Muestras de aumento para árboles de regresión bayesianos aditivos de probetas multinomiales

Área de la Ciencia:

• Las estadísticas
• Aprendizaje automático
• Estadísticas computacionales

Sus antecedentes:

• El marco de probit multinomial (MNP), basado en una estructura latente gaussiana multivariada, ofrece ventajas sobre los modelos logísticos multinomiales al no asumir alternativas independientes.
• Los árboles de regresión aditiva bayesiana (BART) se han integrado en MNP a través del probador multinomial BART (MPBART), utilizando muestreadores de Gibbs colapsados para el muestreo posterior.
• La eficiencia de los muestreadores de Gibbs colapsados depende de pasos de muestreo simples y una rápida convergencia de la cadena de Markov, que puede ser desafiada por la complejidad de la búsqueda estocástica de árboles posteriores.

Objetivo del estudio:

• Abordar los desafíos computacionales en MPBART proponiendo una nueva estrategia de muestreo de árboles posteriores.
• Comparar el método propuesto con los enfoques MPBART existentes, incluidos Kindo et al. 's (2016) aumentó el muestreo de espacio de parámetros y Sparapani et al. 's (2021) especificación de probabilidad condicional.
• Evaluar el rendimiento del método propuesto en términos de convergencia de la cadena de Markov Monte Carlo (MCMC) y precisión predictiva posterior.

Principales métodos:

• El estudio propone el muestreo de árboles posteriores condicionados a un espacio de parámetros restringido, en contraste con Kindo et al. 's (2016) método que utiliza un espacio de parámetros aumentado.
• Se hace una comparación con Sparapani et al. 's (2021) enfoque, que modela la distribución multinomial utilizando probabilidades condicionales.
• El rendimiento se evalúa utilizando diagnósticos de convergencia MCMC y métricas de precisión predictiva posterior.

Principales resultados:

• El método de muestreo condicional propuesto demuestra una convergencia MCMC comparable y una precisión predictiva posterior al método de probabilidad condicional.
• El nuevo método supera significativamente el enfoque de muestreo de árboles aumentados tanto en la convergencia de MCMC como en la precisión predictiva.
• El análisis teórico confirma que las tasas de mezcla del método propuesto no son inferiores al método de muestreo de árboles aumentados.

Conclusiones:

• El método propuesto para el muestreo de árboles posteriores en MPBART ofrece una mayor eficiencia computacional y rendimiento predictivo.
• Este enfoque proporciona una alternativa viable a los métodos MPBART existentes, sobre todo superando a los que se basan en espacios de parámetros aumentados.
• Los resultados sugieren que las estrategias de muestreo condicional pueden mejorar la aplicación práctica de BART en el marco del PNM.