面向异方差模型的数据变换增广
统计方法学
2020-05-26 v2 统计计算
摘要
数据增广（DA）通过增广潜在缺失数据，将看似难以处理的计算问题转化为简单问题。除了计算简便外，现已公认，配备确定性变换的 DA 能够改善 EM 算法或 Gibbs 采样器等迭代算法的收敛速度。在本文中，我们概述了一种基于变换的 DA 框架，称之为数据变换增广（DTA），其允许增广数据为潜在与观测数据以及未知参数的确定性函数。在此框架下，我们研究了一种新颖的 DTA 方案，该方案将异方差模型转化为同方差模型，以利用同方差情形下通常可用的更简便计算。将此 DTA 方案应用于拟合线性混合模型时，我们证明了所得迭代算法相比非基于变换的 DA 方案具有更简便的计算与更快的收敛速度。我们还使用所提出的 DTA 方案拟合了一个 Beta-Binomial 模型，其能够采样仅在同方差下可用的近似边际后验分布。R 包 Rdta 已在 CRAN 公开提供。
引用
@article{arxiv.1911.02748,
title = {Data transforming augmentation for heteroscedastic models},
author = {Hyungsuk Tak and Kisung You and Sujit K. Ghosh and Bingyue Su and Joseph Kelly},
journal= {arXiv preprint arXiv:1911.02748},
year = {2020}
}