Tisane：通过概念和数据关系的形式化推理来构建统计模型

文献标题

Tisane: Authoring Statistical Models via Formal Reasoning from Conceptual and Data Relationships

文献信息

• 主题领域: 人机交互、统计模型自动化设计与推导
• 关键词: 统计分析, 广义线性模型, 领域特定语言, 因果推理, 数据科学工具, 混合效应模型, 无缝集成, 分布式数据关系, 数据可视化, 统计有效性

研究背景与问题

• 发现的挑战:

  • 当前统计分析工具未能整合领域知识、数据收集过程与模型选择，使得用户难以避免统计推断错误。
  • 通常工具将领域假设推理与统计模型设计割裂，导致初学者无法轻松应用模型。
  • 错误的统计模型可能导致理论失误、结论无法复现，以及公共政策无依据。
  • 例如，广义线性混合效应模型（GLMMs）在有层次性数据中表现良好，但这些工具难以帮助用户识别并正确建模数据的层次结构。

• 重要性:

  • 促进数据分析的科学性和有效性，尤其是非统计领域专家。
  • 减少统计结论有效性和外部有效性的威胁。

• 研究动机与相关工作:

  • 当前研究工具如R, SPSS难以连接领域知识与数据特性。
  • 已有的端到端工具（如Daggity和Tea）主要专注单方面分析，缺乏全流程的整合支持。

解决方案

• 解决方案概要:

  • 提出了一款称为“Tisane”的混合交互系统，通过结合概念、数据测量关系和统计建模来支持广义线性模型（GLMs）和广义线性混合效应模型（GLMMs）的半自动建模过程。

• 创新点:

  • 首创开发了一种研究设计规范语言(SDSL)，允许用户以高层次抽象表达变量间的关系。
  • 构建了基于图的中间表示(IR)，以便系统推导候选统计模型。
  • 开发了一种交互式编译过程，通过向用户提问以消除二义性，输出符合规范的模型。

• 实施步骤与关键技术:

  1. 变量关系定义: 用户通过DSL声明变量并标注关系（如“因果”关系）。
  2. 预先检查: 验证模型输入的概念正确性，确保因果关系的逻辑一致。
  3. 生成候选模型: 根据图模型自动推断主效应、交互效应及随机效应。
  4. 用户交互消歧: GUI引导用户确认附加变量和效应，选择适合的分布函数和链接函数。
  5. 输出代码与记录: 生成可执行Python代码，并记录用户选择过程，用于审计和复现。

研究成果

• 具体成果:

  1. 提供了一个可以让用户记录数据收集关系以及用逻辑推导统计模型的DSL工具。
  2. 推导了支持GLMM的最大随机效应结构，优化统计结论的外部有效性。
  3. 开源实现了该工具，支持定量领域知识与统计建模无缝连接。

• 对比现有工具的优势:

  • 与自动化统计工具（如AutoML）相比，Tisane更注重模型的解释性和与领域知识的连贯性。
  • 与Tea等语言相比，Tisane支持更复杂的层次化设计和交互式模型推断。
  • 提供了对随机效应和家族-连接函数合理选取的直观指导。

• 实验及评估结果:

  • 案例研究: 在三个真实科研场景下（研究计划阶段、数据分析阶段和模型迭代阶段）开展测试。
  • 用户反馈表明，Tisane使其更专注于研究目标，同时提升对假设的显性认知，减少了以往分析中的错误。
  • 某研究者在使用Tisane后纠正了广义线性模型与混合效应模型的选项差错。

• 局限性与未来方向:

  • 当前模型推断仅限于GLMs和GLMMs，未完全覆盖因果关系分析。
  • 准备开发有关模拟对比、敏感性分析等功能，以进一步提升结果稳健性。
  • 期望在其他语言如R中实现，进一步推广该工具的适用性。

输出格式

• 最终生成脚本: 提供执行脚本及模型残差图，用以检查家族与链接函数是否合适。
• 体验优化方向:
  • 增加对特定学科（如心理学领域）语言的支持。
  • 提升GUI兼容性，支持非交互环境的命令行执行。