مدل جدید رگرسیون بیزی، تحلیل داده‌های «آشفته» سلامت و اقلیم را با دور زدن الگوریتم‌های پیچیده، ساده می‌کند.

داده‌های دنیای واقعی به طرز مشهوری آشفته هستند. این داده‌ها به ندرت در منحنی‌های زنگوله‌ای مرتب و متقارنی که مدل‌های آماری سنتی ترجیح می‌دهند، جای می‌گیرند و اغلب به صورت کج، خوشه‌ای و مملو از داده‌های پرت (Outliers) ظاهر می‌شوند.

در حوزه‌هایی مانند علوم اقلیم و سلامت عمومی، این آشفتگی نه یک نقص، بلکه یک ویژگی است. رویدادهای شدید آب و هوایی به طور طبیعی از توزیع‌های نرمال پیروی نمی‌کنند و نظرسنجی‌های خوداظهاری بیماران ذاتاً پرنویز هستند. دهه‌هاست که محققان برای تحلیل این داده‌ها بدون ساده‌سازی بیش از حد یا اتکا به ابررایانه‌های عظیم، با مشکل مواجه بوده‌اند.

برای مدیریت این عدم قطعیت، آمارشناسان مدت‌هاست که به رگرسیون بیزی متکی هستند. برخلاف مدل‌های فراوانی‌گرای استاندارد که یک پیش‌بینی واحد و قطعی ارائه می‌دهند—مانند یک دمای خاص یا یک هزینه اقتصادی ثابت—مدل‌های بیزی یک توزیع احتمال را خروجی می‌دهند. این توزیع، طیفی از نتایج ممکن را بر اساس احتمال وقوعشان ارائه می‌دهد که برای تصمیم‌گیری‌های پرخطر حیاتی است.

با این حال، استاندارد طلایی برای تحلیل بیزی از لحاظ تاریخی الگوریتمی به نام زنجیره مارکوف مونت کارلو (MCMC) بوده است. اگرچه MCMC از نظر ریاضی قدرتمند است، اما از نظر محاسباتی بسیار پرهزینه و به طرز مشهوری شکننده است.

اجرای الگوریتم MCMC نیازمند قدرت محاسباتی عظیم و بررسی‌های تشخیصی مداوم است تا اطمینان حاصل شود که زنجیره ریاضی در طول تحلیل از هم نپاشیده یا گیر نکرده است. برای بسیاری از محققان کاربردی، نگهداری این الگوریتم به اندازه تحلیل داده‌های واقعی، زمان و تلاش می‌برد.

یک مدل نیمه‌پارامتری جدید با دور زدن کامل MCMC، در حال تغییر این الگو است. این روش پیشگامانه که توسط محققانی در دانشگاه‌های کورنل و کلمبیا توسعه یافته، در مجله انجمن آمار آمریکا منتشر شده است.[1]

این چارچوب جدید که «استنباط مونت کارلو برای رگرسیون بیزی نیمه‌پارامتری» نامیده می‌شود، به دانشمندان داده اجازه می‌دهد تا گلوگاه MCMC را نادیده بگیرند، در حالی که کمی‌سازی دقیق عدم قطعیت را که آمار بیزی را بسیار ارزشمند می‌سازد، حفظ کنند.[1]

با اجتناب از MCMC، این مدل نیاز محققان به صرف ساعت‌ها برای اجرای عیب‌یابی‌های الگوریتمی را از بین می‌برد. این امر دانشمندان را آزاد می‌کند تا صرفاً بر روی داده‌ها و سؤالات علمی زیربنایی تمرکز کنند، نه بر روی رفع اشکالات ریاضی.

فراتر از سرعت محاسباتی، این مدل به طور پویا خود را با داده‌های «خوشه‌ای» و غیرعادی تنظیم می‌کند. رفتار انسان مصنوعات عجیبی را در مجموعه‌داده‌ها ایجاد می‌کند؛ به عنوان مثال، وقتی از بیماران پرسیده می‌شود که در ماه گذشته چند روز احساس بیماری کرده‌اند، آنها تمایل دارند پاسخ‌های خود را به اعدادی مانند ۱۰، ۱۴ یا ۱۵ گرد کنند.

مدل‌های آماری سنتی این خوشه‌ها را به عنوان نقاط داده‌ای صلب و تحت‌اللفظی در نظر می‌گیرند، که می‌تواند تحلیل‌های حاصله، مانند برنامه‌ریزی ظرفیت مراقبت‌های بهداشتی، را به شدت منحرف کند. مدل نیمه‌پارامتری جدید این نقاط داده خوشه‌ای را به صورت ریاضی کشیده و فشرده می‌کند تا روند واقعی زیربنایی را آشکار سازد.[1]

این چارچوب انعطاف‌پذیر در حال حاضر مدل‌سازی اقلیمی را متحول کرده است. داده‌های محیطی، مانند فراوانی امواج گرمای شدید یا تضعیف جریان‌های اقیانوسی، به ندرت از توزیع نرمال پیروی می‌کنند و نیازمند مدل‌هایی هستند که بتوانند با داده‌های پرت سنگین (heavy-tailed extremes) کنار بیایند.[2]

کاربردهای اخیر استنباط بیزی در علوم اقلیم، توانایی آن را در ترکیب مشاهدات تاریخی با مدل‌های پیش‌بینی‌کننده نشان داده است. این امر به محققان اجازه می‌دهد تا ناهنجاری‌های دمایی شدید را تا وضوح بسیار محلی ۰.۲۵ درجه نقشه‌برداری کنند.[2]

مدل جدید و بدون MCMC این فرآیند را به طور قابل توجهی تسریع می‌کند. این مدل به اقلیم‌شناسان اجازه می‌دهد تا شبیه‌سازی‌های پیچیده و چندسناریویی را بر روی سخت‌افزارهای استاندارد اجرا کنند، به جای اینکه منحصراً به دسترسی محدود به ابررایانه‌های سازمانی متکی باشند.[1][2]

با وجود جهش عظیم محاسباتی، این مدل تمام چالش‌های ذاتی آمار بیزی را از بین نمی‌برد. این چارچوب همچنان به شدت به «پیشین‌ها» (Priors)—یعنی مفروضات اولیه یا دانش تخصصی که قبل از مشاهده هر داده جدیدی به مدل وارد می‌شود—متکی است.[3]

اگر یک محقق یک پیشین بسیار مغرضانه یا نامناسب انتخاب کند، توزیع پسین (Posterior) حاصل همچنان معیوب خواهد بود. سرعت مدل جدید به این معنی است که یک تحلیل ضعیف طراحی شده، صرفاً با سرعت بیشتری به نتیجه اشتباه خواهد رسید.[3]

علاوه بر این، در حالی که رویکرد نیمه‌پارامتری در مدیریت داده‌های خوشه‌ای و کج در نظرسنجی‌های سلامت و اقلیم عالی عمل می‌کند، عملکرد آن در مجموعه‌داده‌های با ابعاد فوق‌العاده بالا همچنان یک حوزه فعال برای آزمایش‌های تنش (stress-testing) باقی مانده است. مطالعات انجمن سراسری ژنوم (GWAS)، که شامل میلیون‌ها متغیر هستند، همچنان یک چالش بزرگ محسوب می‌شوند.[1][3]

با این وجود، گذار از MCMC برای رگرسیون بیزی روتین، نشان‌دهنده یک دموکراسی‌سازی بزرگ در آمار پیشرفته است. این امر مانع ورود به مدل‌سازی قوی و آگاه به عدم قطعیت را کاهش می‌دهد.[3]

با سریع‌تر و قابل دسترس‌تر کردن این ابزارها، مقامات بهداشت عمومی، اقتصاددانان و دانشمندان محیط زیست اکنون می‌توانند از توزیع‌های احتمال دقیق برای اتخاذ تصمیمات حیاتی با نقشه‌ای بسیار واضح‌تر از ناشناخته‌ها استفاده کنند.[3]