[논문 리뷰] Local likelihood estimation for covariance functions with spatially-varying parameters: the convoSPAT package for R

Mark D. Risser, Catherine A. Calder|arXiv (Cornell University)|2015. 07. 30.

Soil Geostatistics and Mapping참고 문헌 30인용 수 9

한 줄 요약

이 논문은 국소 우도 추정을 사용하여 공간적으로 변화하는 공분산 매개변수를 갖는 컨volution 기반 비정상 공간 가우시안 과정 모델을 피팅하기 위한 convoSPAT R 패키지를 소개한다. 공간적으로 변화하는 매개변수를 이산 혼합 성분 접근법으로 모델링하고 국소적으로 추정함으로써, 시뮬레이션된 데이터와 실제 강수량 데이터에 대한 실험을 통해 정상 모델 대비 향상된 예측 정확도를 보이며 중간 크기의 데이터셋에 대해서도 효율적인 계산을 가능하게 한다.

ABSTRACT

In spite of the interest in and appeal of convolution-based approaches for nonstationary spatial modeling, off-the-shelf software for model fitting does not as of yet exist. Convolution-based models are highly flexible yet notoriously difficult to fit, even with relatively small data sets. The general lack of pre-packaged options for model fitting makes it difficult to compare new methodology in nonstationary modeling with other existing methods, and as a result most new models are simply compared to stationary models. Using a convolution-based approach, we present a new nonstationary covariance function for spatial Gaussian process models that allows for efficient computing in two ways: first, by representing the spatially-varying parameters via a discrete mixture or "mixture component" model, and second, by estimating the mixture component parameters through a local likelihood approach. In order to make computation for a convolution-based nonstationary spatial model readily available, this paper also presents and describes the convoSPAT package for R. The nonstationary model is fit to both a synthetic data set and a real data application involving annual precipitation to demonstrate the capabilities of the package.

연구 동기 및 목표

• 컨volution 기반 비정상 공간 모델을 피팅하기 위한 접근 가능하고 즉시 사용 가능한 소프트웨어의 부족을 해결하기 위해.
• 특히 비정상 공간 의존성 구조에 적합한, 공간적으로 변화하는 공분산 매개변수를 효율적으로 추정하는 방법을 개발하기 위해.
• 연구자들이 국소 우도 추정과 혼합 성분 매개변수화를 통해 비정상 공간 모델을 피팅하고 분석할 수 있도록 사용자 友好的인 R 패키지(convoSPAT)를 제공하기 위해.
• 시뮬레이션된 데이터와 실제 연간 강수량 데이터에 대한 적용을 통해 제안된 방법의 효과성을 입증하기 위해.
• R에서 사용 가능한 효율적이고 재현 가능한 구현을 제공하여 비정상 공간 통계에서의 방법론 비교를 용이하게 하기 위해.

제안 방법

• 공간적으로 변화하는 매개변수(예: 분산, 니거, 매끄러움, 비대칭성 등)가 이산 혼합 성분 접근법을 통해 모델링된 컨volution 기반 비정상 공분산 함수를 사용한다.
• 공간적으로 변화하는 매개변수는 국소 우도 기법을 통해 추정되며, 각 위치 주변의 피팅 반경과 이웃 데이터 포인트를 사용하여 국소 우도가 계산된다.
• 혼합 성분 그리드는 공간 영역 전체에 사전 정의되며, 성분의 수와 위치는 사용자 정의 또는 진단 도구(예: mc_N 함수)를 통해 선택된다.
• 모델은 각 혼합 성분 위치에서 매개변수를 추정하기 위한 국소 우도 추정 프레임워크를 사용하며, 추정된 특성들을 공간적으로 스무딩하여 연속적인 매개변수 표면을 생성한다.
• 이 접근법은 관련 구조(예: 지수, 마테른)의 민감한 특정화를 가능하게 하며, 단일 실현값과 독립적인 반복 측정값 모두를 지원한다.
• convoSPAT R 패키지는 모델 피팅, 매개변수 추정, 예측 및 CRPS 및 MSPE와 같은 기준을 사용한 모델 평가를 포함한 전 과정을 구현한다.

실험 결과

연구 질문

• RQ1 공간적으로 변화하는 매개변수를 갖는 컨volution 기반 비정상 공간 모델이 국소 우도 기법을 통해 효율적으로 추정될 수 있는가?
• RQ2 실제 데이터 및 시뮬레이션된 데이터에서 제안된 비정상 모델의 예측 정확도는 정상 모델 대비 어떻게 비교되는가?
• RQ3 피팅 반경 및 혼합 성분 그리드와 같은 튜닝 매개변수의 모델 추정 및 예측에 미치는 영향은 어떠한가?
• RQ4 중간 크기의 데이터셋(예: n ≈ 1000)에 대해 R에서 제안된 방법이 계산 비용이 과도하게 높지 않게 효율적으로 구현될 수 있는가?
• RQ5 정확한 기준값이 알려진 시뮬레이션 연구에서 방법이 진짜 공간적으로 변화하는 매개변수를 얼마나 잘 복원하는가?

주요 결과

• 시뮬레이션된 데이터에서 convoSPAT를 통해 피팅된 비정상 모델은 CRPS가 0.415로 정상 모델의 0.424보다 낮아 예측 성능 향상을 보였다.
• MSPE(평균 제곱 예측 오차)는 정상 모델의 0.546에서 비정상 모델의 0.524로 감소하여 더 높은 예측 정확도를 뒷받침했다.
• 추정된 비대칭성 매개변수는 진짜 값에 가까웠다(예: β1는 0.678 대비 -0.5, β2는 0.770 대비 0.5), 공간적으로 변화하는 영향을 정확히 복원한 것으로 나타났다.
• 모델은 계산적으로 효율적이었으며, 합리적인 피팅 반경과 혼합 성분 그리드를 사용할 경우 n ≈ 1000 크기의 데이터셋에 대해서도 피팅이 가능했다.
• mc_N 함수는 각 국소 모델이 157~269개의 데이터 포인트를 사용하고 있음을 확인하여 국소 모델의 안정성과 공간 해상도 사이의 균형 잡힌 조건을 보여주었다.
• 패키지는 단일 실현값과 복수의 반복 측정 데이터를 모두 성공적으로 처리하여 다양한 공간 데이터 분석 과제를 지원했다.