[논문 리뷰] disaggregation: An R Package for Bayesian Spatial Disaggregation Modelling

A. Nandi, Tim Lucas외 3명|arXiv (Cornell University)|2020. 01. 09.

Statistical Methods and Bayesian Inference참고 문헌 17인용 수 6

한 줄 요약

이 논문은 TMB를 사용한 효율적 라플라스 근사로 거대 지역 데이터에서 빠르고 정확한 미세 규모 예측을 가능하게 하는 베이지안 공간 분할 모델링을 위한 R 패키지 'disaggregation'을 소개한다. MCMC에 비해 속도가 빠르며, 말라리아 유병률 모델을 56초 만에 피팅하는 데에 그치지 않고, 유사한 결과를 도출한다. 이는 역학 및 생태학적 지ap핑을 위한 간편하고 계산 효율적인 도구를 제공한다.

ABSTRACT

Disaggregation modelling, or downscaling, has become an important discipline in epidemiology. Surveillance data, aggregated over large regions, is becoming more common, leading to an increasing demand for modelling frameworks that can deal with this data to understand spatial patterns. Disaggregation regression models use response data aggregated over large heterogenous regions to make predictions at fine-scale over the region by using fine-scale covariates to inform the heterogeneity. This paper presents the R package disaggregation, which provides functionality to streamline the process of running a disaggregation model for fine-scale predictions.

연구 동기 및 목표

• 집계된 감시 데이터를 활용한 역학 및 생태학 분야에서 고해상도 위험 지도화의 증가하는 수요를 해결하기 위해.
• 공간 분할 모델에서 마르코프 체인 몬테카를로(MCMC) 방법의 계산 부담을 완화하기 위해.
• 베이지안 공간 분할을 위한 데이터 준비, 모델 피팅, 예측 과정을 단순화하는 사용자 友好的 R 패키지를 제공하기 위해.
• 미세 규모 공변수를 사용하여 거대 지역 수준의 카운트에서 미세 규모의 질병 유병률을 효율적으로 추정하기 위해.
• 계산 속도와 모델 정확도에 중점을 두어 확장 가능하고 재현 가능한 공간 분할을 촉진하기 위해.

제안 방법

• TMB(Template Model Builder) 패키지를 사용하여 빠른 라플라스 근사와 자동 미분을 활용한 베이지안 공간 분할 모델을 구현한다.
• 선형 예측자에 회귀 계수, 가우시안 과정(Matérn 공분산), 그리고 다각형별 랜덤 효과를 사용하여 픽셀 수준의 비율을 모델링한다.
• 응답 변수의 집계된 분포(포isson, 가우시안, 또는 이항분포)에 연결하기 위해 링크 함수(로그, 항등, 또는 로짓)를 사용한다.
• 평탄하고 상관성이 없는 필드로 향하는 정규화를 위해 Matérn 필드의 매개변수(범위 ρ 및 표준편차 σ)에 펜라이즈드 복잡성 사전확률을 적용한다.
• 관측된 데이터 스케일과 일치시키기 위해 집계 래스터를 사용하여 픽셀 수준의 예측치를 다각형 수준으로 면적 가중 평균으로 집계한다.
• 최소한의 사용자 수준의 C++ 코딩으로 모델 피팅, 예측, 진단 기능을 통합한 단일 R 패키지 인터페이스를 통합한다.

실험 결과

연구 질문

• RQ1 MCMC에 비해 속도는 빠르지만 정확도를 유지하는 R에서 계산 효율적인 베이지안 공간 분할 프레임워크를 구현할 수 있는가?
• RQ2 환경 공변수를 사용하여 거대 지역 수준의 카운트에서 질병 유병률의 미세 규모 공간 패턴을 얼마나 잘 복원할 수 있는가?
• RQ3 공간 분할 모델에서 TMB 기반 라플라스 근사의 런타임 및 수렴 성능 측면에서 MCMC 대비 성능 향상은 어느 정도인가?
• RQ4 펜라이즈드 복잡성 사전확률의 사용이 공간 분할에서 모델 안정성과 해석 가능성에 얼마나 기여하는가?
• RQ5 제안된 R 패키지 'disaggregation'은 마다가스카르에서의 말라리아 위험 지도 작성과 같은 실세계 적용에 효과적으로 사용될 수 있는가?

주요 결과

• R 패키지 'disaggregation'은 TMB를 사용하여 빠른 베이지안 공간 분할을 가능하게 하여, 마다가스카르에서 말라리아 유병률 모델의 모델 피팅 시간을 MCMC의 94시간에서 TMB의 56초로 단축시켰다.
• TMB와 MCMC의 결과는 매우 유사했으며, 모든 매개변수에서 사후 평균의 차이가 0.15 이내였고, 이는 TMB 근사의 신뢰성을 확인한다.
• Matérn 필드에 대한 펜라이즈드 복잡성 사전확률은 공간 랜덤 효과의 정규화에 성공하여 과적합을 방지하고 모델 안정성을 향상시켰다.
• 패키지는 복잡한 데이터 구조, 특히 픽셀 수준의 비율을 다각형 수준의 응답으로 면적 가중 평균으로 집계하는 것을 성공적으로 처리했다.
• 해당 방법은 오직 거대 지역 수준의 카운트와 미세 규모 환경 공변수만을 사용하여도 정확한 미세 규모의 말라리아 유병률 예측을 달성했다.
• 이 프레임워크는 계산적으로 효율적이고 확장 가능하여 대규모 공간 역학 및 생태학적 응용에 적합하다.