Design-Conditional Prior Elicitation for Dirichlet Process Mixtures: A Unified Framework for Cluster Counts and Weight Control

Résumé Technique : Élicitation de l'A Priori Conditionnelle au Design pour les Mélanges de Processus de Dirichlet

Énoncé du Problème
Les modèles de mélange de processus de Dirichlet (DPM) sont largement adoptés dans la recherche éducative et comportementale pour l'analyse bayésienne semi-paramétrique, permettant aux données de révéler des structures latentes sans hypothèses paramétriques restrictives. Cependant, un obstacle critique à leur application efficace est la spécification du paramètre de concentration, $\alpha$. Ce paramètre régit à la fois le nombre attendu de clusters occupés ($K_J$) et la distribution des poids de mélange.

Les praticiens manquent généralement d'intuition directe concernant $\alpha$, mais peuvent articuler des croyances sur des quantités pertinentes au design, telles que le nombre attendu de sous-groupes distincts parmi un ensemble fixe de $J$ unités (par exemple, des sites dans un essai multisite). Cela crée un « écart de traduction » entre la connaissance substantielle du domaine et les hyperparamètres techniques requis par les logiciels. Les solutions existantes font face à trois limitations principales :

1. Écart de Traduction : Il n'existe pas de correspondance standard sous forme de formule fermée entre les croyances sur $K_J$ et les paramètres de forme et de taux $(a, b)$ d'un hyper-a priori Gamma ($\alpha \sim \text{Gamma}(a, b)$).
2. Écart Computationnel : Les méthodes de calibration reposent souvent sur des recherches par grille ou des exécutions MCMC répétées pour minimiser la divergence de Kullback–Leibler, rendant l'analyse de sensibilité systématique extrêmement coûteuse en calcul.
3. Écart de Cohérence : Calibrer un a priori uniquement pour correspondre aux croyances sur les nombres de clusters ne garantit pas que les poids de mélange implicites s'alignent sur les attentes de fond. Un a priori produisant un $K_J$ plausible peut involontairement encoder une probabilité élevée de « dominance de poids » (où un cluster capture la majorité de la masse), un phénomène nommé « l'a priori involontaire ».

Méthodologie : Élicitation Conditionnelle au Design (DCE)
Le papier propose l'Élicitation Conditionnelle au Design (DCE), un cadre unifié qui traduit les croyances des praticiens sur la structure des clusters en hyper-a priori Gamma cohérents pour une taille de design fixe $J$. Le cadre se compose de deux composantes centrales :

1. Appariement de Moments à Deux Étapes (TSMM) :

   • Étape 1 (Initialisation en Formule Fermée) : Utilise un proxy de Binomiale Négative décalée dérivé de la conjugaison Poisson–Gamma pour fournir une initialisation en formule fermée pour $(a, b)$ basée sur la moyenne cible ($\mu_K$) et la variance ($\sigma^2_K$) de $K_J$. Cette étape exploite l'approximation $K_J - 1 | \alpha \approx \text{Poisson}(\alpha \log J)$.
   • Étape 2 (Raffinement Exact) : Applique un raffinement de Newton exact dans l'espace des paramètres logarithmiques pour imposer les moments cibles sous la véritable distribution induite par le processus de Dirichlet pour un $J$ fini. Cette étape utilise les dérivées analytiques des moments conditionnels de $K_J$ (impliquant les fonctions digamma et trigamma) et l'intégration numérique (quadrature de Gauss–Laguerre) pour résoudre les équations d'appariement de moments.
   • Efficacité : Cette approche en deux étapes élimine le besoin de recherche par grille, atteignant une calibration de précision machine en environ 50 millisecondes (une accélération d'environ 900 fois par rapport aux approches d'optimisation de la divergence).

2. Protocole à Double Ancrage :

   • Reconnaissant que l'appariement des moments de $K_J$ ne contrôle pas la concentration des poids, le protocole DCE impose le rapport de diagnostics de poids, spécifiquement les probabilités de queue telles que $\Pr(w_1 > 0.5)$ et $\Pr(w_1 > 0.9)$, où $w_1$ est le premier poids de bris de bâton (stick-breaking).
   • Si un a priori calibré par TSMM implique un risque de dominance inacceptable (par exemple, une probabilité élevée qu'une unité aléatoire appartienne à un cluster majoritaire), le protocole offre un raffinement optionnel. Cela implique une optimisation contrainte qui équilibre la fidélité aux cibles de $K_J$ avec la tolérance à la dominance, en rapportant explicitement le compromis résultant.

Contributions Clés

1. Solution Computationnelle : L'introduction de TSMM résout le goulot d'étranglement computationnel de la calibration des a priori, permettant un appariement de moments exact et rapide sans recherche par grille.
2. Mécanisme de Cohérence : Le protocole à Double Ancre traite le phénomène de l'« a priori involontaire » en rendant explicites les implications sur les poids. Il fournit un mécanisme pour diagnostiquer et optionnellement contraindre la dominance des poids tout en rapportant de manière transparente le compromis par rapport à la fidélité du nombre de clusters.
3. Implémentation : Le flux de travail complet est implémenté dans le package R open-source DPprior, présentant des diagnostics reproductibles et une liste de contrôle de rapport pour assurer la transparence.

Résultats de Simulation
Le papier évalue le DCE par rapport aux défauts courants (ex: $\text{Gamma}(1, 1)$) et aux méthodes de calibration existantes (ex: Dorazio, 2009) à travers différents nombres de clusters réels ($K^* \in \{5, 10, 30\}$) et niveaux d'informativité des données ($I \in \{0.2, 0.5, 0.8\}$).

• Échec des Valeurs par Défaut : L'a priori standard $\text{Gamma}(1, 1)$ induit un « effondrement de cluster » (concentration de l'a posteriori sur $K_J=1$) dans plus de 60 % des cas, indépendamment de la structure réelle des clusters ou de l'informativité des données. Même des données hautement informatives ($I=0.8$) n'ont pas réussi à surmonter les hypothèses de regroupement (pooling) fortes de l'a priori vague.
• Performance de TSMM : Les a prioris calibrés par TSMM ont considérablement réduit le biais et amélioré la récupération de la structure réelle des clusters. Pour $K^*=30$, TSMM a réduit l'erreur quadratique moyenne (RMSE) de 28,04 (a priori vague) à 4,31.
• Nécessité du Double Ancrage : Pour les scénarios avec de petits nombres de clusters attendus ($K^*=5$), le TSMM seul présentait encore un taux d'effondrement modéré (~48 %) dû à la dominance de poids implicite. Le raffinement par Double Ancre a réduit ce taux d'effondrement à environ 10–14 %, produisant des estimations presque sans biais ($E[K_J | \text{données}] \approx 5,04$) et une couverture d'intervalle de crédibilité de 100 %.
• Limite de l'Informativité : Les simulations démontrent que l'augmentation de l'informativité des données ne sauve pas les a priori mal spécifiés ; une spécification d'a priori fondée demeure critique même dans des contextes riches en données.

Signification et Revendications
Le papier soutient que la « boîte noire » de la spécification de l'a priori dans les modèles non-paramétriques bayésiens doit être ouverte. Il affirme que le DCE fournit un flux de travail pratique et défendable pour les applications à design fixe (ex: essais multisites, méta-analyses) où la taille de l'échantillon $J$ est déterminée par le design de la recherche.

• Aborder le Débat SSD/SSI : Tout en reconnaissant la critique selon laquelle les a priori dépendants de la taille de l'échantillon (SSD) peuvent manquer de cohérence à travers différentes tailles d'échantillons, les auteurs soutiennent que pour les designs à $J$ fixe, l'élicitation des croyances sur $K_J$ est une approche substantiellement significative. Le DCE synthétise l'interprétabilité des méthodes SSD avec les insights de contrôle de poids des critiques des méthodes indépendantes de la taille de l'échantillon (SSI).
• Impact Pratique : Les auteurs affirment que le DCE fait passer le domaine vers une pratique plus rigoureuse où les a priori ne sont pas simplement des défauts « vagues », mais sont transparents, interprétables et alignés sur le design de l'étude. En exigeant des diagnostics de poids et en offrant un mécanisme de compromis, le DCE garantit que le phénomène de l'« a priori involontaire » est identifié et géré plutôt qu'ignoré.

Le papier conclut que dans les contextes d'échantillons modérés, les valeurs par défaut vagues peuvent se comporter comme des a priori de regroupement fort, et que l'augmentation de l'informativité des données ne neutralise pas automatiquement cet effet. Par conséquent, l'adoption de l'élicitation conditionnelle au design avec diagnostics de poids est recommandée pour une inférence robuste dans la recherche éducative et comportementale.