베이지안 대리 교란 변수를 위한 수축 사전 분포
Shrinkage priors for Bayesian Substitute Confounders
다중 원인 관찰 연구는 원인 간의 의존 구조를 통해 측정되지 않은 교란에 대한 정보를 포함합니다. 그러나 관측되지 않은 교란 변수를 문자 그대로 대체하는 것은 안정적인 인과 조정에 필요한 공유 할당 변동을 보존하는 저차원 대리 점수를 학습하는 것보다 종종 더 복잡합니다. 디컨파운더(Wang and Blei, 2019) 및 관련 대리 교란 변수 방법은 이 아이디어를 활용하지만, 유연한 할당 모델은 원인들의 결합 분포를 적합시킬 수 있음에도 불구하고 처리 벡터를 과도하게 인코딩하거나, 중첩을 붕괴시키거나, 단일 원인 변동을 포착하는 점수를 생성할 수 있습니다. 우리는 수축 사전 분포를 사용하여 대략적인 다중 원인 의존성을 유지하는 희소 대리 교란 변수를 학습하기 위한 베이지안 요인 할당 프레임워크를 개발합니다. 이 이론은 사후 분포 집중, 요인 점수 수축, 중첩 보존 할당 기하학의 수준에서 서술되므로 특정 수축 사전 분포에 의존하지 않습니다. 이러한 조건 하에서, 제안된 회귀 조정 추정량은 해당 잠재 변수 식별 가정이 충족될 때 평균 잠재 결과에 대해 일치성을 가집니다. 수축 사전 분포는 잠재 구조 학습을 위한 자연스러운 도구를 제공합니다. 이는 다중 원인에 의해 지지되는 저차원 요인을 선호하고, 실질적으로 단일 원인 요인을 억제하며, 점진적 수축을 통해 잠재 요인의 순서를 유도합니다. 합성 실험은 신호 강도, 결과 타당성, 기하학 인식 정규화의 역할을 설명합니다. 알츠하이머병 신경영상 이니셔티브(ADNI) 기준선 분석에서, 희소 대리 점수는 침습적 뇌척수액 바이오마커에 직접 조건화하여 얻은 조정의 대부분을 회복하는 반면, 붕괴 진단은 적합된 요인이 개별 관측 측정값으로 축소되는 시점을 식별합니다.