Skip to content
検索結果に戻る

尤度フリー推論のための近似ベイズ計算

年
2002
種類
Simulation-based Bayesian inference

この文章は機械翻訳で、まだ確認されていません。 英語の原文を読む

文字サイズ

何をする手法か?

近似ベイズ計算(ABC)は、解析的に扱いやすい尤度関数を必要とせずに事後分布を推定する、シミュレーションベースの推論手法の一群である。人口遺伝学の文脈でBeaumont、Zhang、Balding(2002)によって導入されたABCは、解析不能な尤度を、繰り返しモデルシミュレーションと、シミュレートされたデータと観測されたデータの要約統計量の比較に置き換えた。

手法の背後にある直感

古典的なベイズ推論は、「観測されたデータが与えられたとき、モデルパラメータの確率はどうなるか?」と問う。その問いに答えるには、通常、各パラメータ設定下でのデータの確率である尤度を計算する必要がある。生物学、生態学、経済学における多くの現実的なモデルでは、その計算は解析的に不可能であるか、計算量的に実行不可能である。ABCはそれを完全に回避する。尤度を計算する代わりに、モデルからデータをシミュレートし、それを少数の要約統計量に圧縮し、シミュレートされた要約統計量が観測された要約統計量に十分に近くなった場合にのみパラメータ提案を受け入れる。受け入れられた提案は、近似的な事後分布を形成するために蓄積される。この近似は、許容誤差閾値がゼロに近づく極限で正確であり、その閾値が厳しくなるにつれて着実に改善される――ただし、受け入れられる提案の数が少なくなるというコストがかかる。

歴史学

尤度フリー推論の基礎は、人口遺伝学で非公式に使用された棄却サンプリングのアイデアにまで遡るが、この手法は、人口構造の推論に関する2002年のGenetics誌の画期的な論文でBeaumont、Zhang、Baldingによって形式化され、命名された。Marjoramら(2003)は、効率を改善するためにABC-MCMCバリアントを導入し、Sisson、Fan、Beaumont(2007)は、集団全体で許容誤差を適応的に減少させる逐次モンテカルロ(SMC-ABC)フレームワークを開発した。Sisson、Fan、Beaumontが編集した2018年のHandbook of Approximate Bayesian Computationは、20年間の方法論的発展を統合している。より最近では、ニューラル密度推定器とアモルタイズド推論が、シミュレーションから直接事後分布を学習する方法として提案されており、ABCを機械学習時代に拡張している。

使うべき場面

ABCは、モデルを順方向にシミュレートできるが、その尤度関数を解析的に評価できない場合に適切な選択である――これは人口遺伝学、疫学、生態学、およびエージェントベースの経済モデリングで頻繁に発生する状況である。連続型、二値型、およびカウント型の結果変数を扱い、データに正規性の要件を課さない。ハードな最小サンプルサイズはないが、要約統計量はパラメータに関する十分な情報を持つ必要がある。シミュレーション予算が大きい場合、許容誤差を低く設定できる場合、ABCは真の事後分布に近接して近似する。シミュレーションが高価な場合、SMC-ABCまたはニューラル事後推定バリアントが好ましい。尤度が扱いやすい場合、標準的なMCMCの方が効率的である。

限界と注意点

  • 単純な棄却ABCは、低い許容誤差閾値と意味のある受け入れ率を達成するために膨大な数のシミュレーションを必要とし、高次元パラメータ空間では計算コストが高くなる。
  • 事後近似の品質は、要約統計量の選択に決定的に依存する。不適切に選択された要約統計量は、バイアスのかかった、または分散の大きい事後分布を生成する可能性がある。
  • 選択された要約統計量が十分統計量であるという解析的な保証はないため、一般的に完全な尤度と比較して情報が失われる。
  • 通常、約1,000未満の合計受け入れ提案数は信頼性の高い事後分布近似をもたらさない。シミュレーション予算が限られている場合、標準的なMCMCを検討すべきである。

出典に示された条件は、独立した科学的レビューや分析エンジンによる検証の代わりにはなりません。

強み

  • 閉形式の尤度なしで動作し、シミュレートは容易だが解析的に評価が困難な複雑な生成モデルに対してベイズ推論を開く。
  • 分析者がシミュレータとしてエンコードできる任意の構造モデルの下で、連続型、二値型、およびカウント型の結果を扱うのに十分な柔軟性がある。
  • SMC-ABCやABC-MCMCなどのバリアントは、単純な棄却サンプリングと比較して必要なシミュレーション数を大幅に削減する。
  • 事後近似は、許容誤差閾値がゼロに近づくにつれて真の事後分布に収束する。

応用

  • 対立頻度データから人口遺伝学における人口サイズ、移住、および分岐履歴を推論する。
  • 個体レベルの尤度が解析不能な疫病モデルにおける伝播率と接触パラメータを推定する。
  • 閉形式の均衡尤度なしで、エージェントベースの経済モデルを観測されたマクロレベル統計にキャリブレーションする。
  • 現場観測の要約に確率的生態モデル――捕食者-被食者ダイナミクス、種の拡散――を適合させる。
  • メカニズムODEが確率的シミュレーションに置き換えられるシステム生物学モデルにおけるパラメータ推定。

使い方

使い方

1

分析者は、データを見る前に知られていることまたは仮定されていることをエンコードする、モデルパラメータ上の事前分布を指定する。この事前分布は、アルゴリズム全体を通じて候補パラメータ値が描画されるソースとなるため、パラメータの妥当な範囲をカバーする必要がある。

2

事前分布(または適応型バリアントでは、重要度分布)からパラメータ提案が描画される。次に、その提案を使用して完全な確率モデルを実行し、合成データセットを生成する。このシミュレーションステップはABCの計算上の核であり、数千回または数百万回実行される可能性がある。

3

合成データセットと観測データセットの両方が、パラメータに関する可能な限り多くの情報を持つように選択された量である要約統計量のベクトルに圧縮される。理想的には、要約統計量は十分統計量であるが、実際には、それらはドメイン知識と診断チェックに基づいて選択される。

4

選択されたメトリックの下で、シミュレートされた要約統計量と観測された要約統計量の間の距離が計算される。その距離が、事前に指定された許容誤差閾値ε内にある場合、パラメータ提案は受け入れられる。それ以外の場合は拒否される。より小さいε値は、より正確な事後分布近似をもたらすが、受け入れ率を低下させる。

5

受け入れられたパラメータ提案のコレクションは、近似事後分布からのサンプルを形成する。このサンプルは、標準的なベイズ事後サンプルと同じ方法で、事後平均、信頼区間、および予測分布を計算するために使用できる。SMC-ABCでは、効率を改善するために、一連の集団全体で許容誤差が減少される。

よくある落とし穴

  • 許容誤差εの設定が緩すぎると、真の事後分布と大きく異なる近似が得られる――εを厳しくすることで事後分布が安定するかどうかを常に検証すること。
  • パラメータに十分な情報を持たない要約統計量は、事後分布を事前分布に偏らせる。真のパラメータが変化したときに要約統計量が変化するかどうかを確認して、統計量を検証すること。
  • 1,000未満のシミュレーションを実行すると、信頼するには薄すぎる事後分布サンプルが得られる。シミュレーションコストがこの閾値に達することを妨げる場合は、MCMCまたはSMC-ABCに切り替えること。
  • 事前分布は、妥当なパラメータ空間を適切にカバーする必要がある。狭すぎる事前分布は事後分布の領域を除外し、広すぎる事前分布は妥当でない領域にシミュレーション予算を浪費する。

よくある質問

ABCは標準的なMCMCとどう違うのか?

どちらの手法も事後分布からのサンプルを生成するが、MCMCは各提案パラメータ値で尤度を評価するのに対し、ABCはその評価を順方向シミュレーションと要約統計量比較に置き換える。尤度が解析不能な場合はABCを使用し、尤度が計算可能な場合はMCMCを使用する。

要約統計量はどのように選択すればよいか?

要約統計量は、関心のあるパラメータに関する可能な限り多くの情報を取り込むべきである。一般的な実践は、ドメイン知識(例:平均、分散、対立頻度)を使用し、真のパラメータが変化したときに統計量が変化するかどうかを確認することによって選択を検証することである。十分統計量は指数型分布族モデルにのみ存在する。他のモデルでは、ある程度の情報損失は避けられない。

許容誤差εはどのくらい小さくする必要があるか?

普遍的な規則はない。実践的なアプローチは、εを段階的に厳しくし、事後分布の形状が安定するかどうかを確認することである。事後分布近似はεの減少とともに改善されるが、受け入れ率はそれに応じて低下し、より多くのシミュレーションが必要になる。SMC-ABCは、集団全体でεを適応的に減少させることによって、このトレードオフを自動化する。

棄却ABCの代わりにSMC-ABCを使用すべきなのはいつか?

シミュレーションが高価な場合、単純な棄却ABCは、タイトな許容誤差で受け入れ率が非常に低くなる可能性があるため、ほとんどのシミュレーションを無駄にする。SMC-ABCは、一連の中間的な許容誤差閾値と重要度重み付き集団を使用して、シミュレーションを事後分布の近くに集中させるため、同じ最終εに対してはるかに効率的である。

関連する手法

参考文献

  1. Beaumont, M.A., Zhang, W. & Balding, D.J. (2002). Approximate Bayesian Computation in Population Genetics. Genetics, 162(4), 2025-2035.

    DOI 文献を開く
    コピーしました。
  2. Sisson, S.A., Fan, Y. & Beaumont, M.A. (Eds.) (2018). Handbook of Approximate Bayesian Computation. Chapman & Hall/CRC.

    DOI 文献を開く
    コピーしました。