]> code.communitydata.science - ml_measurement_error_public.git/blob - simulations/02_indep_differential.R
7e2e428d5d2695498323c64a160cb866fcea1161
[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, Bzx, Bzy, seed, y_explained_variance=0.025, prediction_accuracy=0.73, accuracy_imbalance_difference=0.3){
35     set.seed(seed)
36     # make w and y dependent
37     z <- rbinom(N, 1, 0.5)
38     x <- rbinom(N, 1, Bzx * z + 0.5)
39
40     y.var.epsilon <- (var(Bzy * z) + var(Bxy *x) + 2*cov(Bzy*z,Bxy*x)) * ((1-y_explained_variance)/y_explained_variance)
41     y.epsilon <- rnorm(N, sd = sqrt(y.var.epsilon))
42     y <- Bzy * z + Bxy * x + y.epsilon
43     
44     df <- data.table(x=x,y=y,z=z)
45
46     if(m < N){
47         df <- df[sample(nrow(df), m), x.obs := x]
48     } else {
49         df <- df[, x.obs := x]
50     }
51
52     ## px <- mean(x)
53     ## accuracy_imbalance_ratio <- (prediction_accuracy + accuracy_imbalance_difference/2) / (prediction_accuracy - accuracy_imbalance_difference/2)
54
55     ## # this works because of conditional probability
56     ## accuracy_x0 <- prediction_accuracy / (px*(accuracy_imbalance_ratio) + (1-px))
57     ## accuracy_x1 <- accuracy_imbalance_ratio * accuracy_x0
58
59     ## x0 <- df[x==0]$x
60     ## x1 <- df[x==1]$x
61     ## nx1 <- nrow(df[x==1])
62     ## nx0 <- nrow(df[x==0])
63
64     ## yx0 <- df[x==0]$y
65     ## yx1 <- df[x==1]$y 
66  
67     # tranform yz0.1 into a logistic distribution with mean accuracy_z0
68     ## acc.x0 <- plogis(0.5*scale(yx0) + qlogis(accuracy_x0))
69     ## acc.x1 <- plogis(1.5*scale(yx1) + qlogis(accuracy_x1))
70
71     ## w0x0 <- (1-x0)**2 + (-1)**(1-x0) * acc.x0
72     ## w0x1 <- (1-x1)**2 + (-1)**(1-x1) * acc.x1
73     pz <- mean(z)
74     accuracy_imbalance_ratio <- (prediction_accuracy + accuracy_imbalance_difference/2) / (prediction_accuracy - accuracy_imbalance_difference/2)
75
76     # this works because of conditional probability
77     accuracy_z0 <- prediction_accuracy / (pz*(accuracy_imbalance_ratio) + (1-pz))
78     accuracy_z1 <- accuracy_imbalance_ratio * accuracy_z0
79
80     z0x0 <- df[(z==0) & (x==0)]$x
81     z0x1 <- df[(z==0) & (x==1)]$x
82     z1x0 <- df[(z==1) & (x==0)]$x
83     z1x1 <- df[(z==1) & (x==1)]$x
84
85     yz0x0 <- df[(z==0) & (x==0)]$y
86     yz0x1 <- df[(z==0) & (x==1)]$y
87     yz1x0 <- df[(z==1) & (x==0)]$y
88     yz1x1 <- df[(z==1) & (x==1)]$y
89
90     nz0x0 <- nrow(df[(z==0) & (x==0)])
91     nz0x1 <- nrow(df[(z==0) & (x==1)])
92     nz1x0 <- nrow(df[(z==1) & (x==0)])
93     nz1x1 <- nrow(df[(z==1) & (x==1)])
94
95     yz1 <- df[z==1]$y 
96     yz1 <- df[z==1]$y 
97
98     # tranform yz0.1 into a logistic distribution with mean accuracy_z0
99     acc.z0x0 <- plogis(0.5*scale(yz0x0) + qlogis(accuracy_z0))
100     acc.z0x1 <- plogis(0.5*scale(yz0x1) + qlogis(accuracy_z0))
101     acc.z1x0 <- plogis(1.5*scale(yz1x0) + qlogis(accuracy_z1))
102     acc.z1x1 <- plogis(1.5*scale(yz1x1) + qlogis(accuracy_z1))
103
104     w0z0x0 <- (1-z0x0)**2 + (-1)**(1-z0x0) * acc.z0x0
105     w0z0x1 <- (1-z0x1)**2 + (-1)**(1-z0x1) * acc.z0x1
106     w0z1x0 <- (1-z1x0)**2 + (-1)**(1-z1x0) * acc.z1x0
107     w0z1x1 <- (1-z1x1)**2 + (-1)**(1-z1x1) * acc.z1x1
108
109     ##perrorz0 <- w0z0*(pyz0)
110     ##perrorz1 <- w0z1*(pyz1)
111
112     w0z0x0.noisy.odds <- rlogis(nz0x0,qlogis(w0z0x0))
113     w0z0x1.noisy.odds <- rlogis(nz0x1,qlogis(w0z0x1))
114     w0z1x0.noisy.odds <- rlogis(nz1x0,qlogis(w0z1x0))
115     w0z1x1.noisy.odds <- rlogis(nz1x1,qlogis(w0z1x1))
116
117     df[(z==0)&(x==0),w:=plogis(w0z0x0.noisy.odds)]
118     df[(z==0)&(x==1),w:=plogis(w0z0x1.noisy.odds)]    
119     df[(z==1)&(x==0),w:=plogis(w0z1x0.noisy.odds)]    
120     df[(z==1)&(x==1),w:=plogis(w0z1x1.noisy.odds)]    
121
122     df[,w_pred:=as.integer(w > 0.5)]
123     print(mean(df[z==0]$x == df[z==0]$w_pred))
124     print(mean(df[z==1]$x == df[z==1]$w_pred))
125     print(mean(df$w_pred == df$x))
126     return(df)
127 }
128
129 parser <- arg_parser("Simulate data and fit corrected models")
130 parser <- add_argument(parser, "--N", default=1400, help="number of observations of w")
131 parser <- add_argument(parser, "--m", default=500, help="m the number of ground truth observations")
132 parser <- add_argument(parser, "--seed", default=50, help='seed for the rng')
133 parser <- add_argument(parser, "--outfile", help='output file', default='example_2.feather')
134 parser <- add_argument(parser, "--y_explained_variance", help='what proportion of the variance of y can be explained?', default=0.01)
135 parser <- add_argument(parser, "--prediction_accuracy", help='how accurate is the predictive model?', default=0.73)
136 parser <- add_argument(parser, "--accuracy_imbalance_difference", help='how much more accurate is the predictive model for one class than the other?', default=0.3)
137 parser <- add_argument(parser, "--Bzx", help='Effect of z on x', default=0.3)
138 parser <- add_argument(parser, "--Bzy", help='Effect of z on y', default=-0.3)
139
140
141 args <- parse_args(parser)
142
143 B0 <- 0
144 Bxy <- 0.3
145 Bzy <- args$Bzy
146
147 if(args$m < args$N){
148     df <- simulate_data(args$N, args$m, B0, Bxy, args$Bzx, Bzy, args$seed, args$y_explained_variance, args$prediction_accuracy, args$accuracy_imbalance_difference)
149
150     result <- list('N'=args$N,'m'=args$m,'B0'=B0,'Bxy'=Bxy, Bzx=args$Bzx, 'Bzy'=Bzy, 'seed'=args$seed, 'y_explained_variance'=args$y_explained_variance, 'prediction_accuracy'=args$prediction_accuracy, 'accuracy_imbalance_difference'=args$accuracy_imbalance_difference, error='')
151
152     outline <- run_simulation(df, result, outcome_formula=y~x+z, proxy_formula=w_pred~x+z+y+x:y, truth_formula=x~z)
153     
154     outfile_lock <- lock(paste0(args$outfile, '_lock'),exclusive=TRUE)
155     if(file.exists(args$outfile)){
156         logdata <- read_feather(args$outfile)
157         logdata <- rbind(logdata,as.data.table(outline), fill=TRUE)
158     } else {
159         logdata <- as.data.table(outline)
160     }
161
162     print(outline)
163     write_feather(logdata, args$outfile)
164     unlock(outfile_lock)
165 }

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