[論文レビュー] Generalized Geographically Weighted Regression Model within a Modularized Bayesian Framework

Yang Liu, Robert J. B. Goudie|arXiv (Cornell University)|Jun 2, 2021

Spatial and Panel Data Analysis参考文献 60被引用数 2

ひとこと要約

本稿では、空間的に変化する回帰係数や局所的に固有の分散パラメータといった複数のモデル要因における部分的モデル不適合を、地理的重み付きカーネルとカルバック・ライブラー発散の最小化を用いて扱うモodular化されたベイジアン地理重量回帰（GWR）モデルを提案する。この手法により、重み付きKL発散フレームワーク下で一貫性のある推定が可能となり、並列処理が可能な効率的な推論が実現され、標準的なベイジアンGWRを空間的平滑性や局所的固有性を持つ非滑らかな空間パラメータを有する一般化線形モデルへと拡張する。

ABSTRACT

Geographically weighted regression (GWR) models handle geographical dependence through a spatially varying coefficient model and have been widely used in applied science, but its general Bayesian extension is unclear because it involves a weighted log-likelihood which does not imply a probability distribution on data. We present a Bayesian GWR model and show that its essence is dealing with partial misspecification of the model. Current modularized Bayesian inference models accommodate partial misspecification from a single component of the model. We extend these models to handle partial misspecification in more than one component of the model, as required for our Bayesian GWR model. Information from the various spatial locations is manipulated via a geographically weighted kernel and the optimal manipulation is chosen according to a Kullback-Leibler (KL) divergence. We justify the model via an information risk minimization approach and show the consistency of the proposed estimator in terms of a geographically weighted KL divergence.

研究の動機と目的

• 重み付き対数尤度が確率的分布を定義しないという性質のため、地理重量回帰（GWR）に対する一般化されたベイジアン拡張が不足しているという問題に対処すること。
• 回帰係数ϕや分散パラメータθといった複数のモデル要因における部分的不適合を処理できるように、モodular化されたベイジアン推論を拡張すること。
• 空間的に滑らかで、かつ局所的に固有のパラメータを有する一般化線形モデルにおけるGWRに対して、計算的に効率的で並列処理可能な推論フレームワークを開発すること。
• 情報リスク最小化によるモデルの正当化を行い、地理的重み付きKL発散下での推定量の一致性を確立すること。

提案手法

• 空間的データポイントに局所的影響を割り当てるために、地理的重み付きカーネルを用いて一般化されたGWRモデルを定式化する。
• 『カット』フィードバックを用いたモodular化されたベイジアンフレームワークを適用し、回帰係数ϕや分散パラメータθを含む複数のモデル要因における部分的不適合を処理する。
• 推論の安定化と、各位置での個別サンプリングを可能にするために、パワー尤度アプローチを用いる。これにより、高次元パラメータスケーリングの問題を回避できる。
• カーネルバンド幅を、観測分布と予測分布間の地理的重み付きカルバック・ライブラー（KL）発散を最小化することで最適化する。
• 推定量の推定をガイドするため、KL発散に基づく損失関数を採用し、モデル不適合下でも一貫性を確保する。
• 各位置の推論を独立して処理することで並列計算を実現し、大規模な空間データセットにおけるスケーラビリティを著しく向上させる。

実験結果

リサーチクエスチョン

• RQ1 重み付き対数尤度が適切な確率分布を定義しない場合、どのようにベイジアンGWRモデルを構築できるか？
• RQ2 回帰係数や分散パラメータといった複数のモデル要因における部分的不適合を同時に処理できるように、モodular化されたベイジアン推論を拡張できるか？
• RQ3 モデル不適合下でも一貫性のある推定を保証するため、ベイジアンGWRモデルにおける空間的情報の重み付けの最適な方法は何か？
• RQ4 提案手法は、標準的なGWRやSVCモデルと比較して、予測精度と不確実性の定量化においてどのように性能を発揮するか？
• RQ5 負の二項分布やベータ回帰における分散のような、空間的に滑らかでない局所的固有のパラメータを含む、空間的に滑らかな係数と併せて効果的に扱えるか？

主な発見

• 提案されたベイジアンGWRモデルは、地理的重み付きカルバック・ライブラー発散下でも、部分的モデル不適合下においても空間的に変化する回帰係数の一致推定を達成する。
• 各位置でパラメータを独立してサンプリングすることで、従来の空間階層モデルにおける高次元パラメータ問題を回避し、効率的で並列処理可能な推論を実現する。
• クロスバリデーションに基づくバンド幅選択は計算的に高コストであるが、モデルの性能は異なる地理的バンド幅に対して頑健であり、最適なバンド幅選択はELPDボックスプロットで示されている。
• モデルは、通常のGWRで無視されたり滑らかであると仮定されたりする、非滑らかな局所的固有の分散パラメータ（例：負の二項回帰におけるθi）を効果的に推定する。
• 実証的結果から、ヨーロッパおよび東アジア諸国における複雑な空間的パターンをモデルが捉えていることが示され、係数ϕ1（気温）およびϕ2（降水量）の信頼区間は意味的な地理的変動を反映している。
• 不確実性の定量化において標準GWRを上回り、モodularかつ並列構造を有するため、大規模な空間データセットに対しても計算的に実行可能である。