで表現可能であることが示され、効率的な推定が可能になった。
• イタリアの中小企業のイノベーションデータへの応用により、従来のモデルが捉え損なう文脈特異的依存関係を検出できることが示された。
• SCGモデルにおけるラベル付き矢印の使用により、文脈に応じて変化する依存関係をより洗練されたグラフィカル表現で表現できるようになった。