Bayesian nonparametric models for zero-inflated count-compositional data using ensembles of regression trees

यहाँ शोध पत्र "Bayesian nonparametric models for zero-inflated count-compositional data using ensembles of regression trees" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र काउंट-कंपोजिशनल डेटा (count-compositional data) के विश्लेषण में निहित सांख्यिकीय चुनौतियों को संबोधित करता है, जो पारिस्थितिकी (ecology), पुरा-जलवायु विज्ञान (palaeoclimatology) और माइक्रोबायोम अनुसंधान (जैसे पराग गणना, सूक्ष्मजीव प्रचुरता) जैसे क्षेत्रों में उत्पन्न होता है। ये डेटा बहुभिन्नरूपी गणनाओं (multivariate counts) द्वारा अभिलक्षित होते हैं जो एक निश्चित कुल योग तक सीमित होते हैं। लेखक चार महत्वपूर्ण चुनौतियों की पहचान करते हैं, जो अक्सर एक साथ होती हैं और जिन्हें मौजूदा विधियाँ व्यापक रूप से हल करने में विफल रहती हैं:

1. जीरो-इन्फ्लेशन (Zero-Inflation): मानक सैंपलिंग परिवर्तनशीलता से अधिक शून्य (zeros) की उपस्थिति। महत्वपूर्ण रूप से, ये शून्य संरचनात्मक (structural) हो सकते हैं (घटना घटित नहीं हो सकती) या सैंपलिंग (sampling) संबंधी (घटना घटित होती है लेकिन देखी नहीं जाती)। मौजूदा मॉडल अक्सर इन्हें मिला देते हैं या बहुभिन्नरूपी संदर्भ में संरचनात्मक शून्यों को स्पष्ट रूप से मॉडल करने में विफल रहते हैं।
2. ओवरडिस्पर्शन (Overdispersion): मल्टीनोमियल वितरण द्वारा अनुमानित भिन्नता से काफी अधिक विचरण (variance)।
3. जटिल कोवेरिएट प्रभाव (Complex Covariate Effects): कोवेरिएट्स (जैसे जलवायु, आहार) और कंपोजिशन के बीच संबंध अक्सर गैर-रेखीय (nonlinear) होते हैं और इनमें उच्च-क्रम की अंतःक्रियाएं (high-order interactions) शामिल होती हैं, जिन्हें पैरामीट्रिक रैखिक मॉडल पकड़ने में विफल रहते हैं।
4. क्रॉस-सैंपल हेटेरोजेनिटी (Cross-Sample Heterogeneity): अवलोकित न किए गए लेटेंट कारक (unobserved latent factors) जो श्रेणियों और नमूनों के बीच निर्भरता पैदा करते हैं।

मौजूदा दृष्टिकोण आमतौर पर पैरामीट्रिक धारणाओं (जैसे रैखिक कार्यात्मक रूप) या विशिष्ट वितरणों (जैसे डिरिचलेट-मल्टीनोमियल) पर निर्भर करते हैं जो लचीलेपन को सीमित करते हैं, या वे गॉसियन प्रोसेस (GPs) का उपयोग करते हैं जो कम्प्यूटेशनल रूप से महंगे हैं और नमूना आकार के साथ खराब तरीके से स्केल करते हैं।

2. कार्यप्रणाली (Methodology)

लेखक रिग्रेशन ट्री के एन्सेम्बल्स (BART) पर आधारित दो नवीन बेयसियन नॉनपैरामेट्रिक मॉडल प्रस्तावित करते हैं: ZANIM-BART और ZANIM-LN-BART।

मुख्य ढांचा: ZANIM वितरण

ये मॉडल Zero-and-N-inflated Multinomial (ZANIM) वितरण (मेनेजेस एट अल., 2025) का विस्तार करते हैं। यह वितरण डेटा को एक परिमित मिश्रण (finite mixture) के रूप में मानता है:

• संरचनात्मक शून्य (Structural Zeros): इन्हें लेटेंट इंडिकेटर्स $z_{ij}$ (बर्नौली) के माध्यम से मॉडल किया जाता है, जो यह दर्शाते हैं कि क्या नमूना $i$ में श्रेणी $j$ संरचनात्मक रूप से अनुपस्थित है।
• सैंपलिंग शून्य (Sampling Zeros): तब उत्पन्न होते हैं जब घटना घटित होती है लेकिन गणना शून्य होती है।
• N-इन्फ्लेशन (N-Inflation): उन मामलों को संभालता है जहाँ सभी श्रेणियों को छोड़कर केवल एक श्रेणी में शून्य सह-घटित होते हैं।

प्रस्तावित मॉडल

1. ZANIM-BART:

   • कंपोजिशनल प्रोबेबिलिटीज ($\theta$): इन्हें Multinomial Logistic BART प्रायर (मरे, 2021) का उपयोग करके मॉडल किया जाता है। यह कंपोजिशनल प्रोबेबिलिटीज को कोवेरिएट्स पर निर्भर करने के लिए एक लचीले, नॉनपैरामेट्रिक रिग्रेशन ट्री के योग का उपयोग करने की अनुमति देता है।
   • स्ट्रक्चरल जीरो प्रोबेबिलिटीज ($\zeta$): इन्हें Probit BART प्रायर (चिपमैन एट अल., 2010) का उपयोग करके मॉडल किया जाता है। यह संरचनात्मक शून्य की संभावना को कोवेरिएट्स पर नॉनपैरामेट्रिक रूप से निर्भर करने की अनुमति देता है।
   • परिणाम: यह पूर्व-निर्धारित कार्यात्मक रूपों को निर्दिष्ट किए बिना प्रचुरता (abundance) और "अनुपस्थिति" तंत्र दोनों के लिए गैर-रैखिकता और अंतःक्रियाओं को कैप्चर करता है।

2. ZANIM-LN-BART:

   • यह कंपोजिशनल प्रोबेबिलिटीज में मल्टीवेरिएट लॉजिस्टिक-नॉर्मल रैंडम इफेक्ट्स ($u_i$) को शामिल करके ZANIM-BART का विस्तार करता है।
   • उद्देश्य: ओवरडिस्पर्शन और श्रेणियों के बीच जटिल निर्भरता संरचनाओं को कैप्चर करना जिन्हें केवल कोवेरिएट्स द्वारा समझाया नहीं जा सकता है।
   • आइडेंटिफिएबिलिटी (Identifiability): रैंडम इफेक्ट्स के कोवेरिएंस मैट्रिक्स को पार्सिमोनियस रूप से मॉडल करने के लिए एक सम-टू-जीरो बाधा (sum-to-zero constraint) और एक फैक्टर-एनालिटिक हाइपरप्रायर (भट्टाचार्य और डन्सन, 2011) का उपयोग करता है, जिससे लेटेंट फैक्टर्स की एक निश्चित संख्या की आवश्यकता नहीं रहती।

अनुमान एल्गोरिदम (Inference Algorithm)

लेखक एक कुशल मार्कोव चेन मोंटे कार्लो (MCMC) एल्गोरिदम विकसित करते हैं जो निम्नलिखित का संयोजन है:

• डेटा ऑगमेंटेशन (Data Augmentation): शून्य-इन्फ्लेशन और प्रोबिट लिंक्स को संभालने के लिए मेनेजेस एट अल. (2025) और अल्बर्ट एवं चिब (1993) से स्कीम्स को अनुकूलित करता है। यह श्रेणियों के बीच संभावना (likelihood) को विभाजित करने के लिए लेटेंट वेरिएबल्स ($\phi_i, z_{ij}, w_{ij}$) पेश करता है।
• बेयसियन बैकफिटिंग (Bayesian Backfitting): ट्री टोपोलॉजी के लिए मेटापोलिस-हेस्टिंग्स (Metropolis-Hastings) और टर्मिनल नोड पैरामीटर्स के लिए गिब्स सैंपलिंग (Gibbs sampling) का उपयोग करते हुए स्थापित BART सैंपलिंग रूटीन का उपयोग करता है।
• एलिप्टिकल स्लाइस सैंपलिंग (Elliptical Slice Sampling): ZANIM-LN-BART मॉडल में रैंडम इफेक्ट्स को अपडेट करने के लिए उपयोग किया जाता है।

3. प्रमुख योगदान (Key Contributions)

• नवीन नॉनपैरामेट्रिक ढांचा: काउंट-कंपोजिशनल डेटा के लिए BART का पहला अनुप्रयोग, जो संरचनात्मक शून्य और कंपोजिशनल प्रोबेबिलिटीज दोनों को लचीले, डेटा-संचालित कार्यात्मक रूपों के साथ स्पष्ट रूप से मॉडल करता है।
• चुनौतियों का एकीकृत समाधान: शून्य-इन्फ्लेशन (संरचनात्मक बनाम सैंपलिंग), ओवरडिस्पर्शन (रैंडम इफेक्ट्स के माध्यम से), और जटिल कोवेरिएट प्रभाव (BART के माध्यम से) को एक साथ संबोधित करता है।
• नए मॉडल व्युत्पन्न (New Model Derivations):
  • ZANIM-LN-BART को ZANIM के सामान्यीकरण के रूप में पेश करता है।
  • MLN-BART (Multinomial Logistic-Normal BART) को एक विशेष मामले के रूप में व्युत्पन्न करता है (जब संरचनात्मक शून्य हटा दिए जाते हैं), जो साहित्य में एक नया योगदान प्रतीत होता है।
• कम्प्यूटेशनल दक्षता: यह प्रदर्शित करता है कि BART-आधारित अनुमान बड़े नमूना आकारों के लिए कम्प्यूटेशनल रूप से व्यवहार्य है और अक्सर गासियन प्रोसेस (GP) विकल्पों की तुलना में बेहतर स्केल करता है।
• मजबूती (Robustness): यह दिखाता है कि मॉडल तब भी अच्छा प्रदर्शन करता है जब डेटा जनरेटिंग प्रक्रिया मिसस्पेसिफाइड (जैसे, जब संरचनात्मक शून्य अनुपस्थित होते हैं, तो मॉडल महत्वपूर्ण रूप से खराब नहीं होता है) हो।

4. परिणाम (Results)

सिमुलेशन अध्ययन (Simulation Studies)

• परिदृश्य 1 (गैर-रैखिकता): गैर-रैखिक कोवेरिएट प्रभावों और संरचनात्मक शून्यों वाले परिवेश में, ZANIM-BART और ZANIM-LN-BART ने वास्तविक संभावनाओं को पुनः प्राप्त करने में प्रतिस्पर्धियों (ML-BART, MLN-GP, ZIDM-reg, DM-reg) की तुलना में काफी बेहतर प्रदर्शन किया। प्रतिस्पर्धी मॉडल संरचनात्मक शून्यों को अनदेखा करने या रैखिकता मानने के कारण पक्षपाती (bias) रहे।
• परिदृश्य 2 (स्केलेबिलिटी और जटिलता): विभिन्न आयामों ($d=20, 40$) और नमूना आकारों ($n=200, 1000$) के साथ परीक्षण किया गया। प्रस्तावित मॉडल ने लगातार कम KL डाइवर्जेंस और संरचनात्मक शून्यों तथा व्यक्तिगत स्तर की संभावनाओं के लिए बेहतर कवरेज प्रोबेबिलिटीज (CP) प्राप्त की।
• कम्प्यूटेशनल लागत: हालांकि BART मॉडल सरल रिग्रेशन मॉडल की तुलना में धीमे हैं, वे बढ़ते नमूना आकार के साथ GP-आधारित मॉडल (MLN-GP) की तुलना में प्रतिस्पर्धी या तेज़ हैं, क्योंकि GP की स्केलेबिलिटी खराब होती है।

वास्तविक डेटा अनुप्रयोग (Real Data Applications)

1. पराग डेटा (Pollen Data) के लिए पुरा-जलवायु पुनर्निर्माण:
   • 28 पराग टैक्सों के 7,832 नमूनों का जलवायु कोवेरिएट्स के विरुद्ध विश्लेषण किया गया।
   • ZANIM-LN-BART ने सबसे अच्छा फिट प्रदान किया, जो उच्च ओवरडिस्पर्शन, शून्य-इन्फ्लेशन (63% शून्य), और जटिल पराग-जलवायु संबंधों (बहु-मोडलिटी सहित) को सटीक रूप से कैप्चर करता है।
   • पार्शियल डिपेंडेंस प्लॉट्स ने विशिष्ट टैक्सों (जैसे Picea और Pinus.D) पर सूक्ष्म, गैर-रैखिक जलवायु प्रभावों को प्रकट किया जिन्हें पैरामीट्रिक मॉडल नहीं पकड़ सके।
2. मानव गट माइक्रोबायोम (Human Gut Microbiome):
   • 13 टैक्सों और 108 आहार कोवेरिएट्स के साथ 96 नमूनों का विश्लेषण किया गया।
   • मॉडल ने सफलतापूर्वक वेरिएबल सिलेक्शन किया और गैर-रैखिक आहार प्रभावों (जैसे Prevotella पर ग्लाइसेमिक इंडेक्स का प्रभाव) की पहचान की।
   • इसने ज़ीरो-इन्फ्लेशन पैटर्न को पुनरुत्पादित करने में ZIDM और DM रिग्रेशन मॉडल की तुलना में बेहतर प्रदर्शन किया।

5. महत्व (Significance)

यह शोध पत्र काउंट-कंपोजिशनल डेटा के सांख्यिकीय विश्लेषण में एक महत्वपूर्ण प्रगति का प्रतिनिधित्व करता है। BART को जीरो-इन्फ्लेटेड मिक्सचर मॉडल्स और लेटेंट रैंडम इफेक्ट्स के साथ एकीकृत करके, लेखक एक "वन-साइज़-फिट-ऑल" ढांचा प्रदान करते हैं जो:

• कोवेरिएट प्रभावों के बारे में प्रतिबंधात्मक पैरामीट्रिक धारणाओं की आवश्यकता को समाप्त करता है।
• "वास्तविक अनुपस्थिति" (संरचनात्मक शून्य) और "गैर-पता लगाने" (सैंपलिंग शून्य) के बीच स्पष्ट अंतर करता है, जो पारिस्थितिक और जैविक निष्कर्षों के लिए महत्वपूर्ण है।
• बड़े पैमाने के उच्च-आयामी कंपोजिशनल डेटा के लिए एक कम्प्यूटेशनल रूप से व्यवहार्य विकल्प प्रदान करता है।

यह कार्य बेयसियन नॉनपैरामेट्रिक तकनीकों (BART) और कंपोजिशनल डेटा के लिए कठोर संभाव्यता मॉडलिंग के बीच के अंतर को पाटता है, जो पुरा-जलवायु विज्ञान, माइक्रोबायोम विज्ञान और पारिस्थितिकी के शोधकर्ताओं के लिए एक शक्तिशाली उपकरण प्रदान करता है।