Muestras de aumento para árboles de regresión bayesianos aditivos de probetas multinomiales | JoVE Visualize

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.