Efficient and Accurate Variational Inference for Multilevel Threshold Autoregressive Models in Intensive Longitudinal Data
Recent technological advancements enable the collection of intensive longitudinal data (ILD) through repeated measurements from individuals. While multilevel TAR models have been proposed for ILD data , fitting these models can pose computational challenges. This study introduces a mean field variational Bayes (MFVB) algorithm as an alternative to traditional Bayesian inference. Simulation results show that our MFVB algorithm is significantly faster than the standard Markov Chain Monte Carlo (MCMC) approach. Furthermore, increasing the number of individuals or time points enhances the accuracy of parameter estimates using MFVB, highlighting the importance of sufficient data for complex models. In real-world data application, the MFVB algorithm significantly outperformed MCMC in speed. In summary, the MFVB algorithm provides a notably faster and reliable alternative to MCMC for large-scale inference in ILD models, demonstrating its potential as an efficient tool for ILD data analysis.
Inférence variationnelle efficace et précise pour les modèles autorégressifs à seuil multiniveaux dans les données longitudinales intensives
Les progrès technologiques récents permettent la collecte de données longitudinales intensives (DLI) par le biais de mesures répétées des individus. Bien que des modèles TAR multiniveaux aient été proposés pour les DLI, l'ajustement de ces modèles peut poser des problèmes de calcul. Cette étude présente un algorithme de Bayes variationnel en champ moyen (MFVB) en guise d'option de remplacement à l'inférence bayésienne traditionnelle. Les résultats de la simulation montrent que notre algorithme MFVB est significativement plus rapide que l'approche standard de Monte-Carlo par chaîne de Markov (MCMC). En outre, l'augmentation du nombre d'individus ou de points dans le temps améliore la précision des estimations des paramètres à l'aide de l'algorithme MFVB, ce qui souligne l'importance de disposer d'un nombre suffisant de données pour les modèles complexes. Appliqué à des données réelles, l'algorithme MFVB est nettement plus rapide que l'approche MCMC. En résumé, l'algorithme MFVB constitue une option fiable et nettement plus rapide que le MCMC pour l'inférence à grande échelle dans les modèles d'ILD, démontrant ainsi son potentiel en tant qu'outil efficace pour l'analyse des données de DLI.
Date and Time
-
Langue de la présentation orale
Anglais
Langue des supports visuels
Anglais