[论文解读] A method for Bayesian regression modelling of composition data

Sean van der Merwe|arXiv (Cornell University)|Jan 9, 2018

Geochemistry and Geologic Mapping参考文献 2被引用 11

一句话总结

本文提出了一种基于狄利克雷分布的新型贝叶斯回归方法，用于处理组成数据，借助基于模拟的推断方法提升模型的准确性和统计功效。该方法能够稳健估计解释变量与组成型结果之间的关系，支持分层数据的随机效应，并在模拟和运动科学应用中表现优于现有方法，尤其在高方差条件下表现更优。

ABSTRACT

Many scientific and industrial processes produce data that is best analysed as vectors of relative values, often called compositions or proportions. The Dirichlet distribution is a natural distribution to use for composition or proportion data. It has the advantage of a low number of parameters, making it the parsimonious choice in many cases. In this paper we consider the case where the outcome of a process is Dirichlet, dependent on one or more explanatory variables in a regression setting. We explore some existing approaches to this problem, and then introduce a new simulation approach to fitting such models, based on the Bayesian framework. We illustrate the advantages of the new approach through simulated examples and an application in sport science. These advantages include: increased accuracy of fit, increased power for inference, and the ability to introduce random effects without additional complexity in the analysis.

研究动机与目标

• 解决在生态学、遗传学、社会科学和工业过程等领域常见的、总和为1的比例向量（即组成数据）的稳健回归建模需求。
• 克服现有方法在狄利克雷回归模型中推断功效差、无法整合随机效应等局限性。
• 开发一种基于模拟的贝叶斯框架，以提升多变量比例数据的模型拟合度、统计功效和可解释性。
• 在不增加分析复杂度的前提下，实现狄利克雷回归中随机效应的有效整合，支持分层或聚类数据结构。
• 通过模拟和运动科学中的真实应用，证明该方法的优越性，特别是在分析无网球运动员移动模式方面。

提出的方法

• 构建一个贝叶斯回归模型，其中响应变量服从狄利克雷分布，其参数通过对数线性链接函数与解释变量关联。
• 使用马尔可夫链蒙特卡洛（MCMC）模拟估计模型参数的后验分布，实现完整的不确定性量化。
• 将狄利克雷分布的集中参数（精度）建模为协变量的函数，以灵活处理异方差性。
• 通过为主体（如运动科学中的球员）分配层次先验，引入随机效应，实现多层建模。
• 实施再参数化策略，以确保在高维或稀疏组成数据中MCMC采样具有适当的识别性和稳定性。
• 通过模拟研究和真实数据，将新方法与Maier（2014）的频率学派方法进行比较，评估指标包括偏差、覆盖概率和p值准确性。

实验结果

研究问题

• RQ1 与现有频率学派方法相比，基于模拟的贝叶斯方法是否能显著提升狄利克雷回归的准确性和统计功效？
• RQ2 该新方法在保持可靠推断和区间估计的前提下，能在多大程度上处理高方差的组成数据？
• RQ3 是否能有效将随机效应整合到狄利克雷回归中，而不会增加模型复杂度或计算负担？
• RQ4 当数据结构包含固定效应和随机效应时，该方法在检测多变量比例中真实关系方面的表现如何？
• RQ5 在涉及复杂、不平衡、分层数据（如运动员移动模式）的真实应用场景中，该方法是否优于现有方法？

主要发现

• 新方法显著提升了推断功效：在模拟中，它正确识别出全部三个关系（两个负相关，一个正相关）为显著，中位p值分别为0.4%（第一维）、1%（第二维）和0.1%（第三维），而Maier方法在前两维均未能检测到显著性。
• 新方法在参数估计中具有更高的精度，平均误差为18.81（对比Maier方法的19.19），且95%可信区间更窄（平均宽度0.54 vs. 0.52），表明区间覆盖和准确性更优。
• 在运动科学应用中，新方法生成了合理且可解释的各位置球员移动比例差异估计，包含适当的不确定性区间，而简单模型未能考虑多变量依赖性或球员层面的变异。
• 该方法成功在无网球研究中整合了个体球员的随机效应，支持每名球员观测次数不等的不平衡数据，且未损害模型稳定性。
• 模拟结果显示，即使在高方差条件下，新方法仍保持高覆盖度（86%）和低误差，优于Maier方法（仅85%覆盖度，偏差更高）。
• 贝叶斯框架支持完整的后验推断，包括所有维度的p值，而Maier方法未能为第一维生成p值，限制了可解释性。