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

Sintesi Tecnica: Elicitazione del Prior Condizionata al Design per i Mix di Processi di Dirichlet

Problema
I modelli di Mix di Processi di Dirichlet (DPM) sono ampiamente adottati nella ricerca educativa e comportamentale per l'analisi bayesiana semiparametrica, consentendo ai dati di rivelare strutture latenti senza assunzioni parametriche restrittive. Tuttavia, una barriera critica alla loro applicazione efficace è la specificazione del parametro di concentrazione, $\alpha$. Questo parametro governa sia il numero atteso di cluster occupati ($K_J$) sia la distribuzione dei pesi del mix.

I professionisti mancano tipicamente di un'intuizione diretta su $\alpha$, ma possono articolare credenze su quantità rilevanti per il design, come il numero atteso di sottogruppi distinti tra un insieme fisso di $J$ unità (ad esempio, siti in un trial multisito). Ciò crea un "gap di traduzione" tra la conoscenza dottrinale sostanziale e gli iperparametri tecnici richiesti dai software. Le soluzioni esistenti affrontano tre limitazioni primarie:

1. Gap di Traduzione: Non esiste una mappatura standard a forma chiusa tra le credenze su $K_J$ e i parametri di forma e tasso $(a, b)$ di un iperprior Gamma ($\alpha \sim \text{Gamma}(a, b)$).
2. Gap Computazionale: I metodi di calibrazione spesso si affidano a ricerche su griglia o esecuzioni ripetute di MCMC per minimizzare la divergenza di Kullback–Leibler, rendendo la l'analisi di sensibilità sistematica computazionalmente proibitiva.
3. Gap di Coerenza: Calibrare un prior esclusivamente per corrispondere alle credenze sul numero di cluster non garantisce che i pesi del mix impliciti siano allineati con le aspettative sostanziali. Un prior che produce un $K_J$ plausibile può involontariamente codificare un'alta probabilità di "dominanza del peso" (dove un singolo cluster cattura la maggior parte della massa), un fenomeno definito "prior non intenzionale".

Metodologia: Elicitazione Condizionata al Design (DCE)
Il documento propone l'Elicitazione Condizionata al Design (DCE), un quadro unificato che traduce le credenze del professionista sulla struttura dei cluster in iperprior Gamma coerenti per una dimensione di design fissa $J$. Il framework consiste in due componenti principali:

1. Corrispondenza dei Momenti in Due Fasi (TSMM):

   • Fase 1 (Inizializzazione a Forma Chiusa): Utilizza un proxy Binomiale Negativa traslato derivato dalla coniugazione Poisson–Gamma per fornire un'inizializzazione a forma chiusa per $(a, b)$ basata sulla media target ($\mu_K$) e la varianza ($\sigma^2_K$) di $K_J$. Questo passaggio sfrutta l'approssimazione $K_J - 1 | \alpha \approx \text{Poisson}(\alpha \log J)$.
   • Fase 2 (Raffinamento Esatto): Applica un raffinamento di Newton esatto nello spazio dei parametri logaritmici per imporre i momenti target sotto la vera distribuzione indotta dal processo di Dirichlet per un finito-$J$. Questa fase utilizza derivate analitiche dei momenti condizionali di $K_J$ (che coinvolgono funzioni digamma e trigamma) e integrazione numerica (quadratura di Gauss–Laguerre) per risolvere le equazioni di corrispondenza dei momenti.
   • Efficienza: Questo approccio in due fasi elimina la necessità di ricerca su griglia, raggiungendo una calibrazione a precisione di macchina in circa 50 millisecondi (un'accelerazione di circa 900 volte rispetto agli approcci di ottimizzazione della discrepanza).

2. Protocollo a Doppio Ancora (Dual-Anchor Protocol):

   • Riconoscendo che la corrispondenza dei momenti di $K_J$ non controlla la concentrazione del peso, il DCE impone la segnalazione di diagnostiche del peso, specificamente probabilità di coda come $\Pr(w_1 > 0.5)$ e $\Pr(w_1 > 0.9)$, dove $w_1$ è il primo peso del processo di stick-breaking.
   • Se un prior calibrato tramite TSMM implica un rischio di dominanza inaccettabile (ad esempio, un'alta probabilità che un'unità casuale appartenga a un cluster di maggioranza), il protocollo offre un raffinamento opzionale. Questo comporta un'ottimizzazione vincolata che bilancia la fedeltà ai target di $K_J$ con la tolleranza alla dominanza, riportando esplicitamente il compromesso risultante.

Contributi Chiave

1. Soluzione Computazionale: L'introduzione di TSMM risolve il collo di bottiglia computazionale della calibrazione del prior, consentendo una rapida e precisa corrispondenza dei momenti senza ricerca su griglia.
2. Meccanismo di Coerenza: Il protocollo Dual-Anchor affronta il fenomeno del "prior non intenzionale" rendendo esplicite le implicazioni del peso. Fornisce un meccanismo per diagnosticare e opzionalmente vincolare la dominanza del peso, riportando in modo trasparente il compromesso rispetto alla fedeltà del conteggio dei cluster.
3. Implementazione: L'intero workflow è implementato nel pacchetto R open-source DPprior, che presenta diagnostiche riproducibili e una checklist di reporting per garantire la trasparenza nella ricerca applicata.

Risultati delle Simulazioni
Il documento valuta il DCE rispetto ai default comuni (ad esempio, $\text{Gamma}(1, 1)$) e ai metodi di calibrazione esistenti (ad esempio, Dorazio, 2009) attraverso diversi conteggi reali di cluster ($K^* \in \{5, 10, 30\}$) e livelli di informatività dei dati ($I \in \{0.2, 0.5, 0.8\}$).

• Fallimento dei Default: Il prior standard $\text{Gamma}(1, 1)$ induce un "collasso dei cluster" (concentrazione del posterior su $K_J=1$) in oltre il 60% dei casi, indipendentemente dalla reale struttura dei cluster o dall'informatività dei dati. Persino i dati altamente informativi ($I=0.8$) non sono riusciti a superare le forti assunzioni di pooling del prior vago.
• Prestazioni di TSMM: I prior calibrati con TSMM hanno ridotto sostanzialmente il bias e migliorato il recupero della reale struttura dei cluster. Per $K^*=30$, TSMM ha ridotto l'errore quadratico medio (RMSE) da 28.04 (prior vago) a 4.31.
• Necessità del Dual-Anchor: Per scenari con piccoli conteggi attesi di cluster ($K^*=5$), il solo TSMM mostrava ancora tassi di collasso moderati (~48%) a causa della dominanza del peso implicita. Il raffinamento Dual-Anchor ha ridotto questo tasso di collasso a circa il 10–14%, producendo stime quasi imparziali ($E[K_J | \text{data}] \approx 5.04$) e una copertura dell'intervallo di credibilità del 100%.
• Limite dell'Informatività: Le simulazioni dimostrano che aumentare l'informatività dei dati non salva i prior mal specificati; la specifica del prior basata su principi rimane critica anche in contesti ricchi di dati.

Significatività e Rivendicazioni
Il documento sostiene che la "scatola nera" della specificazione del prior nella statistica bayesiana non parametrica debba essere aperta. Afferma che il DCE fornisce un workflow pratico e difendibile per applicazioni con design a dimensione fissa (ad esempio, trial multisito, meta-analisi) dove la dimensione del campione $J$ è determinata dal design della ricerca.

• Affrontare il dibattito SSD/SSI: Pur riconoscendo la critica secondo cui i prior dipendenti dalla dimensione del campione (SSD) possono mancare di coerenza tra diverse dimensioni campionarie, gli autori sostengono che per i design a $J$ fisso, l'elicitazione delle credenze su $K_J$ sia un approccio sostanzialmente significativo. Il DCE sintetizza l'interpretabilità dei metodi SSD con le intuizioni sul controllo del peso delle critiche ai metodi indipendenti dalla dimensione del campione (SSI).
• Impatto Pratico: Gli autori affermano che il DCE sposta il campo verso una pratica più rigorosa in cui i prior non sono semplicemente default "vagi", ma sono trasparenti, interpretabili e allineati con il design dello studio. Richiedendo diagnostiche del peso e offrendo un meccanismo di compromesso, il DCE assicura che il fenomeno del "prior non intenzionale" venga identificato e gestito anziché ignorato.

Il documento conclude che in contesti con campioni moderati, i default vaghi possono comportarsi come prior di forte pooling e che aumentare l'informatività dei dati non neutralizza automaticamente questo effetto. Pertanto, l'adozione dell'elicitazione condizionata al design con diagnostica del peso è raccomandata per un'inferenza robusta nella ricerca educativa e comportamentale.