[论文解读] Modelling Ordinal Responses with Uncertainty: a Hierarchical Marginal Model with Latent Uncertainty components

Roberto Colombi, Sabrina Giordano+2 more|arXiv (Cornell University)|Jul 4, 2016

Multi-Criteria Decision Making参考文献 35被引用 6

一句话总结

本文提出一种具有潜在不确定性的分层边缘模型（HMMLU），通过区分有意识响应（由知识驱动）与不确定响应（由响应风格驱动），对有序评分数据进行建模。该模型为每个项目引入二值潜在变量以刻画不确定性，采用边缘参数化以实现直接解释性，并通过模拟与真实数据验证表明，该模型能有效分离有意识响应与响应风格效应，提升有序数据分析的可解释性与可靠性。

ABSTRACT

In responding to rating questions, an individual may give answers either according to his/her knowledge/awareness or to his/her level of indecision/uncertainty, typically driven by a response style. As ignoring this dual behaviour may lead to misleading results, we define a multivariate model for ordinal rating responses, by introducing, for every item, a binary latent variable that discriminates aware from uncertain responses. Some independence assumptions among latent and observable variables characterize the uncertain behaviour and make the model easier to interpret. Uncertain responses are modelled by specifying probability distributions that can depict different response styles characterizing the uncertain raters. A marginal parametrization allows a simple and direct interpretation of the parameters in terms of association among aware responses and their dependence on explanatory factors. The effectiveness of the proposed model is attested through an application to real data and supported by a Monte Carlo study.

研究动机与目标

• 解决响应风格（如犹豫不决、随机性或极端/中间类别倾向）对有序评分数据造成的混淆效应。
• 通过为每个项目引入一个二值潜在变量，同时建模有意识响应与不确定响应，以区分两种响应行为。
• 提供一个具有统计可解释性的模型，直接估计有意识响应与解释变量之间边缘关联的参数。
• 通过显式建模不确定性分量，提升数据可靠性，避免非模型化筛选方法带来的数据清洗偏差。
• 通过结构化不确定性分量整合响应风格异质性，为项目反应理论（IRT）与潜在类模型提供一种灵活的、基于模型的替代方案。

提出的方法

• 为每个有序项目 $R_i$ 引入一个二值潜在变量 $U_i$，其中 $U_i=1$ 表示有意识响应，$U_i=0$ 表示不确定响应。
• 基于项目子集 $S$ 中 $U_i=0$ 的情况，定义 $2^v$ 个潜在类，假设在每种类内，不确定项目之间以及有意识项目之间条件独立。
• 采用边缘参数化（Bergsma 和 Rudas, 2002）直接建模有意识响应与不确定响应的边缘分布，从而实现对关联与效应的直观解释。
• 使用重排抛物线分布（局部与全局奇偶比为基础）对不确定响应进行建模，通过形状参数 $\phi$ 捕捉不同响应风格（如U型、钟型）。
• 采用分层结构，包含 $h=1,\dots,H$ 个层，通过线性预测器 $\boldsymbol{\theta}_h = \mathbf{X}_h \boldsymbol{\beta}$ 建模协变量效应，链接函数通过 $\mathbf{q}_h = \mathbf{W} \boldsymbol{\theta}_h$ 映射到概率。
• 推导Fisher信息矩阵，并在设计矩阵 $\mathbf{D}$ 满秩时证明参数的局部可辨识性，确保最大似然推断的有效性。

实验结果

研究问题

• RQ1 如何对有序评分响应进行建模，以分离真实有意识响应与响应风格带来的不确定性？
• RQ2 不同响应风格（如极端化、中心化倾向）对有序调查数据可靠性有何影响？
• RQ3 具有潜在不确定性分量的分层边缘模型能否提升响应与解释变量之间关联的解释性？
• RQ4 与现有的项目反应理论（IRT）和潜在类模型相比，该模型在捕捉不确定性与响应风格效应方面表现如何？
• RQ5 在标准似然推断下，该模型参数的统计行为（如可辨识性、渐近正态性）如何？

主要发现

• HMMLU模型成功分离了有意识响应与不确定响应分量，使得有意识响应与协变量之间的边缘关联可直接解释。
• 模型的边缘参数化使得参数可直观解释为有意识响应之间的关联及其对解释变量的依赖关系。
• 推导出Fisher信息矩阵，并证明当设计矩阵 $\mathbf{D}$ 满秩时，该矩阵非奇异，从而确保参数估计的渐近正态性与有效推断。
• 重排抛物线分布族能有效建模多样的响应风格：$\phi<0$ 时为U型，$\phi>0$ 时为钟型，$\phi=0$ 时为均匀分布。
• 蒙特卡洛研究与真实数据应用均证实，该模型能有效捕捉不确定性模式，并在模型拟合上优于标准模型。
• 与非模型化筛选方法相比，该模型通过显式建模不确定性，避免了数据剔除，从而减少了由不可靠响应模式引发的偏差。