[論文レビュー] GWmodel: an R Package for Exploring Spatial Heterogeneity using Geographically Weighted Models

Isabella Gollini, Binbin Lu+3 more|arXiv (Cornell University)|Jun 3, 2013

Spatial and Panel Data Analysis参考文献 45被引用数 115

ひとこと要約

本稿は、回帰係数の空間的非定常性を探索するための地理的重み付き回帰（GWR）モデルを適合させるためのGWmodel Rパッケージを紹介する。局所的条件数（LCN）診断を提案し、英国の投票率ケーススタディを通じて、局所的条件数が32.88から107.50の範囲に分布しており、多重共線性のための広範な不安定性が生じていることを示し、局所的リッジ回帰を用いて推定値を安定化することを提唱する。

ABSTRACT

Spatial statistics is a growing discipline providing important analytical techniques in a wide range of disciplines in the natural and social sciences. In the R package GWmodel, we introduce techniques from a particular branch of spatial statistics, termed geographically weighted (GW) models. GW models suit situations when data are not described well by some global model, but where there are spatial regions where a suitably localised calibration provides a better description. The approach uses a moving window weighting technique, where localised models are found at target locations. Outputs are mapped to provide a useful exploratory tool into the nature of the data spatial heterogeneity. GWmodel includes: GW summary statistics, GW principal components analysis, GW regression, GW regression with a local ridge compensation, and GW regression for prediction; some of which are provided in basic and robust forms.

研究の動機と目的

• 研究者が地理的重み付きモデルを用いて回帰関係の空間的非定常性を探索できるようにするRパッケージGWmodelの開発。
• 局所回帰モデルにおける多重共線性の課題に対処し、これにより係数推定値が不安定かつ信頼性の低いものとなるのを防ぐ。
• 各空間的位置における共線性の深刻さを評価するための局所的条件数（LCN）診断の実装と妥当性の検証。
• 標準的なGWRと局所的リッジ回帰（LCR）アプローチを比較し、局所的多重共線性が存在する状況での推定の安定性を向上させる。
• バンド幅選択、モデル比較、空間的領域全体における局所的条件数の可視化を支援する実用的ツールの提供。

提案手法

• GWmodelパッケージは、バイスクワイアおよびボックスカーを含むさまざまなカーネル関数を用いた、適応的および固定バンド幅を用いた地理的重み付き回帰（GWR）を実装する。
• 局所的条件数（LCN）は、局所的重み付き設計行列の特異値分解を用いて各位置で計算され、係数推定値がデータの摂動に対してどれほど感度が高いかを測定する。
• 関数`gwr.lcr`は、LCNがしきい値を超えた場合に局所的リッジ回帰を適用し、多重共線性の影響を軽減することで係数推定値を安定化させる。
• バンド幅選択には交差検証（CV）またはAICcが用いられ、`bw.gwr.lcr`を用いてLCRフレームワーク下でのバンド幅最適化が行われる。
• 診断ツールとして`gwr.collin.diagno`および`summary(lcrm2$SDF$Local_CN)`が用いられ、局所的条件数の抽出と分析が行われる。
• 空間的可視化は`spplot`を用いて実施され、色のグラデーションを用いて多重共線性リスクの高い領域を特定する。

実験結果

リサーチクエスチョン

• RQ1 Rにおける地理的重み付き回帰を、回帰係数の空間的変動をモデル化するために効果的に実装する方法は何か？
• RQ2 多重共線性はGWRにおける局所的回帰係数推定値にどの程度影響を及ぼし、空間的にどのように定量的に評価できるか？
• RQ3 局所的リッジ回帰（LCR）は、高い局所的条件数を示す地域におけるGWR推定値の安定性を向上させることができるか？
• RQ4 空間的にどこで多重共線性のリスクが最も深刻であり、どの変数がこの不安定性の主な要因となっているか？
• RQ5 異なるバンド幅選択法（CV対AICc）は、LCR-GWRモデルの文脈でどのように比較されるか？

主な発見

• 全モデルのグローバル条件数は41.07であり、グローバルレベルでの顕著な多重共線性を示している。
• 基本的なGWRモデルにおける局所的条件数は32.88から107.50の範囲にあり、平均は59.28であり、すべての位置で広範な不安定性が生じていることを示している。
• 最大の局所的条件数（107.50）は、極端な多重共線性が生じる地域で観測され、データ摂動に対して極めて感度が高いことを示唆している。
• 変数「DiffAdd」と「Age25_44」を除外することで、グローバル条件数は18.69に低下し、これらが共線性の主要因であると示されている。
• 局所的条件数マップは、高い不安定性が空間的にクラスタリングしていることを示しており、最も深刻な問題は特定の都市部または移行地域に集中している。
• 局所的リッジ回帰（LCR）の適用が、高いLCNを示す地域における係数推定値の安定化に有効であることが示され、モデルの信頼性が向上している。