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

Resumo Técnico: Elicitação de Priores Condicionada ao Desenho para Misturas de Processos de Dirichlet

Definição do Problema
Modelos de Mistura de Processo de Dirichlet (DPM) são amplamente adotados em pesquisas educacionais e comportamentais para análise bayesiana semiparamétrica, permitindo que os dados revelem estruturas latentes sem suposições paramétricas restritivas. No entanto, uma barreira crítica para sua aplicação eficaz é a especificação do parâmetro de concentração, $\alpha$. Este parâmetro governa tanto o número esperado de clusters ocupados ($K_J$) quanto a distribuição dos pesos de mistura.

Os praticantes tipicamente carecem de intuição direta sobre $\alpha$, mas conseguem articular crenças sobre quantidades relevantes ao desenho, como o número esperado de subgrupos distintos entre um conjunto fixo de $J$ unidades (ex: sítios em um ensaio multissítio). Isso cria um "hiato de tradução" entre o conhecimento substantivo do domínio e os hiperparâmetros técnicos exigidos pelo software. As soluções existentes enfrentam três limitações primárias:

1. Hiato de Tradução: Não existe um mapeamento padrão de forma fechada da crença sobre $K_J$ para os parâmetros de forma e taxa $(a, b)$ de uma hiperpriore Gamma ($\alpha \sim \text{Gamma}(a, b)$).
2. Hiato Computacional: Métodos de calibração frequentemente dependem de buscas em grade ou execuções repetidas de MCMC para minimizar a divergência de Kullback–Leibler, tornando a análise de sensibilidade sistemática computacionalmente proibitiva.
3. Hiato de Coerência: Calibrar uma priore apenas para corresponder às crenças sobre contagens de clusters não garante que os pesos de mistura implícitos estejam alinhados com as expectativas substantivas. Uma priore que gera um $K_J$ plausível pode, inadvertidamente, codificar uma alta probabilidade de "dominância de peso" (onde um cluster captura a maior parte da massa), um fenômeno denominado "priore não pretendida".

Metodologia: Elicitação Condicionada ao Desenho (DCE)
O artigo propõe a Elicitação Condicionada ao Desenho (DCE), um framework unificado que traduz as crenças do praticante sobre a estrutura de clusters em hiperpriores Gamma coerentes para um tamanho de desenho fixo $J$. O framework consiste em dois componentes principais:

1. Correspondência de Momentos em Dois Estágios (TSMM):

   • Estágio 1 (Inicialização de Forma Fechada): Utiliza um proxy de Binomial Negativa deslocada derivada da conjugação Poisson–Gamma para fornecer uma inicialização de forma fechada para $(a, b)$ baseada na média alvo ($\mu_K$) e variância ($\sigma^2_K$) de $K_J$. Este passo utiliza a aproximação $K_J - 1 | \alpha \approx \text{Poisson}(\alpha \log J)$.
   • Estágio 2 (Refinamento Exato): Aplica um refinamento de Newton exato no espaço do log-parâmetro para impor os momentos alvo sob a verdadeira distribuição induzida pelo processo de Dirichlet para o finito-$J$. Este estágio utiliza derivadas analíticas dos momentos condicionais de $K_J$ (envolvendo funções digama e trigama) e integração numérica (quadratura de Gauss–Laguerre) para resolver as equações de correspondência de momentos.
   • Eficiência: Esta abordagem de dois estágios elimina a necessidade de busca em grade, alcançando calibração de precisão de máquina em aproximadamente 50 milissegundos (um aumento de velocidade de ~900 vezes em relação às abordagens de otimização de discrepância).

2. Protocolo de Âncora Dupla:

   • Reconhecendo que a correspondência dos momentos de $K_J$ não controla a concentração de peso, a DCE exige o relato de diagnósticos de peso, especificamente probabilidades de cauda como $\Pr(w_1 > 0.5)$ e $\Pr(w_1 > 0.9)$, onde $w_1$ é o primeiro peso de quebra de bastão (stick-breaking).
   • Se a priore calibrada pela TSMM implicar um risco de dominância inaceitável (ex: uma alta probabilidade de que uma unidade aleatória pertença a um cluster majoritário), o protocolo oferece um refinamento opcional. Isso envolve uma otimização restrita que equilibra a fidelidade aos alvos de $K_J$ contra a tolerância à dominância, relatando explicitamente o trade-off resultante.

Principais Contribuições

1. Solução Computacional: A introdução da TSMM resolve o gargalo computacional da calibração de priores, permitindo correspondência de momentos rápida e exata sem busca em grade.
2. Mecanismo de Coerência: O protocolo de Âncora Dupla aborda o fenômeno da "priore não pretendida" ao tornar as implicações de peso explícitas. Ele fornece um mecanismo para diagnosticar e, opcionalmente, restringir a dominância de peso enquanto relata transparentemente o trade-off contra a fidelidade da contagem de clusters.
3. Implementação: O fluxo de trabalho completo é implementado no pacote de R de código aberto DPprior, apresentando diagnósticos reproduzíveis e um checklist de relatório para garantir a transparência na pesquisa aplicada.

Resultados de Simulação
O artigo avalia a DCE contra padrões comuns (ex: $\text{Gamma}(1, 1)$) e métodos de calibração existentes (ex: Dorazio, 2009) através de variadas contagens reais de clusters ($K^* \in \{5, 10, 30\}$) e níveis de informatividade dos dados ($I \in \{0.2, 0.5, 0.8\}$).

• Falha dos Padrões: A priore padrão $\text{Gamma}(1, 1)$ induz "colapso de cluster" (concentração posterior em $K_J=1$) em mais de 60% dos casos, independentemente da estrutura real de clusters ou da informatividade dos dados. Mesmo dados altamente informativos ($I=0.8$) falharam em superar as suposições de agrupamento (pooling) fortes da priore vaga.
• Desempenho da TSMM: As priores calibradas pela TSMM reduziram substancialmente o viés e melhoraram a recuperação da estrutura real de clusters. Para $K^*=30$, a TSMM reduziu o Erro Quadrático Médio (RMSE) de 28.04 (Priore vaga) para 4.31.
• Necessidade da Âncora Dupla: Para cenários com pequenas contagens esperadas de clusters ($K^*=5$), a TSMM sozinha ainda exibiu taxas moderadas de colapso (~48%) devido à dominância de peso implícita. O refinamento da Âncora Dupla reduziu essa taxa de colapso para aproximadamente 10–14%, resultando em estimativas quase não viesadas ($E[K_J | \text{dados}] \approx 5.04$) e cobertura de intervalo de credibilidade de 100%.
• Limitação de Informatividade: As simulações demonstram que aumentar a informatividade dos dados não resgata priores mal especificadas; a especificação de priore fundamentada permanece crítica mesmo em cenários ricos em dados.

Significância e Alegações
O artigo argumenta que a "caixa preta" da especificação de priore em estatística não paramétrica deve ser aberta. Alega que a DCE fornece um fluxo de trabalho prático e defensável para aplicações de desenho fixo (ex: ensaios multissítios, meta-análises) onde o tamanho da amostra $J$ é determinado pelo desenho da pesquisa.

• Abordagem do Debate SSD/SSI: Embora reconheça a crítica de que priores dependentes do tamanho da amostra (SSD) podem carecer de coerência entre variados tamanhos de amostra, os autores argumentam que, para desenhos de $J$ fixo, a elicitação de crenças sobre $K_J$ é uma abordagem substantivamente significativa. A DCE sintetiza a interpretabilidade dos métodos SSD com os insights de controle de peso das críticas de independência do tamanho da amostra (SSI).
• Impacto Prático: Os autores afirmam que a DCE move o campo em direção a uma prática mais fundamentada, onde as priores não são meramente padrões "vagos", mas sim transparentes, interpretáveis e alinhadas com o desenho do estudo. Ao exigir diagnósticos de peso e oferecer um mecanismo de trade-off, a DCE garante que o fenômeno da "priore não pretendida" seja identificado e gerenciado, em vez de ignorado.

O artigo conclui que, em cenários de amostra moderada, padrões vagos podem se comportar como priores de forte agrupamento (pooling), e que aumentar a informatividade dos dados não neutraliza automaticamente esse efeito. Portanto, a adoção da elicitação condicionada ao desenho com diagnósticos de peso é recomendada para inferência robusta em pesquisas educacionais e comportamentais.