Sólymos Péter (ökológus, R programozó, egy tucat R csomag szerzője, köztük dclone, mefa4 és vegan): Adat klónozás: híd a Bayes-i és frekventista statisztikai paradigmák között A hierarchikus modellek felhasználása sokrétű, a kevert modellek illesztésére szolgáló csomagok az R legnépszerűbb tartozékai (pl. lme4). A nem standard modellek illesztése azonban problémákat rejt az átlag felhasználó számára (sokdimenziós integrálok, deriváltak számítása). Ezzel szemben a Bayes-i módszerek térhódítása ezen a területen az MCMC algoritmusoknak és a felhasználó barát szoftvereknek köszönhetően töretlen. Az adat klónozás egyesíti a frekventista és Bayes-i számítási módszerek előnyeit: felhasználó barát szoftverek segítségével lehet frekventista (maximum likelihood) eredményeket nyerni. Ezekért az előnyökért az árat számolásigényben kell megfizetni, hiszen az adatok klónozása révén nyomjuk el a prior eloszlás hatását. Az előadásban a dclone R csomag használatával klasszikus BUGS példákon keresztül mutatom be az adat klónozás algorimus működését és azt, hogy hogyan lehet parallel módon csökkenteni a számítások időigényét. Röviden kitérek a dcmle csomag nyújtotta fejlesztői környzetre is.

1. Adat klónozás
híd a Bayes-i és frekventista
statisztikai paradigmák között
Sólymos Péter
http://psolymos.github.com
BURN Meetup | 2014.07.16 | Budapest 1

2. Motiváció
• Ökológia: a kölcsönhatások tudománya
– Környezet  Élőlény
– Élőlény  Környezet
– Élőlény  Élőlény
• Adataink nem mindíg ideálisak:
– Függetlenség nem teljesül (térbeli, időbeli,
leszármazási függőség)
– Megfigyelési hiba (függő és független
változók esetén egyaránt)
– Hiányzó adatok
2

3. Hierarchikus modellek
• Inferencia:
– Megfigyelések
– Látens folyamat
– Paraméterek
– Likelihood
• Komputáció:
– Sokdimenziós integrál – nehéz kiszámítani
– Zajos likelihood fuggvény – kihívás a numerikus módszereknek
– Második deriváltak – számítási nehézségek
3

4. MCMC arzenál
• Inferencia a poszterior eloszlás alapján:
• A normalizáló konstanst nehéz kiszámolni, de
az MCMC algoritmusoknak hála erre nincs is
szükség.
• Sok általános MCMC program elérhető jól
használható R interfésszel:
– WinBUGS, OpenBUGS, JAGS
– Újabban Stan, NIMBLE, stb.
4

5. 5

6. Poisson – Log-Normal model
set.seed(1234)
n <- 50
beta <- c(1.8, -0.9)
sigma <- 0.2
x <- runif(n, min = 0, max = 1)
X <- model.matrix(~ x)
alpha <- rnorm(n, mean = 0, sd = sigma)
lambda <- exp(alpha + drop(X %*% beta))
Y <- rpois(n, lambda)
𝑌𝑖 𝜆𝑖 ~Poisson 𝜆𝑖
log 𝜆𝑖 = 𝛽0𝑖 + 𝛽1 𝑥𝑖
𝛽0𝑖~Normal(𝛽0, 𝜎2
)
𝜃 = (𝛽0, 𝛽1, 𝜎2)
6

7. Szekvenciális JAGS munkamenet
library(dclone)
Library(rjags)
model <- function() {
for (i in 1:n) {
Y[i] ~ dpois(lambda[i])
lambda[i] <- exp(alpha[i] +
inprod(X[i,], beta[1,]))
alpha[i] ~ dnorm(0, tau)
}
for (j in 1:np) {
beta[1,j] ~ dnorm(0, 0.001)
}
log.sigma ~ dnorm(0, 0.001)
sigma <- exp(log.sigma)
tau <- 1 / pow(sigma, 2)
}
d <- list(Y = Y, X = X, n = n,
np = ncol(X))
7
load.module("glm")
fn <- write.jags.model(model)
system.time(jm <- jags.model(fn, d,
n.chains=3))
system.time(update(jm,
n.iter=10000))
system.time(m <- coda.samples(jm,
c("beta", "sigma"),
n.iter=5000, thin=1))
clean.jags.model(fn)
unload.module("glm")

8. Parallel JAGS munkamenet
cl <- makePSOCKcluster(3)
parLoadModule(cl, "glm")
system.time(parJagsModel(cl, name="res", file=model, data=d,
n.chains = 3, n.adapt=1000))
system.time(parUpdate(cl, "res", n.iter=10000))
system.time(m2 <- parCodaSamples(cl, "res", c("beta", "sigma"),
n.iter=5000))
parUnloadModule(cl, "glm")
stopCluster(cl)
8

9. jags.fit wrapper
load.module("glm")
system.time(m3 <- jags.fit(d,
c("beta", "sigma"), model,
n.update = 10000))
unload.module("glm")
## bugs.fit & stan.fit
## wrapper is van!
9
cl <- makePSOCKcluster(3)
parLoadModule(cl, "glm")
system.time(m4 <- jags.parfit(cl, d,
c("beta", "sigma"), model,
n.update = 10000))
parUnloadModule(cl, "glm")
stopCluster(cl)
## bugs.parfit & stan.parfit
## wrapper is van!
A burnin idő nem
csökken 0-ra:
1/n.iter + overhead
RNG – nagyon fontos!
Másodperc
Láncok száma

10. 10
http://lego.gizmodo.com/5020703/35310-lego-star-wars-clone-trooper-army-invades-earth
Data cloning
Lele et al. Ecol. Lett. 10:551–563, 2007
Lele et al. JASA 105:1617–1625, 2010
Sólymos R Journal, 2:29-37, 2010

11. Adat klónozás
• Elméleti eredmények:
• Konzekvenciák:
– Bayesian MCMC algoritmusik használhatók frekventista célokra
– A poszterior átlag az MLE
– K * poszterior variancia = MLE variancia
– Nem kell többdimenziós integrált és deriváltakat számolni
– Nem baj ha zajos a likelihood függvény, a hatványozás kiemeli a
globális maximumot
– Az eredmény nem függ a prior eloszlástól.
11

12. 12
Adat klónozás vizuálisan

13. Az adatok előkészítése és dc.fit
13
Másodperc
Klónok száma
d2 <- dclone(d, n.clones = 2,
multiply = "n", unchanged = "np")
nclones(d2)
str(d)
str(d2)
k <- c(1, 2, 4, 8)
system.time(m5 <- dc.fit(d,
c("beta", "sigma"),
model, n.clones = k, n.iter = 1000,
multiply = "n", unchanged = "np"))
plot(dctable(m5))

14. Parallelizáció: dc.parfit
cl <- makePSOCKcluster(3)
system.time(m6 <- dc.parfit(cl, d,
c("beta", "sigma"),
model, n.clones = k, n.iter = 1000,
multiply = "n", unchanged = "np",
partype="parchains"))
system.time(m6 <- dc.parfit(cl, d,
c("beta", "sigma"),
model, n.clones = k, n.iter = 1000,
multiply = "n", unchanged = "np",
partype="balancing"))
system.time(m6 <- dc.parfit(cl, d,
c("beta", "sigma"),
model, n.clones = k, n.iter = 1000,
multiply = "n", unchanged = "np",
partype="both"))
stopCluster(cl)
14
Parallel chains:
Tanulás (jobb mixing,
kevesebb burnin)
Size balancing:
A legnagyobb probláma
számít
Mindkettő:
Ez a legkompaktabb
opció

15. Parallelizáció: dc.parfit
cl <- makePSOCKcluster(3)
system.time(m6 <- dc.parfit(cl, d,
c("beta", "sigma"),
model, n.clones = k, n.iter = 1000,
multiply = "n", unchanged = "np",
partype="parchains"))
system.time(m6 <- dc.parfit(cl, d,
c("beta", "sigma"),
model, n.clones = k, n.iter = 1000,
multiply = "n", unchanged = "np",
partype="balancing"))
system.time(m6 <- dc.parfit(cl, d,
c("beta", "sigma"),
model, n.clones = k, n.iter = 1000,
multiply = "n", unchanged = "np",
partype="both"))
stopCluster(cl)
15
Parallel chains:
Tanulás (jobb mixing,
kevesebb burnin)
Size balancing:
A legnagyobb probláma
számít
Mindkettő:
Ez a legkompaktabb
opció

16. 16
Cluster opciók összefoglalása
Emellett multicore
jellegű forking:
cl <- 3

17. Parallel RNG
## 'base::BaseRNG' factory
str(parallel.inits(NULL, 2))
## 'lecuyer::RngStream' factory
load.module("lecuyer", quiet = TRUE)
str(parallel.inits(NULL, 2))
unload.module("lecuyer", quiet = TRUE)
• WinBUGS, OpenBUGS: a seed módszer nem
garantálja a nagyon hosszú láncok
függetlenségét
• Stan: L’Ecuyer RNG az alap
• JAGS: 4 kül. RNG az alap + lecuyer modul:
17

18. Mennyi klón kell?
18
> dcdiag(m5)
n.clones lambda.max ms.error r.squared r.hat
1 1 0.29978344 0.123200602 0.009283392 1.036925
2 2 0.13688967 0.050523626 0.007621271 1.037907
3 4 0.08255999 0.006328008 0.001040713 1.043169
4 8 0.02986512 0.009152263 0.001472445 1.034379
A poszterior degenerált
MVN eloszlássá változik
K emelkedésével
• A maximum sajátérték
a degeneráció fokát
mutatja
• QQ plot jellegű
mérőszámok mutatják
a MVN elvárás
teljesülését

19. Paraméter azonosíthatóság
19
Ha a likelihood függvény platót alkot, akkor
az eloszlás nem degenerálódik
plató
MLE nem
emelkedik ki

20. N-mixture
20
Abundancia (látens):
𝑁𝑖 𝜆𝑖 ~Poisson 𝜆𝑖
log 𝜆𝑖 = 𝛽0 + 𝛽1 𝑥𝑖
Megfigyelés:
𝑌𝑖 𝑁𝑖, 𝑝𝑖 ~Binomial 𝑁𝑖, 𝑝𝑖
logit 𝑝𝑖 = 𝛼0 + 𝛼1 𝑧𝑖
Nem azonosítható ha (𝜆𝑖 𝑝𝑖) állandó, de jól mszétválik ha
(𝜆𝑖 𝑝𝑖) kovariánsokkal magyarázható.

21. Összegzés
1. Az adat klónozás egy globális optimalizációs
algoritmus, ami kihasználja a Bayesi MCMC
módszereket, hogy frekventista becslést végezzen
(MLE és Fisher információs mátrix).
2. A modell paraméterek azonosíthatóságáról
azonnal tájékoztat.
3. A tanulási folyamat (erős prior) javítja a mixing-et
és csökkenti a burin-t.
4. Ehhez az adatokat klónozni kell, ami jelentősen
növelheti a DAG (directed acyclic graph) méretét.
5. A klónok számát a számolásigény limitálhatja,
ezért HPC eszközök használata javasolt.
21

22. Példa: SAR
22
Lineáris kevert modell, meta-elemzés:
- Heteroszkadasztikus
- A random hatások konfidencia határaitra
voltunk kíváncsiak (shrinkage)
Patiño et al. 2014. Differences in species–area
relationships among the major lineages of land
plants: a macroecological perspective. Global
Ecology and Biogeography, in press.

23. sharx
23
library(sharx)
## ez a függvény amit a felhasználó használ
hsarx
## ez értelmezi a formulát
sharx:::parse_hsarx
## ez készíti el az elemzési objektumot
sharx:::make_hsarx

24. dcmle csomag
24
paurelia <- c(17,29,39,63,185,258,267,392,510,570,650,560,575,650,550,
480,520,500)
paramecium <- new("dcFit")
paramecium@data <- list(ncl=1, n=length(paurelia),
Y=dcdim(data.matrix(paurelia)))
paramecium@model <- function() {
for (k in 1:ncl) {
for(i in 2:(n+1)){
Y[(i-1), k] ~ dpois(exp(X[i, k]))
X[i, k] ~ dnorm(mu[i, k], 1 / sigma^2)
mu[i, k] <- X[(i-1), k] + log(lambda) - log(1 + beta * exp(X[(i-1), k]))
}
X[1, k] ~ dnorm(mu0, 1 / sigma^2)
}
beta ~ dlnorm(-1, 1)
sigma ~ dlnorm(0, 1)
tmp ~ dlnorm(0, 1)
lambda <- tmp + 1
mu0 <- log(2) + log(lambda) - log(1 + beta * 2)
}
paramecium@multiply <- "ncl"
paramecium@unchanged <- "n"
paramecium@params <- c("lambda","beta","sigma")

25. dcmle csomag
25
(mm1 <- dcmle(paramecium, n.clones=1, n.iter=1000))
(mm2 <- dcmle(paramecium, n.clones=2, n.iter=1000))
(mm3 <- dcmle(paramecium, n.clones=1:3, n.iter=1000))
cl <- makePSOCKcluster(3)
(mm4 <- dcmle(paramecium, n.clones=2, n.iter=1000, cl=cl))
(mm5 <- dcmle(paramecium, n.clones=1:3, n.iter=1000, cl=cl))
(mm6 <- dcmle(paramecium, n.clones=1:3, n.iter=1000, cl=cl,
partype="parchains"))
(mm7 <- dcmle(paramecium, n.clones=1:3, n.iter=1000, cl=cl,
partype="both"))
stopCluster(cl)

26. Classic BUGS példák
26
> listDcExamples()$topic
[1] blocker bones dyes epil equiv leuk
[7] litters lsat mice oxford pump rats
[13] salm seeds air alli asia beetles
[19] biops birats cervix dugongs eyes hearts
[25] ice jaw orange pigs schools paramecium
sourceDcExample("seeds")
seeds@model
custommodel(seeds@model)
seeds
mm <- dcmle(seeds, n.clones=10)
summary(mm)

27. PVAClone csomag
27
library(PVAClone)
#example(pva, run.dontrun=TRUE)
data(redstart)
mod <- pva(redstart, gompertz("poisson"), c(5,10))
summary(mod)
coef(mod)
vcov(mod)
confint(mod)
## DC alapú likelihood ratio teszt: model.select
## DC alapú profile likelihood
## ld.: - Ponciano et al. 2009. Ecology 90:356-–362.
## - Nadeem & Lele 2012. Oikos 121:1656--1664.

28. PVAClone csomag
28
> summary(mod)
PVA object:
Gompertz growth model with Poisson observation error
Time series with 30 observations (missing: 0)
Call:
pva(x = redstart, model = gompertz("poisson"), n.clones = c(5,
10))
Settings:
start end thin n.iter n.chains n.clones
2001 7000 1 5000 3 10
Coefficients:
Estimate Std. Error z value Pr(>|z|)
a 0.4472 0.3727 1.200 0.2302
b -0.2241 0.1930 -1.161 0.2456
sigma 0.2964 0.1185 2.502 0.0124 *
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Convergence:
n.clones lambda.max ms.error r.squared r.hat
5 0.11825 NA NA NA
10 0.05847 NA NA NA

29. Szerszámosláda
29
• Ami MCMC-vel megoldható, arra van frekventista
módszerünk!
• Már elérhető:
– Aszimptotikus inferencia (MLE, Fisher információs
mátrix)
– Profile likelihood, LR teszt (hosszadalmas)
– Bootstrap (hosszadalmas)
• Folyamatban:
– Diagnosztikus próbák (R-hat problémáitól mentes)
– Megközelítő bootstrap és profile likelihood (gyors akár
a Bayes)
– Honlap, könyv...

30. Szerszámosláda
30
• Ami MCMC-vel megoldható, arra van frekventista
módszerünk!
• Már elérhető:
– Aszimptotikus inferencia (MLE, Fisher információs
mátrix)
– Profile likelihood, LR teszt (hosszadalmas)
– Bootstrap (hosszadalmas)
• Folyamatban:
– Diagnosztikus próbák (R-hat problémáitól mentes)
– Megközelítő bootstrap és profile likelihood (gyors akár
a Bayes)
– Honlap, könyv...