[論文レビュー] disaggregation: An R Package for Bayesian Spatial Disaggregation Modelling

A. Nandi, Tim Lucas+3 more|arXiv (Cornell University)|Jan 9, 2020

Statistical Methods and Bayesian Inference参考文献 17被引用数 6

ひとこと要約

本稿では、TMBを用いた効率的なラプラス近似により、粗い領域データから細かいスケールの予測を高速かつ正確に行えるBayesian空間的不整合モデルのためのRパッケージ 'disaggregation' を紹介する。MCMCに比べて高速性に優れ、マラリア発生率モデルのフィッティングに94時間かかるMCMCと比較して56秒で完了するが、同等の結果をもたらす。疫学的・生態学的マッピングに向けた洗練された、計算的に効率的なツールを提供する。

ABSTRACT

Disaggregation modelling, or downscaling, has become an important discipline in epidemiology. Surveillance data, aggregated over large regions, is becoming more common, leading to an increasing demand for modelling frameworks that can deal with this data to understand spatial patterns. Disaggregation regression models use response data aggregated over large heterogenous regions to make predictions at fine-scale over the region by using fine-scale covariates to inform the heterogeneity. This paper presents the R package disaggregation, which provides functionality to streamline the process of running a disaggregation model for fine-scale predictions.

研究の動機と目的

• 集計された監視データを用いた疫学および生態学分野における高解像度リスクマッピングの増大するニーズに対応する。
• 空間的不整合モデルにおけるマルコフ連鎖モンテカルロ（MCMC）手法の計算負荷を軽減する。
• Bayesian空間的不整合のためのデータ準備、モデルフィッティング、予測を簡素化するユーザーフレンドリーなRパッケージを提供する。
• 細かいスケールの共変量を用いて、粗いポリゴンレベルのカウントから細かいスケールの疾患発生率を効率的に推定する。
• 計算速度とモデルの正確性に重点を置き、スケーラブルかつ再現可能な空間的不整合を促進する。

提案手法

• TMB（テンプレートモデルビルダー）パッケージを用いて、高速なラプラス近似と自動微分を実装し、Bayesian空間的不整合モデルを構築する。
• 回帰係数、ガウス過程（Matérn共分散）、ポリゴン固有のランダム効果を含む線形予測子を用いてピクセル単位の発生率をモデル化する。
• リンク関数（対数、恒等、ロジット）を用いて、線形予測子を、集計された応答変数の尤度（ポisson、ガウス、または二項）に接続する。
• Matérnフィールドのパラメータ（範囲ρと標準偏差σ）にペナルティ付き複雑性事前分布を適用し、平坦で相関のないフィールドへの正則化を図る。
• 集計ラスタを用いてピクセル単位の予測値をポリゴンレベルに面積加重平均で集約し、観測データのスケールに一致させる。
• 最小限のユーザー層のC++コーディングで、モデルフィッティング、予測、診断を統合したRパッケージインターフェースを提供する。

実験結果

リサーチクエスチョン

• RQ1 MCMCに比べて高速性に優れながらも正確性を維持する、Rで実装可能な計算的に効率的なBayesian空間的不整合フレームワークを構築できるか？
• RQ2 環境的共変量を用いて、粗い領域カウントから、疾患発生率の細かいスケールの空間的パターンをどの程度回復できるか？
• RQ3 空間的不整合モデルにおいて、TMBベースのラプラス近似とMCMCのランタイムおよび収束性の観点から、性能向上はどの程度見られるか？
• RQ4 ペナルティ付き複雑性事前分布の使用が、空間的不整合におけるモデルの安定性と解釈可能性をどの程度向上させるか？
• RQ5 提案されたRパッケージ 'disaggregation' は、マダガスカルにおけるマラリアリスクマッピングのような実世界の応用に効果的に使用できるか？

主な発見

• 'disaggregation' Rパッケージは、TMBを用いた高速なBayesian空間的不整合を実現し、マダガスカルのマラリア発生率モデルにおいて、MCMCの94時間からTMBの56秒にまでモデルフィッティング時間を短縮した。
• TMBとMCMCの両方の結果は極めて一貫しており、すべてのパラメータで事後平均の差が0.15未満であった。これにより、TMB近似の信頼性が裏付けられた。
• Matérnフィールドにペナルティ付き複雑性事前分布を適用したことで、空間的ランダム効果の正則化が成功し、過剰適合の防止とモデル安定性の向上が達成された。
• 本パッケージは、ピクセル単位の発生率をポリゴン単位の応答に面積加重平均で集約するような、複雑なデータ構造を効果的に処理できた。
• 粗い領域カウントと細かいスケールの環境的共変量のみを用いても、マラリア発生率の正確な細かいスケールの予測が達成された。
• フレームワークは計算的に効率的かつスケーラブルであり、大規模な空間疫学的および生態学的応用に適している。