[논문 리뷰] Careful prior specification avoids incautious inference for log-Gaussian Cox point processes

Sigrunn H. Sørbye, Janine Illian외 2명|arXiv (Cornell University)|2017. 09. 20.

Bayesian Methods and Mixture Models참고 문헌 35인용 수 6

한 줄 요약

이 논문은 베이지안 공간점과정 분석에서 해석 가능성과 견고성을 향상시키기 위해 허용형 복잡성 사전분포를 적용한 재매개변수화된 로그정규 코크스 과정 모형을 제안한다. 동일한 정밀도 매개변수와 분산 비율 초수치를 공유하는 공간적으로 구조화된 임의의 필드와 비구조화된 필드로 나누어, 모델이 직관적인 초수치 조정을 가능하게 하고 격자 해상도에 대한 민감도를 감소시키며, 다양한 공간 척도에서 공변수의 유의성에 대한 투명한 평가를 가능하게 한다. 이는 파나마 바로 코로라도 섬의 열대수종 데이터를 통해 입증되었다.

ABSTRACT

Prior specifications for hyperparameters of random fields in Bayesian spatial point process modelling can have a major impact on the statistical inference and the conclusions made. We consider fitting of log-Gaussian Cox processes to spatial point patterns relative to spatial covariate data. From an ecological point of view, an important aim of the analysis is to assess significant associations between the covariates and the point pattern intensity of a given species. This paper introduces the use of a reparameterised model to facilitate meaningful interpretations of the results and how these depend on hyperprior specifications. The model combines a scaled spatially structured field with an unstructured random field, having a common precision parameter. An additional hyperparameter identifies the fraction of variance explained by the spatially structured term and proper scaling makes the analysis invariant to grid resolution. The hyperparameters are assigned penalised complexity priors, which can be tuned intuitively by user-defined scaling parameters. We illustrate the approach analysing covariate effects on point patterns formed by two rainforest tree species in a study plot on Barro Colorado Island, Panama.

연구 동기 및 목표

• 베이지안 공간점과정 모형에서 주관적이고 해석 불가능한 초수치 사전분포 설정 문제를 해결하기 위해.
• 공변수 효과가 종 분포에 미치는 영향을 공간적 구조와 모형의 초수치를 분리함으로써 의미 있는 생태학적 해석이 가능하도록 하기 위해.
• 공간 임의의 필드의 척도를 적절히 스케일링하여 격자 해상도에 불변성을 확보함으로써 모형 설정을 격자 해상도에 영향을 받지 않도록 하기 위해.
• 해석 가능한 사전분포를 사용함으로써 공간 스무쓰니스에 대한 모형 민감도를 투명하게 평가할 수 있도록 하기 위해.
• 파나마 바로 코로라도 섬의 실제 열대 숲 수종 데이터를 대상으로 제안된 방법을 적용하기 위해.

제안 방법

• 공간 임의의 필드를 스케일링된 공간적으로 구조화된 성분(rw2)과 비구조화된 성분(iid)의 합으로 재매개변수화하여 동일한 정밀도 매개변수를 공유한다.
• 공간적으로 구조화된 성분이 설명하는 분산의 비율을 나타내는 혼합 매개변수를 도입하여 직관적인 해석을 가능하게 한다.
• 공통 정밀도 매개변수와 혼합 매개변수 양쪽에 허용형 복잡성(PC) 사전분포를 적용하여 사용자가 정의한 스케일링 매개변수를 통해 직관적인 초수치 조정이 가능하도록 한다.
• 공간적으로 구조화된 필드를 정밀도 행렬의 트레이스의 역수로 스케일링하여 격자 해상도에 대한 불변성을 확보한다.
• R-INLA 패키지를 사용하여 모형을 구현하고, 전체 사후분포 계산을 포함한 빠른 베이지안 추론을 수행한다.
• 다양한 초수치 선택에 따른 모형 행동을 평가하여, 공변수의 유의성이 공간 스무쓰니스에 어떻게 영향을 받는지 민감도 분석을 수행한다.

실험 결과

연구 질문

• RQ1 공간 필드 정밀도에 대한 초수치의 선택이 로그정규 코크스 과정 모형에서 공변수 효과의 유의성에 어떤 영향을 미치는가?
• RQ2 재매개변수화된 모형 구조는 공간 임의의 효과와 그 강도 변화에 기여하는 요소의 해석 가능성에 어떻게 기여하는가?
• RQ3 모형 추론은 공간적으로 구조화된 필드의 스무쓰니스에 얼마나 민감한가? 그리고 이를 어떻게 통제할 수 있는가?
• RQ4 공간점과정 모형에서 다양한 격자 해상도 간에 초수치 사전분포 설정을 어떻게 직관적이고 이식 가능하게 만들 수 있는가?
• RQ5 생태학적 점과정에서 공간적으로 구조화된 임의의 효과와 비구조화된 효과가 전체 공간 패턴에 기여하는 상대적 비중은 어느 정도인가?

주요 결과

• 재매개변수화된 모형은 임의의 효과가 설명하는 총 분산을 구조화된 성분과 비구조화된 성분으로 분리하여 성공적으로 분리하였으며, 혼합 매개변수를 통해 공간적 구조에 의한 분산 비율을 명확하게 해석할 수 있었다.
• 허용형 복잡성 사전분포를 통해 사용자가 정의한 스케일링 매개변수를 통해 직관적인 초수치 조정이 가능하여, 부적절한 추론의 위험을 감소시켰다.
• 공간적으로 구조화된 필드의 적절한 스케일링 덕분에 모형은 격자 해상도에 불변성을 확보하였으며, 다양한 공간 이산화에 걸쳐 일관된 추론이 가능했다.
• 다양한 초수치 선택에 대한 민감도 분석 결과, 공변수의 유의성은 공간 필드의 스무쓰니스에 따라 상당히 달라질 수 있음을 확인하였으며, 이는 주의 깊은 사전분포 설정의 필요성을 강조한다.
• BCI 데이터셋에서 모형은 수종 분포와 토양 영양소 간의 유의미한 연관성을 탐지하였으며, 한 종의 국소적 군집은 산란 제한성에 의해 설명되고, 더 큰 척도의 패턴은 지형과 토양 화학에 관련되어 있었다.
• 이 방법은 국소적 군집과 대규모 군집을 효과적으로 분리하였으며, 둘 다 관측된 공간 패턴에 기여하고 있음을 보여주었으며, 공간적으로 구조화된 성분은 더 넓은 척도의 환경적 연관성을 포착하였다.