Uncertainty Quantification for Multi-level Models Using the Survey-Weighted Pseudo-Posterior

ملخص تقني: تقدير عدم اليقين للنماذج متعددة المستويات باستخدام اللاحق الزائف الموزون مسحياً

بيان المشكلة
يعتمد الاستدلال الإحصائي لبيانات المسح المعقدة عادةً على أوزان المسح لتصحيح عدم تساوي احتمالات الاختيار وسمات التصميم (التجميع، الطبقية). وبينما يمكن للبرمجيات القياسية دمج هذه الأوزان في النماذج البايزية متعددة المستويات (الهرمية) لإنتاج تقديرات نقطية متسقة للمعلمات العالمية (مثل التأثيرات الثابتة)، فإن تقدير عدم اليقين الناتج غالباً ما يكون غير صحيح. وتحديداً، فإن التباينات اللاحقة وفترات المصداقية المشتقة من اللاحق الزائف الموزون مسحياً لا تحقق معدلات تغطية صحي-منطقية (على سبيل المثال، قد لا تحتوي الفترة ذات مستوى 95% على المعلمة الحقيقية بنسبة 95% من المرات).

تتفاقم هذه المشكلة في النماذج متعددة المستويات التي تحتوي على كل من المعلمات العالمية (التي تستفيد من زيادة المعلومات مع زيادة حجم العينة $n \to \infty$) والمعلمات المحلية (مثل التأثيرات العشوائية على مستوى المجموعة). تعتمد المعلمات المحلية غالباً على مجموعات فرعية أصغر من البيانات، مما يؤدي إلى معدلات تباطؤ في تقليل التباين (على سبيل المثال، $\propto n^{-1/2}$ أو حتى ثابت). كما أن افتراضات التوزيع الطبيعي التقاربي القياسية، والتي تشكل أساس تعديلات تباين "الساندوتش" (sandwich)، قد تفشل بالنسبة لهذه المعلمات المحلية، لا سيما في العينات الصغيرة أو في ظل تصميمات أخذ عينات معلوماتية قوية حيث يختلف توزيع العينة بشكل كبير عن المجتمع.

المنهجية
يقترح المؤلفون ويقيمون تعديلات على إطار عمل آلي للمعالجة اللاحقة (تم تطويره أصلاً بواسطة ويليامز وسافيتسكي، 2021) مصمم لتعديل اللاحق الزائف الموزون مسحياً. الهدف الأساسي هو مواءمة تباين اللاحق البايزي مع التباين التقاربي لمقدر الإمكانية القصوى (MLE) الموزون مسحياً، والذي يتبع شكل "الساندوتش": $H^{-1} J H^{-1}$.

تقيم الورقة ثلاث استراتيجيات تعديل محددة تُطبق على عينات اللاحق الزائف:

1. التعديل الساذج (خط الأساس): يستخدم هذا النهج تدرجات اللوغاريتم اللاحق (التي تتضمن التوزيع القبلي) بدلاً من تدرجات لوغاريتم الاحتمالية لتقدير مصفوفة الانحناء ($H$) والضرب الخارجي للتدرجات ($J$). وهو يفترض أن انحناء التوزيع القبلي ضئيل، وهو افتراض صحيح للمعلمات العالمية ولكن مشكوك فيه للمعلمات المحلية والمعلمات الفائقة (hyper-parameters).
2. تعديل انحناء التوزيع القبلي: إدراكاً بأن التوزيع القبلي يساهم في انحناء اللاحق ولكنه لا يساهم في تباين البيانات ($J$)، يقوم هذا الأسلوب بتقدير مصفوفة انحناء التوزيع القبلي ($H_0$) صراحةً. ويقوم بتعديل مقدر الساندوتش عن طريق إضافة $H_0$ مرة أخرى إلى تقدير مصفوفة $J$ (أي $J^* = J_{\xi} + H_0$) لمنع الاختزال الاصطناعي للمقياس للمعلمات المتأثرة بشدة بالتوزيع القبلي.
3. التحويل + انحناء التوزيع القبلي (ييو-جونسون): يعالج هذا النهج عدم طبيعية توزيع المعلمات (الشائع في مكونات التباين والمعلمات الهرمية). حيث يطبق تحويل "ييو-جونسون" لرسم المعلمات في فضاء أقرب إلى التوزيع الطبيعي. ثم يتم إجراء تعديل الساندوتش على المعلمات المحولة، ويتم إعادة تحويل النتائج إلى المقياس الأصلي. يتضمن هذا الأسلوب أيضاً تصحيح انحناء التوزيع القبلي.

لتقدير مكونات التباين اللازمة ($J$) دون إعادة تشغيل عملية محاكاة ماركوف مونت كارلو (MCMC) المكلفة لكل تكرار، يستخدم المؤلفون نهجاً هجيناً يجمع بين جاك نيف (Jackknife) حذف المجموعة (لأوزان التكرار) مع خطية تايلور. يسمح هذا بتقدير تأثير التصميم ومصفوفة تباين الساندوتش باستخدام مجموعة واحدة من سحبات اللاحق.

المساهمات الرئيسية

• تحديد أوجه القصور: توضح الورقة أن تعديلات "الساندوتش" الساذجة القياسية، التي تعمل جيداً للتأثيرات الثابتة العالمية، تفشل في توفير تقدير صحيح لعدم اليقين للتأثيرات العشوائية المحلية ومعلمات التباين، مما يؤدي غالباً إلى تغطية ناقصة شديدة.
• التعديلات المقترحة: يقدم المؤلفون تحسينين محددين لعملية التعديل الآلية: (1) تصحيح انحناء التوزيع القبلي لاستقرار تقديرات المعلمات المحلية، و(2) تطبيق تحويلات ييو-جونسون للتخفيف من أثر عدم الطبيعية.
• الكفاءة الحسابية: تعمل الطرق المقترحة كتصحيح لاحق (post-hoc) لعملية تشغيل MCMC واحدة، مما يتجنب العبء الحسابي لطرق التكرار "القسرية" (التي تتطلب إعادة تقدير النموذج لمئات من مجموعات البيانات المكررة).
• التحقق التجريبي: تم التحقق من صحة الطرق من خلال دراسات المحاكاة (العينة العشوائية البسيطة، العينة بنسبة تتناسب مع الحجم، وأخذ العينات العنقودي على مرحلتين) ومن خلال تطبيق على المسح الوطني حول استخدام واستخدام المخدرات والصحة (NSDUH).

النتائج

• المحاكاة:
  • في سيناريوهات العينة العشوائية البسيطة (SRS)، أدى التعديل الساذج إلى تغطية ناقصة شديدة للتأثيرات العشوائية ومعلمات التباين. حقق نهج "ييو-جونسون" مع تصحيح انحناء التوزيع القبلي تغطية قريبة من المستوى الاسمي، متفوقاً على كل من النهج الساذج ونهج تصحيح الانحناء القبلي وحده.
  • في تصميمات أخذ العينات المعلوماتية (PPS والمرحلتين)، واجهت جميع الطرق صعوبة في الوصول إلى تغطية اسمية 95% بسبب قوة معلوماتية التصميم وصغر حجم العينات. ومع ذلك، قدم نهج "ييو-جونسون" باستمرار أفضل تغطية للتأثيرات العشوائية ومكونات التباين، متفوقاً بشكل ملحوظ على النهج الساذج.
• تطبيق NSDUH:
  • عند تطبيقه على نموذج انحدار لوجستي متعدد المستويات لانتشار الاكتئاب عبر المجموعات التقاطعية (العرق، الجنس، التوجه الجنسي)، أنتج تعديل "ييو-جونسون" فترات مصداقية أوسع وأكثر تحفظاً مقارنة باللاحق الزائف غير المعدل، مما يعكس "عقوبة تأثير التصميم" الضرورية.
  • وفر نهج "ييو-جونسون" فترات أكثر كفاءة من طريقة التكرار القسرية المطبقة على مجموعة بيانات فرعية، مع الحفاظ على أداء مماثل للمجالات الصغيرة.
  • القصور في الهياكل الهرمية العميقة: عند تطبيقه على نموذج هرمي "أعمق" مع توزيعات قبلية عالمية-محلية (تعاقب التفاعلات من الرتب العليا)، أصبح تعديل "ييو-جونسون" غير مستقر للغاية، مما أنتج فترات غير قابلة للاستخدام. يشير هذا إلى أن التعديل الآلي له حدود عند تطبيقه على الهياكل الهرمية المعقدة والعميقة.

الأهمية والادعاءات
تدعي الورقة أنه بينما يعد الاستدلال البايزي لبيانات المسح المعقدة أمراً ممكناً، فإن التعديلات الآلية القياسية غير كافية للنماذج متعددة المستويات التي تحتوي على معلمات محلية. تقدم التعديلات المقترحة (تحديداً تحويل ييو-جونسون مع تصحيح انحناء التوزيع القبلي) طريقة فعالة حسابياً لتحسين تقدير عدم اليقين للمعلمات العالمية والمحلية في النماذج الهرمية "الضحلة".

يخلص المؤلفون بتواضع إلى أنه بينما يحسن نهجهم من الطرق الموجودة للنماذج متعددة المستويات القياسية، فإنه ليس حلاً عالمياً. إن عدم الاستقرار الملاحظ في النماذج الهرمية العميقة يشير إلى الحاجة لعمل مستقبلي لتشخيص متى تكون المعلمات "عميقة جداً" أو متى يكون تعديل الساندوتش غير مناسب، مما قد يتطلب استراتيجيات تعديل تفاضلية أو أدوات تشخيص (مثل استنساخ البيانات) لتحديد المعلمات القابلة للتقدير. يوفر هذا العمل أداة عملية وآلية للباحثين الذين يستخدمون بيانات المسح في الأطر البايزية الهرمية، لا سيما في دراسات التقاطعية وتحليل تباين المكونات.