[논문 리뷰] Default Bayesian analysis for multi-way tables: a data-augmentation approach

Nicholas G. Polson, James G. Scott|arXiv (Cornell University)|2011. 09. 19.

Statistical Methods and Bayesian Inference참고 문헌 32인용 수 10

한 줄 요약

이 논문은 다중 방향 분할표에서 효율적이고 정확한 베이지안 추론을 가능하게 하기 위해 폴리아–게이머 분포를 사용한 데이터 증강 기법을 제안한다. 이는 수치적 적분이나 MCMC를 필요로 하지 않으며, 민감도가 높은 사전 분포를 통해 정규화된 추정을 가능하게 한다. 이 방법은 라소와 브릿지 페널티의 베이지안 해석과 같은 다양한 사전 분포를 지원하며, 로지스틱-Z 모형에 기반한 기본 비정보성 사전 분포를 제공한다.

ABSTRACT

This paper proposes a strategy for regularized estimation in multi-way contingency tables, which are common in meta-analyses and multi-center clinical trials. Our approach is based on data augmentation, and appeals heavily to a novel class of Polya-Gamma distributions. Our main contributions are to build up the relevant distributional theory and to demonstrate three useful features of this data-augmentation scheme. First, it leads to simple EM and Gibbs-sampling algorithms for posterior inference, circumventing the need for analytic approximations, numerical integration, Metropolis--Hastings, or variational methods. Second, it allows modelers much more flexibility when choosing priors, which have traditionally come from the Dirichlet or logistic-normal family. For example, our approach allows users to incorporate Bayesian analogues of classical penalized-likelihood techniques (e.g. the lasso or bridge) in computing regularized estimates for log-odds ratios. Finally, our data-augmentation scheme naturally suggests a default strategy for prior selection based on the logistic-Z model, which is strongly related to Jeffreys' prior for a binomial proportion. To illustrate the method we focus primarily on the particular case of a meta-analysis/multi-center study (or a JxKxN table). But the general approach encompasses many other common situations, of which we will provide examples.

연구 동기 및 목표

• 메타분석 및 다중 기관 임상 시험에서 흔한 다중 방향 분할표에 대해 계산적으로 효율적이고 정확한 베이지안 접근법을 개발하는 것.
• 다중 방향 분할표에서 로지스틱 우도의 비공액성과 비선형성을 새로운 데이터 증강 기법을 통해 해결하는 것.
• 레이스와 브릿지 페널라이제이션과 같은 고전적 최대우도 방법의 베이지안 해석을 포함한 민감도가 높은 사전 분포 지정을 가능하게 하는 것.
• 로지스틱-Z 모형에 기반한 로그오즈 비율에 대한 기본 비정보성 사전 분포를 수립하며, 제프리스의 사전 분포와 밀접하게 관련되어 있다.
• 희소 세포 카운트를 포함한 실제 다중 기관 임상 시험 데이터에 대한 적용을 통해 방법의 실용적 유용성을 입증하는 것.

제안 방법

• 핵심 방법은 폴리아–게이머 분포를 가진 잠재 변수를 사용하여 로지스틱 우도의 정규 분포 혼합 표현을 활용함으로써 공액 업데이트를 가능하게 하는 것.
• 분할표의 각 세포는 단일 폴리아–게이머 분포를 가진 잠재 변수로 증강되며, 이는 사후 분포 계산을 단순화한다.
• 폴리아–게이머 분포는 파이저의 Z 분포의 레비 표현을 통해 유도되며, 정확한 모멘트 생성 함수 계산이 가능하다.
• 비공액 로지스틱 모형을 조건부 공액 가우시안 모형으로 변환함으로써 효율적인 지그재그 샘플링과 EM 알고리즘을 지원한다.
• 이 프레임워크는 계층 모형으로 일반화 가능하며, 희소 표본에서의 계층적 수축과 강건한 추정을 가능하게 한다.
• 로지스틱-Z 모형에 기반한 기본 사전 분포가 제안되며, 이는 이항 비율에 대한 제프리스 유사 사전 분포에 해당한다.

실험 결과

연구 질문

• RQ1 수치적 적분이나 MCMC에 의존하지 않고 다중 방향 분할표에서 정확한 베이지안 추론을 가능하게 하는 데이터 증강 기법을 개발할 수 있는가?
• RQ2 잠재 변수 표현을 통해 다중 방향 분할표에서 로지스틱 우도의 비공액성 문제를 어떻게 해결할 수 있는가?
• RQ3 이 방법은 로그오즈 비율에 대한 라소나 브릿지 페널티의 베이지안 해석을 포함한 민감도가 높은 정규화 사전 분포를 지원할 수 있는가?
• RQ4 로그오즈 비율에 대한 기본 사전 분포는 객관적이며 계산적으로 실현 가능하며, 제프리스의 사전 분포와 어떻게 관련되어 있는가?
• RQ5 희소 세포 카운트를 포함한 실제 다중 기관 임상 시험 데이터에 대해 제안된 방법은 실제로 어떻게 성능을 발휘하는가?

주요 결과

• 데이터 증강 기법을 통해 메트로폴리스–해스팅스나 변분 근사와 같은 방법 없이도 정확한 사후 분포 계산이 가능하며, 단순한 지그재그 및 EM 알고리즘을 통해 이루어진다.
• 이 방법은 디리클레 분포나 로지스틱-노말 분포 외의 비공액 사전 분포, 예를 들어 라소나 브릿지 페널라이제이션에 기반한 사전 분포를 사용할 수 있어 로그오즈 비율의 정규화된 추정이 가능하다.
• 폴리아–게이머 분포는 표본 세포당 하나의 잠재 변수만을 사용함으로써 매우 효율적인 표현을 제공하며, 계산 복잡도를 크게 감소시킨다.
• 로지스틱-Z 모형에 기반한 기본 사전 분포는 이항 비율에 대한 제프리스의 사전 분포와 밀접하게 관련되어 있어 객관적인 베이지안 추론를 지원한다.
• 이 방법은 희소 세포, 예를 들어 대조군에서 성공 수가 0인 경우와 같은 경우에도 추정치를 정규화하여 다중 기관 연구에서 추정의 안정성을 향상시킨다.
• 실제 다중 기관 임상 시험 데이터셋(표 1)에 대한 적용 결과, 최대우도 추정치에 비해 더 나은 수축 효과와 더 정밀한 치료 효과 추정이 이루어졌다.