]> code.communitydata.science - ml_measurement_error_public.git/blob - simulations/02_indep_differential.R
5a7784b65a03ef307be991c1f51a81f631f8e743
[ml_measurement_error_public.git] / simulations / 02_indep_differential.R
1 ### EXAMPLE 1: demonstrates how measurement error can lead to a type sign error in a covariate
2 ### What kind of data invalidates fong + tyler?
3 ### Even when you have a good predictor, if it's biased against a covariate you can get the wrong sign.
4 ### Even when you include the proxy variable in the regression.
5 ### But with some ground truth and multiple imputation, you can fix it.
6
7 library(argparser)
8 library(mecor)
9 library(ggplot2)
10 library(data.table)
11 library(filelock)
12 library(arrow)
13 library(Amelia)
14 library(Zelig)
15 library(predictionError)
16 options(amelia.parallel="no",
17         amelia.ncpus=1)
18 setDTthreads(40)
19
20 source("simulation_base.R")
21
22 ## SETUP:
23 ### we want to estimate x -> y; x is MAR
24 ### we have x -> k; k -> w; x -> w is used to predict x via the model w.
25 ### A realistic scenario is that we have an NLP model predicting something like "racial harassment" in social media comments
26 ### The labels x are binary, but the model provides a continuous predictor
27
28 ### simulation:
29 #### how much power do we get from the model in the first place? (sweeping N and m)
30 #### 
31
32 ## one way to do it is by adding correlation to x.obs and y that isn't in w.
33 ## in other words, the model is missing an important feature of x.obs that's related to y.
34 simulate_data <- function(N, m, B0, Bxy, Bgy, Bkx, Bgx, seed, xy.explained.variance=0.01, u.explained.variance=0.1){
35     set.seed(seed)
36
37     ## the true value of x
38
39     g <- rbinom(N, 1, 0.5)
40
41     # make w and y dependent
42     u <- rnorm(N,0,)
43
44     xprime <- Bgx * g + rnorm(N,0,1) 
45
46     k <- Bkx*xprime + rnorm(N,0,1.5) + 1.1*Bkx*u
47
48     x <- as.integer(logistic(scale(xprime)) > 0.5)
49
50     y <-  Bxy * x  + Bgy * g + B0 + u + rnorm(N, 0, 1)
51
52     df <- data.table(x=x,k=k,y=y,g=g)
53
54     w.model <- glm(x ~ k,df, family=binomial(link='logit')) 
55
56     if( m < N){
57         df <- df[sample(nrow(df), m), x.obs := x]
58     } else {
59         df <- df[, x.obs := x]
60     }
61
62     df[, x.obs := x.obs]
63
64     w <- predict(w.model, df) + rnorm(N, 0, 1)
65     ## y = B0 + B1x + e
66
67     df[,':='(w=w, w_pred = as.integer(w>0.5),u=u)]
68     return(df)
69 }
70
71 schennach <- function(df){
72
73     fwx <- glm(x.obs~w, df, family=binomial(link='logit'))
74     df[,xstar_pred := predict(fwx, df)]
75     gxt <- lm(y ~ xstar_pred+g, df)
76
77 }
78
79
80 parser <- arg_parser("Simulate data and fit corrected models")
81 parser <- add_argument(parser, "--N", default=5000, help="number of observations of w")
82 parser <- add_argument(parser, "--m", default=200, help="m the number of ground truth observations")
83 parser <- add_argument(parser, "--seed", default=432, help='seed for the rng')
84 parser <- add_argument(parser, "--outfile", help='output file', default='example_2.feather')
85 args <- parse_args(parser)
86
87 B0 <- 0
88 Bxy <- 0.2
89 Bgy <- 0
90 Bkx <- 2
91 Bgx <- 0
92
93
94 outline <- run_simulation(simulate_data(args$N, args$m, B0, Bxy, Bgy, Bkx, Bgx, args$seed)
95                          ,list('N'=args$N,'m'=args$m,'B0'=B0,'Bxy'=Bxy,'Bgy'=Bgy, 'Bkx'=Bkx, 'Bgx'=Bgx, 'seed'=args$seed))
96
97 outfile_lock <- lock(paste0(args$outfile, '_lock'),exclusive=TRUE)
98 if(file.exists(args$outfile)){
99     logdata <- read_feather(args$outfile)
100     logdata <- rbind(logdata,as.data.table(outline))
101 } else {
102     logdata <- as.data.table(outline)
103 }
104
105 print(outline)
106 write_feather(logdata, args$outfile)
107 unlock(outfile_lock)

Community Data Science Collective || Want to submit a patch?