[論文レビュー] On initial direction, orientation and discreteness in the analysis of circular variables

Gianluca Mastrantonio, Giovanna Jona Lasinio+2 more|arXiv (Cornell University)|Sep 29, 2015

Bayesian Methods and Mixture Models参考文献 24被引用数 3

ひとこと要約

本稿では、初期方向および基準系の向きの変更に対して不変である、新しい離散的円周分布である不変包絡ポアソン（IWP）分布を導入する。これは円周データ解析における信頼性の高い推論に不可欠である。包絡ポアソン分布に不変性の性質を組み合わせることで、IWPはカウントベースの方向データの堅牢なモデリングを可能にし、MCMCを用いたベイズ推論が実装され、実際の風向データおよび銃犯罪データにおいて良好なフィットを示している。

ABSTRACT

In this paper, we propose a discrete circular distribution obtained by extending the wrapped Poisson distribution. This new distribution, the Invariant Wrapped Poisson (IWP), enjoys numerous advantages: simple tractable density, parameter-parsimony and interpretability, good circular dependence structure and easy random number generation thanks to known marginal/conditional distributions. Existing discrete circular distributions strongly depend on the initial direction and orientation, i.e. a change of the reference system on the circle may lead to misleading inferential results. We investigate the invariance properties, i.e. invariance under change of initial direction and of the reference system orientation, for several continuous and discrete distributions. We prove that the introduced IWP distribution satisfies these two crucial properties. We estimate parameters in a Bayesian framework and provide all computational details to implement the algorithm. Inferential issues related to the invariance properties are discussed through numerical examples on artificial and real data.

研究の動機と目的

• 初期方向および向きの変更に対して不変でない離散的円周分布の不足が、誤った統計的推論を引き起こす可能性があるという問題を解決すること。
• 円周上での選択された基準系にかかわらず統計的性質が保たれる、新しい離散的円周分布「不変包絡ポアソン（IWP）」を構築すること。
• 時間的イベント頻度や方向的カウントなどのカウントデータに適した、パラメータが簡潔で、取り扱いやすく、解釈可能なモデルを提供すること。
• MCMCアルゴリズムを用いた、円周データに対する信頼性の高いベイズ推論を可能にすること。特に、密度の切断に基づく効率的な近似アルゴリズムを含む。
• 人工的および実データを用いた数値例を通じて、IWPが既存のモデルを上回ることを示すこと。対象データには風向データおよび銃犯罪データが含まれる。

提案手法

• 包絡ポアソン分布を拡張し、基準系の回転および反転に対して不変であることを保証することで、不変包絡ポアソン（IWP）分布を構築する。
• 既存の離散的円周分布とは異なり、初期方向および向きの変更に対して不変であるための必要十分条件を満たすことを証明する。
• IWPの三角関数的モーメントを導出し、円周平均と分散が独立であることを示す。これにより、標準的包絡ポアソン分布の厳密な平均-分散関係を緩和する。
• 正確なアルゴリズムと、IWP密度の切断に基づく近似アルゴリズムの2つのMCMCアルゴリズムを用いてベイズ推論を実装する。この近似手法は、Jona Lasinioら（2012）の包絡正規分布に対する手法を模倣している。
• MCMCサンプリングを容易にするために、潜在変数アプローチ（ColesとCasson, 1998）を採用し、特定のパラメータに対して識別性を高めるための事前分布を設定する。
• 近似アルゴリズムにおける潜在変数を再パラメータライズすることで、計算効率を向上させ、局所最適解を避ける。

実験結果

リサーチクエスチョン

• RQ1 円周上での基準系の初期方向および向きの変更に対して不変である離散的円周分布を構築することは可能か？
• RQ2 包絡ポアソン分布をどのように変更すれば、円周分散のモデリングにおける柔軟性を高めつつ、解釈可能性と取り扱いやすさを保てるか？
• RQ3 非不変な円周分布を用いると、特に方向的カウントデータの分析において、どのような推論的影響が生じるか？
• RQ4 提案されたIWP分布は、実世界の離散的円周データ（風向や1時間ごとの銃犯罪頻度など）にどの程度適合するか？
• RQ5 特に、精度を維持しつつ計算速度を向上させる近似アルゴリズムを用いて、IWPモデルに対する効率的なベイズ推論が達成可能か？

主な発見

• IWP分布は、初期方向および向きの変更に対して不変であり、既存の離散的円周分布とは異なり、不変性の必要十分条件を満たしている。
• 三角関数的モーメント解析により、IWPモデルでは円周平均と分散が独立であることが示され、標準的包絡ポアソン分布の制限された平均-分散関係が緩和された。
• 風向データの例では、事後分布の方向的平均は0.164（地理的北に近い）であり、95％信用区間は[6.248, 0.366]、円周的集中度推定値は0.456（95％CI [0.405, 0.484]）であり、中程度の集中度を示している。
• 銃犯罪データでは、事後方向的平均は6.166（24時間制で23時33分）であり、95％信用区間は[6.138, 6.193]、円周的集中度は0.316（95％CI [0.315, 0.317]）であり、高いばらつきを示している。
• 風データの事後歪度は-0.192（95％CI [-0.198, 0.196]）、銃犯罪データでは0.236（95％CI [0.235, 0.236]）であり、両者ともほぼ対称的な予測分布を示している。
• 風データの平均予測誤差は0.780、銃犯罪データでは0.838であり、観測データのばらつきを考慮すると、両者とも妥当なモデルフィットを示している（最大可能誤差は2）。