[論文レビュー] Bayesian modeling and clustering for spatio-temporal areal data: An application to Italian unemployment

Alexander Mozdzen, Andrea Cremaschi+3 more|arXiv (Cornell University)|Jan 1, 2022

Spatial and Panel Data Analysis参考文献 67被引用数 8

ひとこと要約

本稿では、ガウスMarkovランダムフィールド（GMRF）構造を有する条件付き自己回帰（CAR）事前分布を用いて、時間的動態と空間的依存性を統合的にモデル化するベイジアン半パラメトリックモデルを提案する。このモデルは、イタリアの失業率時系列に基づいて地域を非パラメトリックにクラスタリングするディリクレ過程事前分布を導入し、2005年から2017年までのイタリアの地域経済パターンを柔軟かつデータ駆動的に特定可能にし、頻度主義的およびパラメトリックな代替手法に比べて優れた予測性能と解釈可能性を実現する。

ABSTRACT

Spatio-temporal areal data can be seen as a collection of time series which are spatially correlated according to a specific neighboring structure. Incorporating the temporal and spatial dimension into a statistical model poses challenges regarding the underlying theoretical framework as well as the implementation of efficient computational methods. We propose to include spatio-temporal random effects using a conditional autoregressive prior, where the temporal correlation is modeled through an autoregressive mean decomposition and the spatial correlation by the precision matrix inheriting the neighboring structure. Their joint distribution constitutes a Gaussian Markov random field, whose sparse precision matrix enables the usage of efficient sampling algorithms. We cluster the areal units using a nonparametric prior, thereby learning latent partitions of the areal units. The performance of the model is assessed via an application to study regional unemployment patterns in Italy. When compared to other spatial and spatio-temporal competitors, the proposed model shows more precise estimates and the additional information obtained from the clustering allows for an extended economic interpretation of the unemployment rates of the Italian provinces.

研究の動機と目的

• 地域の失業パターンに特化した、空間的および時間的依存性を柔軟に捉えるベイジアンモデルの開発。
• 事前にクラスタ数を指定せずに、類似した失業動態を示す地方の潜在的クラスタを同定する課題への対処。
• スパティオトロピカルランダム効果と非パラメトリッククラスタリングを統合することで、予測精度と経済的解釈可能性の向上。
• スパース精度行列を用いたMCMC推論により、複雑な依存構造を有する地域経済データをモデル化する強固なフレームワークの提供。
• 2009年以降の予測評価を想定し、出鱈目予測指標を用いて頻度主義的およびパラメトリックベイジアンモデルとの性能を検証する。

提案手法

• 空間的依存性をモデル化するため、空間的近隣構造を精度行列に埋め込んだ条件付き自己回帰（CAR）事前分布を用いる。
• スパティオトロピカルランダム効果における時間的相関を捉えるために、自己回帰的平均分解を実装する。
• CAR事前分布から連携されたガウスMarkovランダムフィールド（GMRF）を構築し、スパース行列アルゴリズムを用いた効率的なMCMCサンプリングを可能にする。
• 時間的に変化する失業パターンと自己回帰パラメータに基づいて、領域単位をクラスタリングするためのディリクレ過程（DP）事前分布を適用する。
• Knorr-Held & Rue（2002）のブロック更新戦略とMcCauslandら（2011）の予測シミュレーションを統合した特化型MCMCアルゴリズムを採用する。
• モデル比較には事後予測尤度とWAICを用い、事前分布依存性を避けるために2009年以降の評価を実施する。

実験結果

リサーチクエスチョン

• RQ1 地域の失業データにおけるスパティオトロピカル依存性を柔軟にモデル化しつつ、地方の潜在的クラスタを同定することは可能か？
• RQ2 パラメトリック代替手法と比較して、非パラメトリックなディリクレ過程事前分布を用いることで、クラスタ構造と予測性能にどのような影響を与えるか？
• RQ3 提案されたベイジアンスパティオトロピカルクラスタリングモデル（BSTC）は、頻度主義的およびパラメトリックベイジアンモデルに比べて予測精度で優れているか？
• RQ4 本モデルは、2005年から2017年までのイタリアの失業推移において、解釈可能な地域経済パターンを明らかにできるか？
• RQ5 空間的相関と時間的動態を組み込むことで、プールドまたは独立モデルに比べて推定と予測がどの程度向上するか？

主な発見

• ベイジアンスパティオトロピカルクラスタリング（BSTC）モデルは、2009年から2017年の平均で、出鱈目予測RMSE（0.295）とMAE（0.295）を最低に達成し、すべての頻度主義的およびベイジアン競合モデルを上回った。
• 2012年にはRMSE（0.499）とMAE（0.499）が高止まりであったが、その後の年には著しく改善され、動的な変化に強い適応性を示した。
• BSTCモデルは、最高の事後予測尤度合計（−737）と最低のWAIC（−737）を達成し、優れた出鱈目予測性能を示した。
• 本モデルは、類似した失業トレンドを示すイタリア地方の解釈可能なクラスタを同定でき、標準的な空間モデルをはるかに超える経済的解釈可能性を提供した。
• 非パラメトリックなDP事前分布の導入により、事前にクラスタ数を指定せずともデータ駆動型のクラスタ検出が可能となり、後験的推論がバインダーの損失とVIを最小化した。
• ST.CARarモデルは、予測指標において2番目に優れていたが、特に2012年以降はBSTCに劣り、クラスタリングの追加的価値を示した。