[논문 리뷰] Balancing spatial and non-spatial variation in varying coefficient modeling: a remedy for spurious correlation

Daisuke Murakami, Daniel A. Griffith|arXiv (Cornell University)|2020. 05. 20.

Spatial and Panel Data Analysis참고 문헌 35인용 수 6

한 줄 요약

이 논문은 공간적 변동 계수 모형의 공간적 및 비공간적 변동을 동시에 균형 잡는 새로운 공간적 변동 계수 모형(S&NVC)을 제안한다. 이 모형은 모란 고유벡터 기반 접근법을 사용하며, 전통적인 공간적 변동 계수 모형에서 흔히 발생하는 계수 간의 허위 상관관계를 효과적으로 줄이고, 모형 정확도와 계산 효율성을 향상시킨다. 시뮬레이션 및 실세계 부동산 가격 데이터 분석을 통해 이를 입증하였다.

ABSTRACT

This study discusses the importance of balancing spatial and non-spatial variation in spatial regression modeling. Unlike spatially varying coefficients (SVC) modeling, which is popular in spatial statistics, non-spatially varying coefficients (NVC) modeling has largely been unexplored in spatial fields. Nevertheless, as we will explain, consideration of non-spatial variation is needed not only to improve model accuracy but also to reduce spurious correlation among varying coefficients, which is a major problem in SVC modeling. We consider a Moran eigenvector approach modeling spatially and non-spatially varying coefficients (S&NVC). A Monte Carlo simulation experiment comparing our S&NVC model with existing SVC models suggests both modeling accuracy and computational efficiency for our approach. Beyond that, somewhat surprisingly, our approach identifies true and spurious correlations among coefficients nearly perfectly, even when usual SVC models suffer from severe spurious correlations. It implies that S&NVC model should be used even when the analysis purpose is modeling SVCs. Finally, our S&NVC model is employed to analyze a residential land price dataset. Its results suggest existence of both spatial and non-spatial variation in regression coefficients in practice. The S&NVC model is now implemented in the R package spmoran.

연구 동기 및 목표

• 공간적 회귀 모델링에서 공간적 변동 계수 간의 지속적인 허위 상관관계 문제를 해결하기 위해.
• 공간 통계에서 자주 간과되는 비공간적 변동이 모형 신뢰성 향상에 핵심적인 역할을 한다는 것을 입증하기 위해.
• 공간적 및 비공간적 변동을 명시적으로 고려하는 통합된 모델링 프레임워크를 개발하기 위해.
• 기존의 공간적 변동 계수(SVC) 모형과 비교하여 제안된 모형의 정확도 및 계산 효율성 측면에서 성능을 평가하기 위해.
• 어려운 조건에서도 진정한 상관관계와 허위 상관관계를 정확히 구분할 수 있는 능력을 갖춘 모형의 유효성을 검증하기 위해.

제안 방법

• 공간적 의존성을 정규직교 공간적 구조 성분으로 분해하기 위해 모란 고유벡터 공간 필터링(MESF) 접근법을 사용한다.
• 공간적 변동 계수(SVC)와 비공간적 변동 계수(NVC)를 하나의 회귀 프레임워크에 통합한 이중성분 모형을 도입한다.
• 공간적 변동은 공간 가중치 행렬에서 유도된 고유벡터로 표현하고, 비공간적 변동은 공간적 구조로 설명되지 않는 잔차 성분을 통해 모델링한다.
• 모형 적합도와 복잡성 간의 트레이드오프를 균형 잡기 위해 정규화 또는 페널라이제이션 최대우도 추정법을 적용한다.
• 실용적 적용과 재현 가능성을 위해 R 패키지 spmoran에 모델을 구현한다.
• 통제된 조건에서 비공간적 변동이 존재하거나 존재하지 않는 경우를 비교하기 위해 몬테카를로 시뮬레이션을 실시한다.

실험 결과

연구 질문

• RQ1 비공간적 변동을 변동 계수 모형에 포함할 경우 계수 간의 허위 상관관계가 얼마나 감소하는가?
• RQ2 제안된 S&NVC 모형은 기존의 전통적 SVC 모형과 비교해 정확도 및 계산 효율성 측면에서 어떻게 다를까?
• RQ3 S&NVC 모형은 계수 간 상관관계에서 진정한 상관관계와 허위 상관관계를 신뢰성 있게 구분할 수 있는가?
• RQ4 실세계 공간 데이터에서 공간적 및 비공간적 변동이 동시에 존재한다는 실증적 증거는 무엇인가?
• RQ5 비공간적 변동을 포함함으로써 실용적 응용에서 모형 적합도와 해석 가능성은 향상되는가?

주요 결과

• S&NVC 모형은 기존의 SVC 모형이 심각한 허위 상관관계를 보일 때조차도 변동 계수 간의 허위 상관관계를 크게 줄였다.
• 몬테카를로 시뮬레이션 결과, S&NVC 모형은 기존의 SVC 모형보다 높은 추정 정확도와 더 나은 계산 효율성을 확보하였다.
• 모형은 계수 간 상관관계에서 진정한 상관관계와 허위 상관관계를 높은 정밀도로 정확히 식별하였으며, 표준 SVC 접근법을 능가하였다.
• 주거용 부동산 가격 데이터에 대한 실증 분석을 통해 회귀 계수에 공간적 및 비공간적 변동이 동시에 존재한다는 것이 확인되었다.
• S&NVC 모형은 실세계 응용에서 뛰어난 강건성과 신뢰성을 보이며, 주로 공간적 변동 계수를 모형화하는 것이 목표일지라도 그 도입을 지지한다.
• R 패키지 spmoran에 구현된 모형은 광범위한 사용과 표준 공간 통계 워크플로우에의 통합을 가능하게 하였다.