[논문 리뷰] Generalized Geographically Weighted Regression Model within a Modularized Bayesian Framework

Yang Liu, Robert J. B. Goudie|arXiv (Cornell University)|2021. 06. 02.

Spatial and Panel Data Analysis참고 문헌 60인용 수 2

한 줄 요약

이 논문은 지리적으로 가중된 커널과 쿨백-라이블러 발산 최소화를 사용하여 다중 구성 요소(예: 공간적으로 변화하는 계수 및 국소적으로 유일한 분산 매개변수)에 걸쳐 부분적인 모형 오스펙리피케이션을 다룰 수 있는 모odu larized 베이지안 지리적 가중 회귀(GWR) 모델을 제안한다. 이 방법은 가중된 KL 발산 프레임워크 하에서 일致한 추정과 효율적인 병렬 처리 가능한 추론을 가능하게 하여, 공간적으로 스무딩되지 않은 공간 매개변수를 가진 일반화된 선형 모형으로 표준 베이지안 GWR를 확장한다.

ABSTRACT

Geographically weighted regression (GWR) models handle geographical dependence through a spatially varying coefficient model and have been widely used in applied science, but its general Bayesian extension is unclear because it involves a weighted log-likelihood which does not imply a probability distribution on data. We present a Bayesian GWR model and show that its essence is dealing with partial misspecification of the model. Current modularized Bayesian inference models accommodate partial misspecification from a single component of the model. We extend these models to handle partial misspecification in more than one component of the model, as required for our Bayesian GWR model. Information from the various spatial locations is manipulated via a geographically weighted kernel and the optimal manipulation is chosen according to a Kullback-Leibler (KL) divergence. We justify the model via an information risk minimization approach and show the consistency of the proposed estimator in terms of a geographically weighted KL divergence.

연구 동기 및 목표

• 가중 로그우도가 비확률적 성격을 띠기 때문에 지리적 가중 회귀(GWR)에 대한 일반적인 베이지안 확장이 부족한 문제를 해결하기 위해.
• 계수 ϕ와 분산 매개변수 θ와 같은 다중 모형 구성 요소에 걸쳐 부분적인 오스펙리피케이션을 다룰 수 있도록 모듈화된 베이지안 추론을 확장하기 위해.
• 공간적으로 스무딩된 파라미터와 국소적으로 유일한 파라미터를 모두 포함한 일반화된 선형 모형에서 GWR에 대해 계산적으로 효율적이고 병렬 처리 가능한 추론 프레임워크를 개발하기 위해.
• 정보 위험 최소화를 통해 모델을 정당화하고, 지리적으로 가중된 KL 발산 하에서 추정기의 일致성을 확립하기 위해.

제안 방법

• 지리적으로 가중된 커널을 사용하여 공간 데이터 포인트에 국소적 영향을 할당함으로써 일반화된 GWR 모델을 수립한다.
• 계수 ϕ와 분산 매개변수 θ를 포함한 다중 구성 요소에 걸쳐 부분적인 오스펙리피케이션을 다룰 수 있도록 '컷' 피드백을 사용한 모듈화된 베이지안 프레임워크를 적용한다.
• 추론을 안정화하고 고차원 파라미터 스케일링 문제를 피하기 위해 각 위치에서 별도로 샘플링할 수 있도록 파워 우도 접근법을 사용한다.
• 관측된 분포와 예측된 분포 사이의 지리적으로 가중된 쿨백-라이블러(KL) 발산을 최소화하여 커널 밴드폭을 최적화한다.
• 추정기의 일치성을 보장하기 위해 KL 발산 기반 손실 함수를 사용하여 파라미터 추정을 이끌어낸다.
• 각 위치의 추론을 독립적으로 처리함으로써 병렬 계산을 활용하여 대규모 공간 데이터셋에 대한 확장성을 크게 향상시킨다.

실험 결과

연구 질문

• RQ1 가중 로그우도가 적절한 확률 분포를 정의하지 못할 경우, 어떻게 베이지안 GWR 모델을 구성할 수 있는가?
• RQ2 모듈화된 베이지안 추론은 계수와 분산 매개변수와 같이 다중 모형 구성 요소에 걸쳐 부분적인 오스펙리피케이션을 동시에 다룰 수 있는가?
• RQ3 모형 오스펙리피케이션 하에서 일치 추정을 확보하기 위해, 베이지안 GWR 모델에서 공간 정보를 어떻게 가중할 수 있는가?
• RQ4 제안된 모델은 표준 GWR 또는 SVC 모델에 비해 예측 정확도와 불확실성 정량화 측면에서 어떻게 성능을 발휘하는가?
• RQ5 모델은 공간적으로 스무딩된 계수와 비스무스러운 국소적 유일한 매개변수(예: 음이이항분포나 베타 회귀에서의 분산)를 효과적으로 다룰 수 있는가?

주요 결과

• 제안된 베이지안 GWR 모델은 부분적인 모형 오스펙리피케이션 하에서도 지리적으로 가중된 쿨백-라이블러 발산 하에서 공간적으로 변화하는 계수의 일치 추정을 달성한다.
• 모델은 각 위치에서 파라미터를 독립적으로 샘플링함으로써 기존의 공간 계층 모형에서 발생하는 고차원 파라미터 문제를 피하면서 효율적이고 병렬 처리 가능한 추론을 가능하게 한다.
• 교차검증 기반의 밴드폭 선택은 계산적으로 비용이 많이 들지만, 다양한 지리적 밴드폭에 대해 모델 성능이 강인하며, 최적의 밴드폭 선택은 ELPD 박스플롯을 통해 확인되었다.
• 모델은 일반적으로 무시되거나 스무딩된 것으로 가정되는 공간적으로 스무딩된 계수와 국소적으로 유일한 분산 매개변수(예: 음이이항분포 모델에서의 θi)를 성공적으로 추정한다.
• 실증 결과는 모델이 유럽 및 동아시아 국가들에서 복잡한 공간 패턴을 잘 포착하며, 계수 ϕ1(온도)과 ϕ2(강수량)에 대한 신뢰구간이 의미 있는 지리적 변동성을 반영하고 있음을 보여준다.
• 모델은 불확실성 정량화 측면에서 표준 GWR를 능가하며, 모듈화되고 병렬화된 구조 덕분에 대규모 공간 데이터셋에 대해 계산적으로 실현 가능하다.