What is your Prior Worth? Effective Sample Size and Sample Size Planning for Gaussian Graphical Models

Sintesi Tecnica: Valore del Prior? Dimensione Campionaria Effettiva e Pianificazione della Dimensione Campionaria per i Modelli Grafici Gaussiani

Enunciato del Problema
Nell'analisi bayesiana dei Modelli Grafici Gaussiani (GGM), i ricercatori utilizzano spesso prior informativi derivati da studi precedenti per regolarizzare la stima della matrice di precisione $\Theta$. I prior coniugati standard per i GGM sono la distribuzione di Wishart (per grafi completi) e la distribuzione G-Wishart (per grafi sparsi). Questi prior sono governati da iperparametri: gradi di libertà ($\nu$) e una matrice di scala ($\Psi$).

Esiste una lacuna critica nella letteratura riguardante la quantificazione della "dimensione campionaria effettiva del prior" (ESS - Effective Sample Size) per queste distribuzioni multivariate e vincolate. $\nu$ viene spesso interpretato come la dimensione dello studio precedente, ma non riflette accuratamente il reale contenuto informativo del prior in unità di osservazioni indipendenti. Ciò accade perché le voci della matrice di precisione sono dipendenti e l'informatività del prior dipende dalla completa struttura di covarianza codificata in $\Psi$ e dalla topologia del grafo $G$. Senza una misura rigorosa della ESS del prior, i ricercatori mancano di una base per la pianificazione della dimensione campionaria: non possono determinare quanto un nuovo dataset debba essere grande affinché i dati dominino il prior, né possono progettare efficacemente studi utilizzando l'Analisi di Design del Fattore di Bayes (BFDA) quando sono coinvolti prior informativi. Gli esistenti metodi di ESS sono ampiamente limitati ad ambiti univariati o multivariati non vincolati e non si estendono alle distribuzioni Wishart o G-Wishart.

Metodologia
Gli autori formalizzano un framework di ESS pre-data per i GGM, operando esclusivamente prima della raccolta dei dati per garantirne l'applicabilità alla progettazione dello studio. La metodologia prevede tre componenti principali:

1. Adattamento degli stimatori ESS: Cinque stimatori ESS pre-data, originariamente sviluppati per contesti univariati o multivariati generali (Neuenschwander et al., 2020), sono adattati alla matrice di precisione $\Theta$ sotto prior di tipo Wishart e G-Wishart. Questi includono:

   • Rapporto di Varianza (VR)
   • Rapporto di Precisione (PR)
   • Morita-Thall-Müller (MTM)
   • Pennello-Thompson (PT)
   • Rapporto di Informazione Locale Attesa (ELIR)

   Gli autori definiscono due schemi di aggregazione per questi stimatori:

   • ESS Globale: Calcolato tramite il rapporto del determinante delle matrici numeratore e denominatore (che rappresentano l'informazione attesa e la varianza del prior, rispettivamente), elevato alla potenza di $1/d$ (dove $d = p(p+1)/2$).
   • ESS per Parametro: Derivato tramite decomposizione di Cholesky delle matrici numeratore e denominatore, fornendo un valore di ESS per ogni voce unica $\theta_{ij}$ della matrice di precisione.

   Per il prior di Wishart, sono derivate espressioni analitiche in forma chiusa. Per il prior G-Wishart, dove le costanti di normalizzazione sono intrattabili per grafi non decomponibili, gli stimatori sono calcolati tramite simulazione Monte Carlo.

2. Rapporto di Informazione Dati-Prior (DPIR): Viene introdotta una nuova strategia di pianificazione per determinare la dimensione campionaria $n^\star$ necessaria affinché i dati dominino il prior. Il DPIR è definito come il rapporto tra il determinante dell'informazione di Fisher attesa dei dati e il determinante dell'informazione di Fisher osservata del prior. La dimensione campionaria ottimale è il minimo $n$ tale che la probabilità che l'informazione dei dati superi l'informazione del prior (di un fattore $\xi \ge 1$) raggiunga una soglia target $\tau$ (predefinito 0.99) sotto la distribuzione predittiva del prior.

3. Estensione della Bayes Factor Design Analysis (BFDA) ai GGM: Gli autori estendono la BFDA ai GGM per determinare la dimensione campionaria necessaria per ottenere evidenza sufficiente per l'inclusione o l'esclusione di un arco. Ciò comporta:

   • La formulazione di ipotesi per l'indipendenza condizionale ($H_0: \rho_{ij} = 0$ vs. $H_1: \rho_{ij} \neq 0$).
   • L'uso del rapporto di densità di Savage-Dickey per grafi completi e la stima Monte Carlo delle costanti di normalizzazione per grafi sparsi.
   • La selezione di un "arco di pianificazione" basata sul quantile $q$-esimo delle correlazioni parziali del prior per garantire che la dimensione campionaria sia sufficiente per l'arco più debole rilevabile, sfruttando la monotonicità della dimensione campionaria richiesta rispetto alla dimensione dell'effetto.

Risultati Chiave
Sono stati condotti due studi di simulazione per validare i metodi proposti:

• Studio di Simulazione 1 (Comportamento della ESS):

  • Gli stimatori MTM, PT ed ELIR sono risultati dipendere solo da $\nu$ e dal numero di variabili $p$, rendendoli invarianti rispetto alla matrice di scala $\Psi$ e alla struttura del grafo.
  • Gli stimatori VR e PR sono risultati sensibili alla completa struttura di $\Psi$ e alla topologia del grafo.
  • È stato osservato un sistematico "gap di Jensen" tra VR e PR. Lo stimatore VR produce generalmente valori superiori a $\nu$ ($ESS_{VR} > \nu$), mentre lo stimatore PR produce valori inferiori a $\nu$ ($ESS_{PR} < \nu$).
  • Il gap tra VR e PR aumenta con la dimensione della rete ($p$) e diminuisce con la dimensione del prior ($\nu$).
  • Per il prior G-Wishart, il rapporto $ESS/\nu$ esibisce un comportamento non monotono rispetto alla densità della rete. Il rapporto $ESS_{VR}/\nu$ raggiunge un picco a densità intermedie, mentre $ESS_{PR}/\nu$ diminuisce monotonicamente all'aumentare della densità. Ciò suggerisce che le reti più dense riducono l'informazione effettiva del prior rispetto a $\nu$ a causa dell'aumento delle dipendenze tra i parametri.

• Studio di Simulazione 2 (Pianificazione della Dimensione Campionaria):

  • Le strategie DPIR e BFDA sono state validate attraverso varie strutture di grafo (Erdős-Rényi, Barabási-Albert, Watts-Strogatz) e diverse specifiche del prior.
  • I risultati hanno confermato che le due strategie mirano a obiettivi complementari: il DPIR assicura il dominio dei dati sul prior, mentre la BFDA assicura il potere statistico per la rilevazione di archi specifici.
  • È stato dimostrato che la dimensione campionaria pianificata ($n^\star$) è sensibile alla misspecificazione del prior, in particolare riguardo alla scelta dell'arco di pianificazione e alla forza del segnale del prior.
  • Lo studio ha dimostrato che affidarsi esclusivamente a $\nu$ per la pianificazione della dimensione campionaria può essere fuorviante; la ESS effettiva e la conseguente $n^\star$ possono differire significativamente a seconda della densità del grafo e della specifica geometria della matrice di precisione del prior.

Significatività e Contributi
L'articolo sostiene di colmare una lacuna critica nella letteratura sui GGM bayesiani fornendo il primo framework rigoroso per quantificare la ESS del prior e condurre la pianificazione della dimensione campionaria per questi modelli. I contributi specifici sono:

1. Formalizzazione della ESS Pre-Data: Derivazione di misure di ESS globale e per parametro per i prior di tipo Wishart e G-Wishart, riconoscendo la struttura di dipendenza inerente alle matrici di precisione.
2. Strategie di Pianificazione: Introduzione della procedura DPIR ed estensione della BFDA ai GGM, offrendo due percorsi complementari per determinare la dimensione campionaria che tengano conto dell'informatività del prior.
3. Implementazione Software: Fornitura di un pacchetto R open-source, designbgm, che implementa tutti gli stimatori e l'intero pipeline DPIR–BFDA, rendendo questi metodi accessibili ai ricercatori.

Gli autori concludono che, senza questi strumenti, i ricercatori che estraggono prior informativi per i GGM mancano di una base rigorosa per determinare le dimensioni campionarie, rischiando potenzialmente studi in cui il prior domina il posterior o in cui la rilevazione degli archi è sottoalimentata (underpowered). I metodi proposti permettono ai ricercatori di valutare se lo studio pianificato trasporta informazioni sufficienti per superare il prior e di progettare studi che raggiungano evidenze conclusive per specifici archi della rete.