[論文レビュー] Mixed Effects Modeling for Areal Data that Exhibit Multivariate-Spatio-Temporal Dependencies

Jonathan R. Bradley, Scott H. Holan+1 more|arXiv (Cornell University)|Jul 28, 2014

Soil Geostatistics and Mapping参考文献 68被引用数 4

ひとこと要約

本論文では、領域データにおける複雑な多次元時空間的依存関係をモデル化するため、モーランのI基底関数を拡張した多次元時空間混合効果モデル（MSTM）を提案する。共有ランダム効果、動的線形モデル、および新規のパrameterモデルを組み合わせることで、次元削減とスケーラブルな推論が可能となり、アメリカ合衆国人口調査（American Community Survey）のような大規模データセット（750万件の観察値と3,680の空間的フィールド）を効率的に分析できる。

ABSTRACT

There are many data sources available that report related variables of interest that are also referenced over geographic regions and time; however, there are relatively few general statistical methods that one can readily use that incorporate these multivariate-spatio-temporal dependencies. As such, we introduce the multivariate-spatio-temporal mixed effects model (MSTM) to analyze areal data with multivariate-spatio-temporal dependencies. The proposed MSTM extends the notion of Moran's I basis functions to the multivariate-spatio-temporal setting. This extension leads to several methodological contributions including extremely effective dimension reduction, a dynamic linear model for multivariate-spatio-temporal areal processes, and the reduction of a high-dimensional parameter space using a novel parameter model. Several examples are used to demonstrate that the MSTM provides an extremely viable solution to many important problems found in different and distinct corners of the spatio-temporal statistics literature including: modeling nonseparable and nonstationary covariances, combing data from multiple repeated surveys, and analyzing massive multivariate-spatio-temporal datasets.

研究の動機と目的

• 領域データにおける多次元時空間的依存関係をモデル化するための一般的な統計的手法の欠如に対処すること。
• 非可分かつ非ステーションナリティを有する複雑な依存関係を扱える、計算的に効率的なフレームワークの開発。
• モーランのI基底関数を多次元時空間設定に拡張し、効果的な次元削減を実現すること。
• 複数の繰り返し調査からのデータを統合的にモデル化し、変数、地域、時間の間の相互作用を捉えること。
• 新規のパrameterモデルと動的線形構造を用いて、高次元の分散共分散パラメータ空間の次元を低減すること。

提案手法

• 各空間的位置と時刻において、複数の変数に共通するランダム効果を用いて多次元的依存関係を誘導する。
• 潜在過程の時系列的依存関係を状態空間方程式で指定するため、動的線形モデル（DLM）を採用する。
• モーランのI基底関数を多次元時空間ドメインに拡張し、空間的ランダム効果の低ランク表現を可能にする。
• 高次元の分散共分散パラメータ空間の次元を低減するため、新規のパrameterモデルを導入する。
• 潜在変数およびパラメータの完全条件付き分布をギブスサンプリングを用いて導出する。多変量時系列過程のサンプリングにはカルマンフィルタおよびスムージングを用いる。
• 条件付き尤度分解と階層ベイズモデルを活用し、計算スケーラビリティを向上させる。

実験結果

リサーチクエスチョン

• RQ1 非可分性および非ステーションナリティを許容しつつ、統一的なフレームワークで領域データにおける多次元時空間的依存関係をモデル化できるか？
• RQ2 高次元の多次元時空間モデルにおいて、次元削減をどのように効果的に達成できるか？
• RQ3 MSTMは、アメリカ合衆国人口調査のような繰り返し調査からの大規模データセットを効率的に処理できるか？
• RQ4 共有ランダム効果および動的線形構造の導入が、モデルの適合度と計算効率に与える影響は何か？
• RQ5 提案されたパrameterモデルは、高次元の分散共分散構造の複雑さをどのように低減するか？

主な発見

• MSTMは、アメリカ合衆国人口調査から得られた7,530,037件の観察値と3,680の空間的フィールドを含む大規模データセットを、低ランク構造を用いて効果的にモデル化した。
• 拡張されたモーランのI基底関数に基づく低ランク表現を活用することで、著しい計算効率が達成された。
• カルマンフィルタおよびスムージングにより、高次元設定下でも多変量時系列過程の効率的後方サンプリングが可能となった。
• 分散成分および回帰係数を含むすべてのパラメータの完全条件付き分布が閉形式で導出され、効率的なMCMCサンプリングを支援した。
• 制限的な独立性や可分性の仮定を課さずに、非可分かつ非ステーションナリティを有する空間的・時系列的依存関係を効果的に捉えた。
• 20の産業分野にわたる多次元データの統合的分析が可能であり、実世界の応用においても強固でスケーラブルであることが示された。