[論文レビュー] Bayesian Spatial Change of Support for Count-Valued Survey Data

Jonathan R. Bradley, Christopher K. Wikle+1 more|arXiv (Cornell University)|May 28, 2014

Spatial and Panel Data Analysis参考文献 32被引用数 5

ひとこと要約

本稿では、アメリカン・コミュニティ・サーベイ（ACS）の推計値など、カウント値の調査データにおける空間的変換支援（COS）のためのベイジアン階層モデルを提案する。カウントを空間点過程の集計としてモデル化することで、既知の調査の分散を組み込み、MCMCの再実行なしにユーザー定義の空間的サポート上でリアルタイムに推定が可能となり、従来の手法に比べて精度と計算効率の両面で優れている。

ABSTRACT

We introduce Bayesian spatial change of support methodology for count-valued survey data with known survey variances. Our proposed methodology is motivated by the American Community Survey (ACS), an ongoing survey administered by the U.S. Census Bureau that provides timely information on several key demographic variables. Specifically, the ACS produces 1-year, 3-year, and 5-year "period-estimates," and corresponding margins of errors, for published demographic and socio-economic variables recorded over predefined geographies within the United States. Despite the availability of these predefined geographies it is often of interest to data users to specify customized user-defined spatial supports. In particular, it is useful to estimate demographic variables defined on "new" spatial supports in "real-time." This problem is known as spatial change of support (COS), which is typically performed under the assumption that the data follows a Gaussian distribution. However, count-valued survey data is naturally non-Gaussian and, hence, we consider modeling these data using a Poisson distribution. Additionally, survey-data are often accompanied by estimates of error, which we incorporate into our analysis. We interpret Poisson count-valued data in small areas as an aggregation of events from a spatial point process. This approach provides us with the flexibility necessary to allow ACS users to consider a variety of spatial supports in "real-time." We demonstrate the effectiveness of our approach through a simulated example as well as through an analysis using public-use ACS data.

研究の動機と目的

• 既に利用可能な予め定義された地理的領域におけるACS推計値しか入手できない状況で、ユーザーが定義する空間的サポート上での人口統計的カウントの推定という課題に対処すること。
• 通常非正規分布かつ過分散を示すカウントデータにおける既知の調査の分散を考慮する空間的COS手法の開発。
• MCMCの再推定を各新しいターゲットサポートごとに実行する必要を回避するため、点過程レベルでのモデリングにより、計算コストの高い再推定を避けること。
• 特にサンプリング変動が大きい場合に、ACSに基づく小地域推計の推定精度と不確実性の定量化を向上させること。

提案手法

• 小地域のカウントを非一様空間点過程からの集計イベントとしてモデル化し、任意のターゲットサポートへの柔軟な集計を可能にする。
• 潜在的な空間的ランダム効果を考慮するため、空間的一般化線形混合モデル（GLMM）フレームワークを用いたベイジアン階層モデル（BHM）を採用。
• 調査のサンプリング分散を尤度に既知の成分として組み込み、ACSが報告する誤差範囲を反映する。
• HughesとHaran（2013）の低ランク空間モデリング手法を拡張し、空間共分散を表すために正の固有値の10％を用いる。これにより、複雑さと効率性のバランスが取れる。
• パラメータの後部分布（特に潜在過程と共分散構造）の推定にマルコフ連鎖モンテカルロ（MCMC）を適用。
• 実データおよびシミュレートデータにおけるモデルの性能とキャリブレーション評価に、後部予測p値を用いる。

実験結果

リサーチクエスチョン

• RQ1 既知の調査の分散を考慮しつつ、任意のユーザー定義の空間的サポート上でカウント値の調査データを正確に推定できるベイジアン空間的変換支援モデルは実現可能か？
• RQ2 本稿で提案する点過程ベースのアプローチは、従来の領域内補間法やパーティショニングベースのCOS手法と比較して、推定精度と計算コストの面でどのように異なるか？
• RQ3 調査のサンプリング分散を組み込むことで、不確実性が大きい小地域における推定カウントの信頼性はどの程度向上するか？
• RQ4 特にサンプル数が少なくまたはノイズが多い調査推計値を有する地域においても、実ACSデータに適用した際、モデルは良好なキャリブレーションと被覆率を維持できるか？
• RQ5 点レベルのパrameter推定アプローチが意図した通り、MCMCの再実行なしに複数のターゲットサポートに対して効率的に再利用可能か？

主な発見

• 提案手法は、全米人口調査（ACS）の集計データを用いて、ニューヨーク市コミュニティ地区における貧困線以下の真の人口カウントを、単純な領域内補間法よりも高い精度で推定できた。
• 後部予測p値は、モデルのキャリブレーションが良好であることを示しており、不確実性の推定が信頼でき、データとの適合性が良いことを示している。
• シミュレーションスタディでは、ターゲットサポートがシミュレーションモデル構造と異なる場合でも、未観測の真の平均カウントを正確に回復できることを示した。
• 正の固有値の10％を用いた低ランク空間モデルは、過剰適合を避けるために十分な柔軟性を備えており、さらなる複雑化（例：SSVS）はテストされたシナリオでは不要であった。
• 点過程レベルでのパラメータ推定により、MCMCの再実行なしに新しいターゲットサポートに対して効率的に再利用可能であり、計算スケーラビリティが著しく向上した。
• 調査のサンプリング分散を適切に組み込むことで、特に誤差範囲が大きいACSデータにおいて、より頑健な推論が可能になった。