[論文レビュー] Graphical outputs and Spatial Cross-validation for the R-INLA package using INLAutils

Tim Lucas, André Python+1 more|arXiv (Cornell University)|Apr 5, 2020

Soil Geostatistics and Mapping参考文献 17被引用数 4

ひとこと要約

この論文では、R-INLAを拡張するRパッケージであるINLAutilsを紹介する。このパッケージは、ベイズ的空間モデルのための直感的なグラフィカルな要約と、空間的交差検証（SLOOCV）を提供する。ggplot2を用いたモデル出力の効率的可視化と、空間的交差検証を用いた予測性能の自動比較が可能であり、Meuseデータセットの結果では、空間効果を含むモデルと含まないモデルの間でMAEおよびRMSEの信頼区間が重複しており、予測性能に統計的に有意な差がないことが示された。

ABSTRACT

Statistical analyses proceed by an iterative process of model fitting and checking. The R-INLA package facilitates this iteration by fitting many Bayesian models much faster than alternative MCMC approaches. As the interpretation of results and model objects from Bayesian analyses can be complex, the R package INLAutils provides users with easily accessible, clear and customisable graphical summaries of model outputs from R- INLA. Furthermore, it offers a function for performing and visualizing the results of a spatial leave-one-out cross-validation (SLOOCV) approach that can be applied to compare the predictive performance of multiple spatial models. In this paper, we describe and illustrate the use of (1) graphical summary plotting functions and (2) the SLOOCV approach. We conclude the paper by identifying the limits of our approach and discuss future potential improvements.

研究の動機と目的

• 非エキスパートユーザーが扱いにくいネストされたリストとして格納される複雑なR-INLAのモデル出力を解釈する課題に対処すること。
• ggplot2を用いたカスタマイズ可能なグラフィカルな要約を提供することで、R-INLAの結果に対するアクセス性を高め、モデル開発ワークフローを改善すること。
• 空間自己相関を考慮した空間的交差検証（SLOOCV）手順を実装し、モデル評価における空間的依存性を適切に反映すること。
• MAEやRMSEなどの予測性能指標に基づいて、複数の空間モデルを直接比較できるようにすること。
• 研究者が最小限のコーディングで空間ベイズモデルにおけるモデル適合度と予測精度を評価できるように支援すること。

提案手法

• パッケージはR-INLAを拡張し、INLAモデルオブジェクトのためのカスタムautoplotメソッドを実装することで、ggplot2を用いた後方分布の密度、予測値、残差の柔軟でカスタマイズ可能な可視化を可能にする。
• 残差と適合値の関係を可視化するためのggplot_inla_residuals関数を導入し、スムージングや標準誤差帯の追加オプションを備える。
• inlasloo関数は、各左側の観測点の周囲にユーザーが定義した半径内での観測点を反復的に除外することで、空間的交差検証を実行する。
• 各左側の観測点の周囲に空間的バッファ（rad）を設け、訓練データから近隣の観測点を除外することで、空間的依存性を尊重したモデル適合が可能になる。
• 予測性能はMAEおよびRMSEで評価され、95%信頼区間は交差検証の反復回数にわたるブートストラップ法により計算される。
• パッケージは、1回の呼び出しで複数のモデルと尤度分布（例：正規分布、二項分布）をサポートし、異なるモデル仕様間での予測性能を直接比較可能である。

実験結果

リサーチクエスチョン

• RQ1 非エキスパートユーザーが扱いやすいカスタマイズ可能なR-INLAモデル出力のグラフィカルな要約は、どのように実現できるか？
• RQ2 標準的交差検証と比較して、空間的交差検証（SLOOCV）は、空間モデルにおける予測性能評価の信頼性をどの程度向上させるか？
• RQ3 SLOOCV手順は、実世界の空間データセットにおいて、空間的ラジカル効果を含むモデルと含まないモデルを効果的に区別できるか？
• RQ4 INLAutilsフレームワークを用いて複数のモデルに対してSLOOCVを実行する際の計算コストはどの程度か？
• RQ5 空間的交差検証下で、空間成分を含むモデルと含まないモデルのMAEおよびRMSE値は、どのように比較されるか？

主な発見

• INLAutilsパッケージは、ggplot2ベースのインターフェースを実装し、R-INLAモデル出力の可視化を成功裏に実現した。これにより、ユーザーは後方分布の密度、予測値、残差を完全にカスタマイズ可能に確認できるようになった。
• inlasloo関数により、ユーザーが定義した半径を用いた効率的な空間的交差検証が可能となり、モデル適合時に近隣の観測点が除外されることで、空間的依存性が適切に反映された。
• Meuseデータセットにおいて、空間効果を含むモデルと含まないモデルの両方で、MAEおよびRMSEの信頼区間が重複しており、予測性能に統計的に有意な差がないことが示された。
• SLOOCV手順は、64GB RAMのIntel Xeonマシン上で約3〜5分で20反復を完了し、大規模な空間データセットに対しても実行可能であることが示された。
• パッケージは、1回の呼び出しで複数の尤度分布とモデルをサポートし、異なるモデル形式間での予測性能を直接比較可能である。
• 著者らは、尤度に基づく予測スコアの欠落と、時空間モデルの非対応という制限を特定し、より広範な適用性を持つための今後の拡張を示唆している。