[論文レビュー] Do We Need Non-Stationarity in Spatial Models?

Geir‐Arne Fuglstad, Daniel Simpson+1 more|arXiv (Cornell University)|Sep 2, 2014

Spatial and Panel Data Analysis参考文献 37被引用数 1

ひとこと要約

本稿では、連続する米国における降水量データの空間的に変化する依存構造を扱うために、確率的偏微分方程式（SPDE）を介したガウスランダムフィールド（GRF）とガウスマルコフランダムフィールド（GMRF）近似を用いた柔軟な非定常空間モデルを提案する。このモデルは、特に空間的に変化するノイズ項（nugget効果）を考慮した場合に、定常モデルの代替手法よりも予測精度が優れている。そうでない場合、共分散構造の適応が歪められるためである。

ABSTRACT

A stationary spatial model is an idealization and we expect that the true de- pendence structures of physical phenomena are spatially varying, but how should we handle this non-stationarity in practice? We study the challenges involved in applying a flexible non-stationary model to a dataset of annual precip itation in the contermi- nous US, where exploratory data analysis shows strong evidence of a non-stationary covariance structure. We apply an extension of a recently developed model that uses a Gaussian random field (GRF), which is based on local modellin g through a stochastic partial differential equation and computations through a Gaussian Markov field that approximates the GRF. We fit the flexible model both to a single year and to multiple ye ars of de-trended data, and compare the predictions between the two cases and to the corresponding sta- tionary models. The flexible model performs better in each ca se with respect to both the continuous rank probability score and the log-predictive score. But we discover that not accounting for a spatially varying nugget effect fo rces a suboptimal adapta- tion in the covariance structure. After adding separate nug get effects for west and east

研究の動機と目的

• 空間的に変化する降水量の依存構造を正確にモデル化するため、非定常空間モデルが必要かどうかを調査すること。
• 物理現象が空間的に変化する依存性を示す場合に、空間共分散の非定常性をモデル化する課題に対処すること。
• 年間降水量データに対して、柔軟な非定常モデルと定常モデルの予測性能を比較すること。
• 空間的に変化するノイズ項効果がモデルの適合度と予測精度に与える影響を検討すること。

提案手法

• 本研究では、非定常空間的依存をモデル化するために、確率的偏微分方程式（SPDE）に基づくガウスランダムフィールド（GRF）フレームワークを採用する。
• 計算上の近似としてガウスマルコフランダムフィールド（GMRF）を用い、大規模な空間データセットにおける効率的な推論を可能にする。
• 共分散パラメータを空間的に変化可能に拡張し、西部と東部の米国に対して別個のノイズ項効果を許容するようにモデルを拡張する。
• 単一年間および複数年間のトレンド除去済み降水量データにモデルを適合させ、時間スケールにわたる性能を評価する。
• モデル比較には、予測精度を評価するための連続ランク確率スコア（CRPS）と対数予測スコア（LPS）を用いる。
• 探索的データ解析により、共分散構造に顕著な非定常性の証拠が得られ、柔軟なモデル化の正当性が裏付けられた。

実験結果

リサーチクエスチョン

• RQ1 連続する米国における年間降水量に対して、非定常空間モデルは定常モデルよりも優れた予測性能を示すか？
• RQ2 空間的に変化するノイズ項効果を組み込むことで、非定常モデルにおける共分散構造の適応がどのように変化するか？
• RQ3 空間的に変化するノイズ項効果を無視すると、空間的依存性のモデル化がどの程度不適切になるか？
• RQ4 連続ランク確率スコア（CRPS）と対数予測スコア（LPS）の観点から、柔軟な非定常モデルの予測は定常モデルと比べてどのように異なるか？

主な発見

• 連続ランク確率スコア（CRPS）と対数予測スコア（LPS）の両方で測定した予測性能において、柔軟な非定常モデルが定常モデルを上回っている。
• 空間的に変化するノイズ項効果を考慮しないと、モデルは共分散構造を歪めることで補正を余儀なくされ、結果として最適な適応が得られない。
• 西部と東部の米国に対して別個のノイズ項効果を組み込むことで、モデルの適合度と予測精度が顕著に向上した。
• 非定常モデルは、単一年間および複数年間のトレンド除去済みデータに適用しても優れた性能を示し、時間スケールにわたる頑健性が確認された。
• 探索的データ解析により、年間降水量の空間的共分散構造に顕著な非定常性の証拠が確認された。
• 結果から、空間的依存性の非定常性は理論的な懸念ではなく、環境データにおける正確な空間予測のための実践的必要性であることが示唆された。