[论文解读] Uncertainty analysis and composite hypothesis under the likelihood paradigm

André Chalom, Paulo Inácio Prado|arXiv (Cornell University)|Aug 13, 2015

Probabilistic and Robust Engineering Design参考文献 14被引用 3

一句话总结

本文提出一种基于似然的元方法 PLUE（Profile Likelihood Uncertainty Estimation），通过在参数组合上对似然曲面进行分析，实现模型校准与不确定性分析的整合。该方法提供直观、基于数据的不确定性估计，充分尊重观测数据中的信息，为生物建模中分离的校准与敏感性分析提供了一种连贯的替代方案。

ABSTRACT

The correct use and interpretation of models depends on several steps, two of which being the calibration by parameter estimation and the analysis of uncertainty. In the biological literature, these steps are seldom discussed together, but they can be seen as fitting pieces of the same puzzle. In particular, analytical procedures for uncertainty estimation may be masking a high degree of uncertainty coming from a model with a stable structure, but insufficient data. Under a likelihoodist approach, the problem of uncertainty estimation is closely related to the problem of composite hypothesis. In this paper, we present a brief historical background on the statistical school of Likelihoodism, and examine the complex relations between the law of likelihood and the problem of composite hypothesis, together with the existing proposals for coping with it. Then, we propose a new integrative methodology for the uncertainty estimation of models using the information in the collected data. We argue that this methodology is intuitively appealing under a likelihood paradigm.

研究动机与目标

• 解决生物建模中模型校准与不确定性分析处理零散化的问题。
• 在似然范式下统一参数估计与不确定性量化。
• 开发一种方法，在尊重数据质量与数量的同时，避免掩盖潜在不确定性的假设。
• 提供一种连贯、直观的不确定性估计框架，支持实验设计与参数优先级排序。

提出的方法

• 将生物模型表述为一个 R 函数，将参数组合映射到模型输出。
• 基于观测数据定义似然函数，使用统计模型（例如二项分布）表示参数不确定性。
• 通过 Metropolis-Hastings 或 MCMC 方法进行蒙特卡洛采样，从似然分布中生成样本。
• 对每个采样得到的参数集应用生物模型，将不确定性传播至模型输出。
• 使用 PLUE 函数对每个模型输出的似然进行分析，该函数结合了采样与基于似然的加权。
• 通过轮廓图、散点图和 PRCC（部分等级相关系数）可视化结果，以评估敏感性与不确定性。

实验结果

研究问题

• RQ1 如何在似然范式下统一生物模型中的不确定性估计与参数校准？
• RQ2 当传统敏感性分析忽略数据质量与数量时，其局限性是什么？
• RQ3 似然分析轮廓如何改善稀疏或噪声数据模型中不确定性的解释？
• RQ4 单一集成框架是否能降低模型校准与不确定性分析中因假设引入的人工误差风险？
• RQ5 与拉丁超立方采样相比，PLUE 方法在捕捉基于数据的不确定性方面表现如何？

主要发现

• PLUE 方法通过利用来自观测数据的似然曲面，提供了一个统一的框架，将模型校准与不确定性分析整合在一起。
• 通过 PLUE 得到的不确定性估计比传统方法更能反映数据的质量与数量，后者常假设参数范围均匀或任意。
• 该方法能够识别驱动不确定性的关键参数，支持有针对性的数据收集与实验设计。
• PLUE 生成的轮廓图提供了基于观测数据似然的不确定性可视化表示，而非任意采样。
• 使用 PLUE 进行的敏感性分析（如散点图和 PRCC）揭示了与数据驱动似然一致的参数影响，提升了结果的可解释性。
• 使用 pse 和 bbmle R 包的实现支持可重复、模块化且可扩展的生态学与生物学模型不确定性分析。