[論文レビュー] Careful prior specification avoids incautious inference for log-Gaussian Cox point processes

Sigrunn H. Sørbye, Janine Illian+2 more|arXiv (Cornell University)|Sep 20, 2017

Bayesian Methods and Mixture Models参考文献 35被引用数 6

ひとこと要約

本稿では、ベイジアン空間点過程解析における解釈可能性とロバスト性を向上させるために、罰則付き複雑性事前分布を用いた再パrameter化された対数正規 Cox プロセスモデルを提案する。空間的に構造化された成分と非構造化された成分を共通の精度パラメータと分散割合のハイパーパラメータで分離することで、直感的なハイパーパラメータチューニングが可能となり、グリッド解像度への感受性が低下し、空間スケール全体での共変量の有意性の透明な評価が可能になる。これは、パナマのバロ・コロラド島の熱帯樹木種のデータを用いて実証された。

ABSTRACT

Prior specifications for hyperparameters of random fields in Bayesian spatial point process modelling can have a major impact on the statistical inference and the conclusions made. We consider fitting of log-Gaussian Cox processes to spatial point patterns relative to spatial covariate data. From an ecological point of view, an important aim of the analysis is to assess significant associations between the covariates and the point pattern intensity of a given species. This paper introduces the use of a reparameterised model to facilitate meaningful interpretations of the results and how these depend on hyperprior specifications. The model combines a scaled spatially structured field with an unstructured random field, having a common precision parameter. An additional hyperparameter identifies the fraction of variance explained by the spatially structured term and proper scaling makes the analysis invariant to grid resolution. The hyperparameters are assigned penalised complexity priors, which can be tuned intuitively by user-defined scaling parameters. We illustrate the approach analysing covariate effects on point patterns formed by two rainforest tree species in a study plot on Barro Colorado Island, Panama.

研究の動機と目的

• ベイジアン空間点過程モデルにおける主観的で解釈不能なハイパーパラメータの指定の課題に対処すること。
• 空間的構造をモデルのハイパーパラメータから分離することで、共変量の効果が種分布に与える意味のある生態的解釈を可能にすること。
• 空間的ランダムフィールドの適切なスケーリングを通じて、グリッド解像度に依存しないモデル定式化を実現すること。
• 解釈可能な事前分布を用いることで、空間滑らかさに対するモデル感度の透明な評価を可能にすること。
• パナマのバロ・コロラド島から得た実際の熱帯森林樹木種のデータを用いて、手法を実証すること。

提案手法

• 空間的ランダムフィールドを、スケーリングされた空間的に構造化された成分（rw2）と非構造化された成分（iid）の和として再パラメータ化し、共通の精度パラメータを共有する。
• 空間的に構造化された成分が説明する分散の割合を表す混合パラメータを導入し、直感的な解釈を可能にする。
• 共通の精度および混合パラメータの両方に罰則付き複雑性（PC）事前分布を適用し、ユーザー定義のスケーリングパラメータによる直感的なチューニングを可能にする。
• 空間的に構造化されたフィールドを精度行列のトレースの逆数でスケーリングすることで、グリッド解像度に不変となるように保証する。
• R-INLAパッケージを用いてモデルを実装し、完全な事後分布計算を伴う高速ベイズ推論を実行する。
• ハイパーパラメータの選択範囲にわたるモデル挙動の評価を通じて、共変量の有意性が空間滑らかさにどのように依存するかを検証する。

実験結果

リサーチクエスチョン

• RQ1 空間フィールドの精度に対するハイパーパラメータの選択が、対数正規 Cox プロセスモデルにおける共変量効果の有意性にどのように影響するか？
• RQ2 再パラメータ化されたモデル構造は、空間的ランダム効果の解釈可能性とその強度変動への寄与度を向上させることができるか？
• RQ3 モデルの推論は、空間的に構造化されたフィールドの滑らかさにどの程度依存しており、その制御はどのように可能か？
• RQ4 空間点過程モデリングにおいて、ハイパーパラメータの指定を、異なるグリッド解像度にわたって直感的かつ移植可能にする方法は何か？
• RQ5 空間的に構造化された成分と非構造化された成分の、生態的点過程における全体的な空間パターンへの相対的寄与度はどの程度か？

主な発見

• 再パラメータ化されたモデルは、ランダム効果が説明する合計分散を構造化された成分と非構造化された成分に明確に分離でき、混合パラメータが空間的構造による分散の割合として明確な解釈を可能にした。
• 罰則付き複雑性事前分布により、ユーザー定義のスケーリングパラメータを用いた直感的なハイパーパラメータチューニングが可能となり、不適切な推論のリスクが低減された。
• 空間的に構造化されたフィールドの適切なスケーリングにより、グリッド解像度に不変となることが保証され、異なる空間離散化において一貫した推論が可能になった。
• ハイパーパラメータの選択範囲にわたる感度分析から、共変量の有意性は空間フィールドの滑らかさに大きく依存することが明らかとなり、適切な事前分布の指定の重要性が強調された。
• BCIデータセットにおいて、モデルは樹木種の分布と土壌栄養素との間で有意な関連を検出しており、ある種では局所的クラスタリングが拡散制限によって説明され、大規模なパターンは地形的要因および土壌化学的要因と関連づけられた。
• このアプローチにより、局所的および大規模なクラスタリングが効果的に分離され、両者が観察された空間パターンに寄与していることが示された。特に、空間的に構造化された成分は広範囲の環境的関連性を捉えていた。