[論文レビュー] Spatial Functional Linear Model and its Estimation Method

Tingting Huang, Gilbert Saporta+2 more|arXiv (Cornell University)|Nov 1, 2018

Spatial and Panel Data Analysis参考文献 19被引用数 4

ひとこと要約

本稿では、空間重み行列と空間自己回帰パラメータを用いて空間自己回帰的依存を組み込むことで、古典的関数線形モデル（FLM）を拡張した空間関数線形モデル（SFLM）を提案する。この手法は、高次元の関数的予測子とネットワーク構造を持つデータを扱うために、関数的主成分分析（FPCA）と最尤推定を組み合わせる。空間的依存が存在する状況では、特に実際の気象データにおけるフィッティング精度と予測精度において、標準的FLMを上回る優れた性能を示す。

ABSTRACT

The classical functional linear regression model (FLM) and its extensions, which are based on the assumption that all individuals are mutually independent, have been well studied and are used by many researchers. This independence assumption is sometimes violated in practice, especially when data with a network structure are collected in scientific disciplines including marketing, sociology and spatial economics. However, relatively few studies have examined the applications of FLM to data with network structures. We propose a novel spatial functional linear model (SFLM), that incorporates a spatial autoregressive parameter and a spatial weight matrix into FLM to accommodate spatial dependencies among individuals. The proposed model is relatively flexible as it takes advantage of FLM in handling high-dimensional covariates and spatial autoregressive (SAR) model in capturing network dependencies. We develop an estimation method based on functional principal component analysis (FPCA) and maximum likelihood estimation. Simulation studies show that our method performs as well as the FPCA-based method used with FLM when no network structure is present, and outperforms the latter when network structure is present. A real weather data is also employed to demonstrate the utility of the SFLM.

研究の動機と目的

• 実際のネットワーク構造を持つデータではしばしば成立しないとされる、古典的関数線形モデル（FLM）が個々の観察単位間の独立性を仮定するという限界を是正すること。
• 高次元の関数的予測子の強みと、空間自己回帰（SAR）モデルによる空間的依存の捉え方を統合する柔軟な統計的モデルの開発。
• SFLMの推定法として、関数的主成分分析（FPCA）と最尤推定（MLE）を組み合わせた手法の提案。
• 空間自己相関の程度が異なる状況下で、SFLMとFLMの性能を比較して評価すること。
• 中国の34都市の実際の気象データを用いて、空間的依存を考慮した場合のフィッティングと予測の改善を示すこと。

提案手法

• SFLMは、応答変数間の空間的依存をモデル化するために、空間自己回帰パラメータ（ρ）と空間重み行列（W）を導入することで、古典的FLMを拡張する。
• モデルは以下の式で定式化される：Y_i = α + ∫_Γ X_i(t)β(t)dt + ρ∑_j w_ij Y_j + ε_i、ここでY_iはスカラー応答、X_i(t)は関数的予測子、w_ijは空間重みを表す。
• 関数的予測子の次元削減のため、関数的主成分分析（FPCA）を用いて推定を行う。
• 空間自己回帰パラメータρと回帰関数β(t)の同時推定には、最尤推定（MLE）を用いる。
• 空間自己相関の程度を変化させたシミュレーションスタディを通じて、標準的FPCAベースのFLM推定と比較して妥当性を検証する。
• 2005年から2007年の実際の気象データに、月次温度関数を用いた年間降水量の予測を実施し、2008年のデータを用いてアウトオブサンプル予測を行う。

実験結果

リサーチクエスチョン

• RQ1 ネットワーク構造を持つデータにおける応答変数間の空間的依存を考慮できるように、関数線形モデルを拡張できるか？
• RQ2 データに空間自己相関が存在する状況で、提案されたSFLMは古典的FLMに比べてどのように性能を発揮するか？
• RQ3 空間自己回帰パラメータと空間重み行列の導入により、関数データ設定におけるモデルのフィットと予測精度が向上するか？
• RQ4 空間的依存の影響は残差構造にどのような影響を及ぼすか？また、SFLMは残差における空間自己相関を効果的に除去できるか？
• RQ5 都市間の地理的連結性を持つ実世界の応用、例えば、温度関数から地理的に接続された都市群における年間降水量を予測する際、SFLMはどのように性能を発揮するか？

主な発見

• SFLMは、古典的FLMと比較して、残差における空間自己相関を顕著に低減しており、モラーンのI統計量がFLMの0.41からSFLMの0.15に低下している。
• 推定された空間自己回帰パラメータρは0.58であり、p値 < 0.001であるため、気象データに強い統計的有意な空間的依存が存在することが示された。
• SFLMは、フィッティング（0.24 vs. 0.33）と予測（0.10 vs. 0.12）の両方において、平均二乗誤差（MSE）が低く抑えられており、精度の向上が確認された。
• SFLM下での推定された回帰関数β(t)は、FLMよりも滑らかであることが示され、時間的経過に伴う温度が降水量に与える影響がより安定的かつ解釈可能であることが示唆された。
• SFLMは冬季に温度が降水量に与える影響が強まっているのを捉えており、全体としての年間を通じた感受性はFLMよりも低減している。
• シミュレーション結果から、提案手法の推定器の一致性が確認され、空間的依存が存在する場合にはSFLMがFLMを上回る性能を示す一方、ρ = 0の場合は同等の性能を示すことがわかった。