[論文レビュー] Robust estimation in controlled branching processes: Bayesian estimators via disparities

Miguel González, Carmen Minuesa+2 more|arXiv (Cornell University)|Feb 16, 2018

Advanced Thermodynamics and Statistical Mechanics参考文献 5被引用数 4

ひとこと要約

本稿では、乖離尺度を用いてモデルの耐性を高めるために、制御付き分岐過程に対するロバストなベイズ推定量を導入する。対数尤度を乖離に基づく後部分布に置き換えることで、著者らはEDAPおよびMDAP推定量を開発した。これらは一貫性があり、漸近的に正規分布に従い、モデルの誤指定や外れ値に対してもロバストである。理論的保証と実データおよびシミュレートデータを用いた実証的検証がなされている。

ABSTRACT

This paper is concerned with Bayesian inferential methods for data from controlled branching processes that account for model robustness through the use of disparities. Under regularity conditions, we establish that estimators built on disparity-based posterior, such as expectation and maximum a posteriori estimates, are consistent and efficient under the posited model. Additionally, we show that the estimates are robust to model misspecification and presence of aberrant outliers. To this end, we develop several fundamental ideas relating minimum disparity estimators to Bayesian estimators built on the disparity-based posterior, for dependent tree-structured data. We illustrate the methodology through a simulated example and apply our methods to a real data set from cell kinetics.

研究の動機と目的

• モデルの誤指定や外れ値に対してロバストな制御付き分岐過程のベイズ推定手法を開発すること。
• 従来の頻度主義的乖離に基づく推定と、従属的で木構造を持つデータにおけるベイズ推定の間のギャップを埋めること。
• 分岐過程における乖離に基づくベイズ推定量の理論的性質—一貫性、漸近正規性、ロバスト性—を確立すること。
• 実細胞動態データにこの手法を適用し、汚染下での性能をシミュレーションで検証すること。
• 古典的ガルトン＝ワトソン過程が特殊ケースとして含まれる、乖離を用いた新しいベイズ推定フレームワークを提供すること。

提案手法

• 後部分布における対数尤度をスケーリングされた乖離尺度に置き換えることで、乖離に基づく後部分布を構築する。
• EDAP（乖離に基づく後部分布の期待値）およびMDAP（乖離に基づく後部分布の最頻値）推定量を、最小乖離推定量のベイズ的類似物として定義する。
• パワー発散を乖離尺度として用いることで、外れ値やモデルのずれに対して耐性を確保する。
• EDAP/MDAP推定量とそれらの頻度主義的類似物との間の鋭い確率的バインディングを確立し、理論的性質を検証する。
• 実オligodendrocyte細胞集団データセットとシミュレーションスタディにこの手法を適用し、ロバスト性と効率性を示す。
• Rを用いて実装し、制御関数パラメータや事前分布の変化に対する感度分析を実施する。

実験結果

リサーチクエスチョン

• RQ1 従属的で木構造を持つデータを有する制御付き分岐過程において、乖離に基づくベイズ推定量は一貫性と漸近正規性を達成できるか？
• RQ2 EDAPおよびMDAP推定量は、モデルの誤指定や外れ値の存在下でもどのように性能を示すか？
• RQ3 最小乖離推定量と提案された乖離に基づくベイズ推定量の関係は何か？
• RQ4 被ばく（汚染）が子孫分布または制御機構に及ぶ場合、提案された推定量はどの程度ロバストか？
• RQ5 実データおよびシミュレートデータにおいて、異なる事前分布や制御関数パラメータの下で推定量の性能はどのように変化するか？

主な発見

• EDAPおよびMDAP推定量は、提示されたモデルのもとで一貫性があり、漸近的に正規分布に従う。これは、モデルが正しい場合に信頼できる推論を保証する。
• モデルが正しく指定されている場合、推定量は高い効率性を維持し、標本サイズが増加するにつれて平均二乗誤差がゼロに収束する。
• シミュレーションスタディにおいて、汚染レベルや外れ値の存在が変化しても安定した性能を示すことで、ロバスト性が実証された。
• 感度分析から、事前分布の分散および平均が後部推定値にほとんど影響しないことが示され、事前分布の不確実性下でも安定性が確認された。
• 実細胞動態データの例では、推定量は低バイアスおよび低分散で、背後にある集団ダイナミクスを的確に捉えた。
• 制御関数が親個体数を出力する場合、この手法は古典的ガルトン＝ワトソン過程に一般化され、適用範囲が拡張された。