[논문 리뷰] A Moran coefficient-based mixed effects approach to investigate spatially varying relationships

Daisuke Murakami, Takahiro Yoshida외 3명|arXiv (Cornell University)|2016. 06. 22.

Spatial and Panel Data Analysis참고 문헌 50인용 수 4

한 줄 요약

이 논문은 혼합효과 모형 프레임워크에 모란의 계수를 통합하여 해석 가능하고 부드럽게 변하는 계수를 허용하는 새로운 공간적으로 변하는 계수 모형을 제안한다. 이는 각 예측 변수별로 다른 공간적 스무딩 수준을 제공한다. 몽테카를로 시뮬레이션과 일본의 홍수 위험 허드로닉 가격 설정 응용 사례를 통해 기존의 고유벡터 공간 필터링과 지리적 가중 회귀 분석보다 추정 정확도와 계산 효율성에서 뛰어나다.

ABSTRACT

This study develops a spatially varying coefficient model by extending the random effects eigenvector spatial filtering model. The developed model has the following properties: its coefficients are interpretable in terms of the Moran coefficient; each of its coefficients can have a different degree of spatial smoothness; and it yields a variant of a Bayesian spatially varying coefficient model. Also, parameter estimation of the model can be executed with a relatively small computationally burden. Results of a Monte Carlo simulation reveal that our model outperforms a conventional eigenvector spatial filtering (ESF) model and geographically weighted regression (GWR) models in terms of the accuracy of the coefficient estimates and computational time. We empirically apply our model to the hedonic land price analysis of flood risk in Japan.

연구 동기 및 목표

• 각 예측 변수별로 공간적으로 스무딩된 계수 추정이 가능하고, 공간적 의존도 수준이 다를 수 있도록 해석 가능한 공간적으로 변하는 계수 모형을 개발하는 것.
• 지리적 가중 회귀 분석(GWR)과 고유벡터 공간 필터링(ESF)과 같은 기존 모형의 한계, 특히 계산 부담과 공간 효과의 해석 가능성 문제를 해결하는 것.
• 모란 계수를 공간 자기상관의 측정치로 직접 모형의 계수 구조에 통합하여 해석력을 향상시키는 것.
• 대규모 공간 데이터셋에 적합한 계산적으로 경량화된 접근 방식을 사용하여 효율적인 매개변수 추정을 가능하게 하는 것.

제안 방법

• 모형은 공간 가중치 행렬에서 유도된 고유벡터를 사용하여 공간적으로 변하는 계수를 포함하는 혼합효과 모형 프레임워크로 확장된 무작위 효과 고유벡터 공간 필터링(RESF) 프레임워크를 기반으로 한다.
• 각 예측 변수의 계수는 공간 가중치 행렬에서 유도된 고유벡터의 선형 조합으로 모델링되며, 혼합효과 모형 프레임워크를 통해 추정된다.
• 모란 계수를 사용하여 각 계수의 공간 의존성 구조를 해석하며, 모형 매개변수와 전역적 공간 자기상관 간의 연결 고리를 제공한다.
• 각 예측 변수의 공간적 변동 효과에 고유한 분산 성분을 할당하여 계수 간의 서로 다른 공간 스무딩 수준을 허용한다.
• 제한된 최대우도 추정법(REML)을 사용하여 매개변수 추정을 수행함으로써 전체 베이지안 방법보다 계산 비용을 감소시킨다.
• 마르코프 체인 몬테카를로(MCMC) 샘플링이 필요 없이 베이지안 유사 공간적 변동 계수 모형을 도출할 수 있다.

실험 결과

연구 질문

• RQ1 모란 계수와 같은 공간 자기상관 측정치를 통해 공간적으로 변하는 계수를 어떻게 모형화할 수 있는가?
• RQ2 혼합효과 프레임워크는 GWR 및 ESF에 비해 공간적으로 변동 계수 모형의 추정 정확도와 계산 효율성에서 향상시킬 수 있는가?
• RQ3 한 번의 모형에서 서로 다른 예측 변수에 대해 공간 스무딩 수준을 어떻게 다르게 설정할 수 있는가?
• RQ4 다양한 공간 의존성 구조 하에서 제안된 모형의 계수 추정 정확도와 계산 시간은 어떻게 평가되는가?

주요 결과

• 모델은 모든 시뮬레이션 시나리오에서 전통적인 고유벡터 공간 필터링(ESF)과 지리적 가중 회귀 분석(GWR)보다 계수 추정 정확도에서 뚜렷한 우수성을 보였다.
• GWR보다는 상당히 낮은 계산 시간을 기록했으며, ESF와 비교해도 유사하거나 더 낫게 성능을 보여, 대규모 공간 데이터에 적합하다.
• 모델의 각 계수는 고유한 정도의 공간 스무딩 수준을 보이며, 이는 이질적인 공간 과정을의 유연한 모형화를 가능하게 한다.
• 모란 계수는 각 계수의 공간 구조와 전역적 공간 자기상관 간의 직접적인 해석적 연결 고리를 제공하여 모형의 투명성을 향상시켰다.
• 일본의 홍수 위험 허드로닉 토지 가격 설정에 대한 실증 응용을 통해 모형이 재산 가격에 대한 홍수 위험의 공간적으로 이질적인 영향을 잘 포착할 수 있음을 확인했다.
• 모형의 매개변수 추정치는 시뮬레이션 반복 간에 안정적이고 일관되며, 유한 표본에서의 강건성을 보여주었다.