📊 statistics

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

Dit artikel behandelt het gebrek aan een principiële planning van de steekproefomvang voor Gaussische grafische modellen door een effectieve prior steekproefomvang te formaliseren onder Wishart- en G-Wishart-priors via vijf aangepaste schatters, waardoor onderzoekers in staat worden gesteld te bepalen welke gegevensomvang vereist is om ofwel de priorinformatie te domineren ofwel concludente randgebaseerde bewijsvoering te bereiken.

Oorspronkelijke auteurs: Giuseppe Arena, Lourens Waldorp, Maarten Marsman

Gepubliceerd 2026-06-23

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Giuseppe Arena, Lourens Waldorp, Maarten Marsman

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een detective bent die een mysterie probeert op te lossen over hoe verschillende variabelen in een systeem (zoals stress, slaap en koffieconsumptie) met elkaar verbonden zijn. Je hebt twee informatiebronnen:

Je "Prior" Kennis: Dit is wat je al gelooft op basis van een eerdere studie. Misschien heeft een collega vorig jaar een kleine studie gedaan en een sterke link gevonden tussen koffie en slaap. Je wilt hun bevindingen gebruiken om je te helpen.
Je Nieuwe Data: Dit is het verse bewijs dat je op het punt staat te verzamelen.

Het probleem is: Hoeveel is je "Prior" kennis eigenlijk waard?

Als je vorige studie minuscuul was (bijvoorbeeld slechts 5 mensen), maar je behandelt het alsof het een enorme studie was (bijvoorbeeld 5.000 mensen), dan kan je nieuwe data worden overstemd. Je conclusies zouden dan slechts een herhaling zijn van de oude, wankele studie. Maar als je een enorme, kwalitatief hoogstaande eerdere studie behandelt alsof het slechts een vermoeden is, negeer je mogelijk waardevolle inzichten.

Dit artikel gaat over het bouwen van een liniaal om precies te meten hoeveel "mensen" (waarnemingen) je voorkennis waard is.

Het Kernprobleem: De "Black Box" van Netwerkmodellen

In de wereld van de statistiek, specifief voor Gaussian Graphical Models (GGMs) (dat zijn chique kaarten die laten zien hoe variabelen met elkaar verbonden zijn), gebruiken onderzoekers een wiskundig hulpmiddel genaamd een Wishart- of G-Wishart-verdeling om hun voorkennis weer te geven.

Beschouw deze verdelingen als een "black box" die een complex web van overtuigingen bevat. Hoewel deze box een instelling heeft genaamd "vrijheidsgraden" (laten we dat $\nu$ noemen), die lijkt aan te geven wat de steekproefomvang is, is het eigenlijk misleidend. Omdat de variabelen in deze netwerken allemaal met elkaar verstrengeld zijn (afhankelijk van elkaar), is de "echte" hoeveelheid informatie in de box niet simpelweg $\nu$ . Het is een rommelige, verstrengelde knoop die erg moeilijk te ontwarren en te tellen is.

Zonder een manier om deze knoop te tellen, vlogen onderzoekers blind rond. Ze wisten niet of ze 100 nieuwe datapunten of 1.000 moesten verzamelen om er zeker van te zijn dat hun nieuwe data sterker was dan hun oude overtuigingen.

De Oplossing: De "Effectieve Steekproefomvang" (ESS) Liniaal

De auteurs hebben een nieuwe manier bedacht om deze "Prior Waarde" te meten. Ze noemen het de Prior Effective Sample Size (ESS).

In plaats van alleen naar de instelling $\nu$ te kijken, hebben ze vijf verschillende "linialen" (schatters) ontwikkeld om de informatie in de black box te meten.

De Analogie: Stel je voor dat je een pot met knikkers hebt. Sommige zijn rood, sommige zijn blauw, en ze zitten aan elkaar geplakt in vreemde clusters. Je wilt weten hoeveel individuele knikkers je hebt.
- Sommige linialen tellen alleen het totale gewicht van de pot (en negeren de lijm).
- Andere linialen proberen de clusters te ontwarren om de werkelijke knikkers te tellen.
- De auteurs ontdekten dat verschillende linialen iets andere antwoorden geven, afhankelijk van hoe sterk de knikkers aan elkaar "geplakt" (afhankelijk) zijn in het netwerk.

Ze ontdekten dat de prior voor sommige netwerken meer waard is dan de instelling $\nu$ suggereert, en voor andere juist minder.

De Twee-Stappen-Strategie voor het Plannen van je Studie

Zodra je weet hoeveel "knikkers" (waarnemingen) je prior waard is, geeft het artikel je twee strategieën om te beslissen hoe groot je nieuwe studie moet zijn.

Strategie 1: De "Data vs. Prior" Touwtrekkerij (DPIR)

Doel: Zorgen dat je nieuwe data sterk genoeg is om je oude overtuigingen te overtreffen.
De Metafoor: Stel je een touwtrekwedstrijd voor. Aan de ene kant staat je Prior (je oude studie). Aan de andere kant staat je Nieuwe Data.

Als de Prior te zwaar is, beweegt het touw niet, en bevestigt je nieuwe studie alleen maar wat je al "wist".
De methode van de auteurs berekent exact hoeveel nieuwe mensen je moet werven zodat het "Nieuwe Data"-team harder trekt dan het "Prior"-team.
Ze bieden twee manieren om dit te meten:
- Globaal: Is de gemiddelde nieuwe data sterker dan de prior?
- Parametergewijs: Is de nieuwe data sterker dan de prior voor elke afzonderlijke verbinding in het netwerk? (Dit is de striktere, veiligere optie).

Strategie 2: De "Edge Detective" (BFDA)

Doel: Zorgen dat je de verbindingen die je zoekt daadwerkelijk kunt zien.
De Metafoor: Stel je voor dat je zoekt naar specifieke lijnen (edges) die punten op een kaart verbinden. Sommige lijnen zijn dik en duidelijk; andere zijn vaag en moeilijk te zien.

Deze strategie vraagt: "Hoeveel mensen moet ik ondervragen zodat ik met vertrouwen kan zeggen: 'Ja, deze lijn bestaat' of 'Nee, deze lijn is leeg'?"
Ze richten zich op de zwakste schakel in je netwerk. Als je de zwakste verbinding kunt detecteren die je belangrijk vindt, kun je de sterkere verbindingen ook zeker detecteren.
Dit zorgt ervoor dat je studie genoeg "power" heeft om de waarheid te vinden, in plaats van alleen maar te gokken.

De Kernboodschap

Het artikel biedt een toolkit (en een gratis softwarepakket genaamd designbgm) die onderzoekers helpt om:

Te tellen exact hoeveel hun voorkennis waard is in termen van steekproefomvang.
Te plannen hoe groot hun studie moet zijn, zodat hun nieuwe data dominant genoeg is om oude overtuigingen te overtreffen.
Er zeker van te zijn dat ze genoeg data verzamelen om de verbindingen te detecteren waar ze in geïnteresseerd zijn.

Kortom, het voorkomt dat onderzoekers moeten gokken hoe groot hun studie moet zijn. In plaats daarvan kunnen ze een wiskundige liniaal gebruiken om te zeggen: "Mijn oude studie is 50 mensen waard, dus om er zeker van te zijn dat mijn nieuwe data wint, moet ik minstens 130 mensen werven." Dit maakt de wetenschap betrouwbaarder en de studies efficiënter.

Technische Samenvatting: De waarde van de prior? Effectieve steekproefomvang en planning van steekproefomvang voor Gaussische Grafische Modellen

Probleemstelling
In de Bayesiaanse analyse van Gaussische Grafische Modellen (GGM's) maken onderzoekers vaak gebruik van informatieve priors die afgeleid zijn van eerdere studies om de schatting van de precisie-matrix $\Theta$ te regulariseren. De standaard conjunctieve priors voor GGM's zijn de Wishart-verdeling (voor volledige grafen) en de G-Wishart-verdeling (voor ijle grafen). Deze priors worden beheerst door hyperparameters: vrijheidsgraden ( $\nu$ ) en een schaalmatrix ( $\Psi$ ).

Er bestaat een kritische kloof in de literatuur met betrekking tot de kwantificering van de "prior effectieve steekproefomvang" (ESS) voor deze multivariate, beperkte verdelingen. Hoewel $\nu$ vaak wordt geïnterpreteerd als de omvang van de eerdere studie, weerspiegelt dit niet accuraat de werkelijke informatie-inhoud van de prior in eenheden van onafhankelijke observaties. Dit komt doordat de elementen van de precisie-matrix afhankelijk zijn, en de informatieve kracht van de prior afhangt van de volledige covariantiestructuur die door $\Psi$ en de graaftopologie $G$ wordt gecodeerd. Zonder een principieel meetinstrument voor de prior ESS ontbreekt het onderzoekers aan een basis voor de planning van de steekproefomvang: zij kunnen niet bepalen hoe groot een nieuwe dataset moet zijn zodat de data de prior domineert, noch kunnen zij studies effectief ontwerpen met behulp van Bayes Factor Design Analysis (BFDA) wanneer informatieve priors betrokken zijn. Bestaande ESS-methoden zijn grotendeels beperkt tot univariate of onbeperkte multivariate instellingen en strekken zich niet uit tot de Wishart- of G-Wishart-verdelingen.

Methodologie
De auteurs formaliseren een pre-data ESS-framework voor GGM's, dat uitsluitend opereert vóór de dataverzameling om toepasbaarheid bij het onderzoeksontwerp te waarborgen. De methodologie bestaat uit drie hoofdonderdelen:

Adaptatie van ESS-schatters: Vijf pre-data ESS-schatters, oorspronkelijk ontwikkeld voor univariate of algemene multivariate instellingen (Neuenschwander et al., 2020), worden aangepast aan de precisie-matrix $\Theta$ onder Wishart- en G-Wishart-priors. Deze omvatten:
- Variantie-ratio (VR)
- Precisie-ratio (PR)
- Morita-Thall-Müller (MTM)
- Pennello-Thompson (PT)
- Expected Local Information Ratio (ELIR)
De auteurs definiëren twee aggregatieschema's voor deze schatters:
- Globale ESS: Berekend via de determinant-ratio van de teller- en noemermatrices (die respectievelijk de verwachte informatie en de prior-variantie vertegenwoordigen), verheven tot de macht $1/d$ (waarbij $d = p(p+1)/2$ ).
- Parameterwijze ESS: Afgeleid via de Cholesky-decompositie van de teller- en noemermatrices, wat een ESS-waarde levert voor elke unieke entry $\theta_{ij}$ van de precisie-matrix.
Voor de Wishart-prior zijn analytische gesloten vorm-expressies afgeleid. Voor de G-Wishart-prior, waarbij de normaliserende constanten onhandelbaar zijn voor niet-decomposable grafen, worden de schatters berekend via Monte Carlo-simulatie.
Data-naar-Prior Informatieverhouding (DPIR): Een nieuwe planningsstrategie wordt geïntroduceerd om de steekproefomvang $n^\star$ te bepalen die vereist is zodat de data de prior domineert. De DPIR is gedefinieerd als de ratio van de determinant van de verwachte Fisher-informatie van de data tot de determinant van de geobserveerde Fisher-informatie van de prior. De optimale steekproefomvang is de minimale $n$ waarvoor de waarschijnlijkheid dat de data-informatie de prior-informatie overtreft (met een factor $\xi \ge 1$ ) een doelstelling-drempel $\tau$ (standaard 0.99) bereikt onder de prior-predictieve verdeling.
Extensie van Bayes Factor Design Analysis (BFDA) naar GGM's: De auteurs breiden BFDA uit naar GGM's om de steekproefomvang te bepalen die nodig is om voldoende bewijs te verkrijgen voor de inclusie of exclusie van een rand (edge). Dit omvat:
- Het formuleren van hypothesen voor conditionele onafhankelijkheid ( $H_0: \rho_{ij} = 0$ versus $H_1: \rho_{ij} \neq 0$ ).
- Het gebruik van de Savage-Dickey dichtheidsratio voor volledige grafen en Monte Carlo-schatting van normaliserende constanten voor ijle grafen.
- Het selecteren van een "planningsrand" op basis van het $q$ -de kwantiel van de prior partiële correlaties om ervoor te zorgen dat de stekelijke omvang voldoende is voor de zwakst detecteerbare rand, gebruikmakend van de monotoniciteit van de vereiste steekproefomvang met betrekking tot de effectgrootte.

Belangrijkste Resultaten
Twee simulatiestudies werden uitgevoerd om de voorgestelde methoden te valideren:

Simulatiestudie 1 (ESS-gedrag):
- De MTM, PT en ELIR-schatters bleken alleen afhankelijk te zijn van $\nu$ en het aantal variabelen $p$ , waardoor ze invariant zijn voor de schaalmatrix $\Psi$ en de graafstructuur.
- De VR en PR-schatters bleken gevoelig te zijn voor de volledige structuur van $\Psi$ en de graaftopologie.
- Er werd een systematische "Jensen-kloof" waargenomen tussen VR en PR. De VR-schatter levert over het algemeen waarden op die groter zijn dan $\nu$ ( $ESS_{VR} > \nu$ ), terwijl de PR-schatter waarden oplevert die kleiner zijn dan $\nu$ ( $ESS_{PR} < \nu$ ).
- De kloof tussen VR en PR neemt toe met de netwerkomvang ( $p$ ) en neemt af met de omvang van de eerdere studie ( $\nu$ ).
- Voor de G-Wishart-prior vertoont de ratio $ESS/\nu$ een niet-monotoon gedrag met betrekking tot de netwerkdensiteit. $ESS_{VR}/\nu$ piekt bij intermediaire densiteiten, terwijl $ESS_{PR}/\nu$ monotoon afneemt naarmate de densiteit toeneemt. Dit sugggeert dat dichtere netwerken de effectieve informatie van de prior ten opzichte van $\nu$ verminderen vanwege toegenomen parametrische afhankelijkheden.
Simulatiestudie 2 (Steekproefomvang Planning):
- De DPIR en BFDA strategieën werden gevalideerd over diverse graafstructuren (Erdős-Rényi, Barabási-Albert, Watts-Strogatz) en prior-specificaties.
- De resultaten bevestigden dat de twee strategieën complementaire doelen nastreven: DPIR zorgt voor data-dominantie over de prior, terwijl BFDA zorgt voor voldoende power voor specifieke rand-detectie.
- De geplande steekproefomvang ( $n^\star$ ) bleek gevoelig voor misspecificatie van de prior, met name met betrekking tot de keuze van de planningsrand en de sterkte van het prior-signaal.
- De studie toonde aan dat het louter vertrouwen op $\nu$ voor de planning van de steekproefomvang misleidend kan zijn; de werkelijke ESS en de resulterende $n^\star$ kunnen aanzienlijk verschillen afhankelijk van de graafdensiteit en de specifieke geometrie van de prior precisie-matrix.

Betekenis en Bijdragen
Het artikel beweert een cruciale leemte in de Bayesiaanse GGM-literatuur op te vullen door het eerste principiële framework te bieden voor het kwantificeren van de prior ESS en het uitvoeren van planning van de steekproefomvang voor deze modellen. De specifieke bijdragen zijn:

Formalisering van Pre-Data ESS: Het afleiden van globale en parameterwijze ESS-maten voor Wishart- en G-Wishart-priors, waarbij rekening wordt gehouden met de inherente afhankelijkheidsstructuur van precisie-matrices.
Planningsstrategieën: Het introduceren van de DPIR-procedure en het uitbreiden van BFDA naar GGM's, wat twee complementaire routes biedt voor het bepalen van de steekproefomvang die rekening houdt met de informatieve kracht van de prior.
Software-implementatie: Het leveren van een open-source R-package, designbgm, die alle schatters en de volledige DPIR–BFDA-pipeline implementeert, waardoor deze methoden toegankelijk worden voor onderzoekers.

De auteurs concluderen dat zonder deze instrumenten, onderzoekers die informatieve priors voor GGM's eliciteren, een rigoureuze basis missen voor het bepalen van steekproefomvang, wat potentieel kan leiden tot studies waarbij de prior de posterior domineert of waarbij de detectie van randen onderbezet is. De voorgestelde methoden stellen onderzoekers in staat om te beoordelen of hun geplande studie voldoende informatie draagt om de prior te overtreffen en om studies te ontwerpen die concluderend bewijs leveren voor specifieke netwerkranden.