[논문 리뷰] Bayesian Multivariate Spatial Models for Lattice Data with INLA

Francisco Palmí‐Perales, Virgilio Gómez‐Rubio외 1명|arXiv (Cornell University)|2019. 09. 24.

Spatial and Panel Data Analysis참고 문헌 33인용 수 11

한 줄 요약

이 논문은 R을 위한 INLAMSM 패키지를 소개하며, 통합 중첩 라플라스 근사(INLA)를 사용하여 격자 데이터에 대한 다변량 공간 모델에 대한 빠르고 효율적인 베이지안 추론을 가능하게 하는 INLA 프레임워크를 확장한다. 이는 공간적 의존성과 변수 간 상관관계를 모두 모델링하는 고급 다변량 공간 잠재 효과(M-모델, PMCAR, IMCAR 등)를 구현하여 MCMC에 비해 계산 시간을 크게 단축시키면서도 정확도를 유지함을 입증하였다. 스페인의 SIDS 및 암 사망률 데이터를 대상으로 한 분석 결과가 이를 뒷받듯이, 이는 다변량 공간 모델링에 있어 빠른 계산 성능과 높은 정확도를 동시에 확보함을 보여준다.

ABSTRACT

The INLAMSM package for the R programming language provides a collection of multivariate spatial models for lattice data that can be used with package INLA for Bayesian inference. The multivariate spatial models include different structures to model the spatial variation of the variables and the between-variables variability. In this way, fitting multivariate spatial models becomes faster and easier. The use of the different models included in the package is illustrated using two different datasets: the well-known North Carolina SIDS data and mortality by three causes of death in Comunidad Valenciana (Spain).

연구 동기 및 목표

• 영역 데이터에 대한 다변량 공간 모델링 기능이 부족한 INLA 패키지의 한계를 보완하기 위해.
• MCMC를 대체하여 더 빠른 통합 중첩 라플라스 근사(INLA)를 사용함으로써 다변량 공간 모델의 계산 부담을 줄이기 위해.
• 공유 공간 랜덤 효과 및 구조화된 공분산 행렬과 같은 복잡한 다변량 공간 구조를 지원하는 사용자 우아한 R 패키지를 제공하기 위해.
• 정보 기준(DIC, WAIC)을 통한 모델 적합도 비교 및 초모수와 공분산 행렬의 사후 분포 평가를 쉽게 하기 위해.
• 질병 맵핑을 넘어서 시공간 및 다변량 지구통계 모델링 등 더 넓은 응용 분야를 지원하기 위해.

제안 방법

• MCMC 샘플링의 느린 속도를 피하기 위해 INLA 패키지의 빠른 베이지안 추론 능력을 활용한다.
• 새로운 다변량 잠재 효과(M-모델, PMCAR, IMCAR 등)를 구조화된 정밀도 행렬을 가진 가우시안 마르코프 무작위 필드(GMRF)로 구현한다.
• INLA의 rgeneric 잠재 효과를 사용하여 평균, 정밀도 행렬, 초모수를 지정함으로써 사용자 정의 다변량 공간 모델을 정의한다.
• 조건부 자료모형(CAR) 구조를 통해 공간적 의존성을 모델링하고, 다변량 초모수(예: 위샤르트, 역위샤르트 분포)를 통해 상관관계를 표현한다.
• 전체 사후 분포 집합을 사용하여 초모수, 특히 질병 간 공분산 행렬에 대한 사후 추론을 가능하게 한다.
• DIC 및 WAIC를 사용한 모델 비교를 지원하며, 사후 예측 검증과 해석 가능성을 높이기 위해 초모수의 변환을 제공한다.

실험 결과

연구 질문

• RQ1 MCMC에 비해 계산 비용이 높은 것을 방지하기 위해, INLA 프레임워크 내에서 격자 데이터에 대한 다변량 공간 모델을 어떻게 효율적으로 구현할 수 있는가?
• RQ2 다변량 공간 모델링에서 IMCAR, PMCAR, M-모델의 구조 간 모델 적합도 및 계산 성능의 주요 차이는 무엇인가?
• RQ3 INLAMSM에 구현된 다변량 공간 모델은 폐암과 구강암 간 알려진 생물학적 또는 역학적 상관관계를 얼마나 잘 포착하는가?
• RQ4 INLAMSM 패키지는 다변량 공간 모델에서 변수 간 공분산 행렬의 사후 분포를 신뢰성 있게 추정할 수 있는가?
• RQ5 실제 응용에서 최적의 다변량 공간 구조를 식별하는 데 가장 적합한 모델 선택 기준(DIC, WAIC)은 무엇인가?

주요 결과

• Comunidad Valenciana 사망률 데이터에서 M-모델이 가장 낮은 DIC(7384.47)와 WAIC(7366.15)를 기록하여 IMCAR 및 PMCAR에 비해 더 뛰어난 모델 적합도를 보였다.
• 질병 간 공분산 행렬의 사후 추정치는 폐암과 구강암 간 강한 상관관계(r ≈ 0.45–0.55)를 보였으며, 이는 알려진 역학적 연관성과 일치하였다.
• IMCAR 모델은 사후 평균 공분산 행렬의 요소가 0.127에서 0.244 사이로 추정되었고, M-모델은 더 높은 분산(최대 0.353)을 보여, 더 큰 불확실성 또는 이질성을 반영하였다.
• PMCAR 모델은 M-모델과 유사한 사후 분산 추정치를 제공하였으며(예: (3,3) 요소의 경우 0.255), 질병 특이적 공간 변동성을 잘 포착하는 데 있어 강건성을 보였다.
• 모든 모델에서 폐암과 구강암 간의 공간 상관관계가 간경변과 다른 두 질병보다 더 높았으며, 임상적 증거와 부합하였다.
• Comunidad Valenciana의 112개 지역과 같은 더 큰 데이터셋에서도 계산 시간이 짧게 유지되어, 다변량 환경에서 MCMC에 비해 INLA 기반 추론의 효율성이 확인되었다.