[논문 리뷰] Mixed Effects Modeling for Areal Data that Exhibit Multivariate-Spatio-Temporal Dependencies

Jonathan R. Bradley, Scott H. Holan외 1명|arXiv (Cornell University)|2014. 07. 28.

Soil Geostatistics and Mapping참고 문헌 68인용 수 4

한 줄 요약

이 논문은 영역 자료의 복잡한 다변량-공간-시간 의존성을 모델링하기 위해 Moran의 I 기저 함수를 확장한 다변량-공간-시간 혼합 효과 모형(MSTM)을 제안한다. 공유된 난수 효과, 동적 선형 모델링, 그리고 새로운 매개변수 모형을 결합함으로써 MSTM은 차원 감소를 효율적으로 구현하고 확장 가능한 추론을 가능하게 하여, 미국 인구조사의 750만 건의 관측치와 3,680개의 공간 필드를 포함한 거대한 데이터셋을 성공적으로 분석한다.

ABSTRACT

There are many data sources available that report related variables of interest that are also referenced over geographic regions and time; however, there are relatively few general statistical methods that one can readily use that incorporate these multivariate-spatio-temporal dependencies. As such, we introduce the multivariate-spatio-temporal mixed effects model (MSTM) to analyze areal data with multivariate-spatio-temporal dependencies. The proposed MSTM extends the notion of Moran's I basis functions to the multivariate-spatio-temporal setting. This extension leads to several methodological contributions including extremely effective dimension reduction, a dynamic linear model for multivariate-spatio-temporal areal processes, and the reduction of a high-dimensional parameter space using a novel parameter model. Several examples are used to demonstrate that the MSTM provides an extremely viable solution to many important problems found in different and distinct corners of the spatio-temporal statistics literature including: modeling nonseparable and nonstationary covariances, combing data from multiple repeated surveys, and analyzing massive multivariate-spatio-temporal datasets.

연구 동기 및 목표

• 영역 자료의 다변량-공간-시간 의존성을 모델링하기 위한 일반적인 통계적 방법의 부족을 해결하기 위해.
• 복잡한 분리 불가능하고 비정상적인 의존성을 지닌 대규모에서 거대한 데이터셋을 처리할 수 있는 계산적으로 효율적인 프레임워크를 개발하기 위해.
• Moran의 I 기저 함수를 다변량-공간-시간 설정으로 확장하여 효과적인 차원 감소를 달성하기 위해.
• 다양한 반복 설문조사에서 유래한 자료를 동시에 모델링하면서 변수, 지역, 시간 간의 상호작용을 포착하기 위해.
• 새로운 매개변수 모형과 동적 선형 구조를 통해 고차원의 매개변수 공간을 감소시키기 위해.

제안 방법

• MSTM은 각 공간 위치와 시간점에서 다중 변수 간의 다변량 의존성을 유도하기 위해 공유된 난수 효과를 사용한다.
• 잠재 과정의 시간적 의존성을 상태공간 방정식을 통해 기술하기 위해 동적 선형 모델(DLM)을 적용한다.
• 모형은 Moran의 I 기저 함수를 다변량-공간-시간 영역으로 확장하여 공간 난수 효과의 낮은 질량 표현을 가능하게 한다.
• 고차원 공분산 매개변수 공간의 차원 감소를 위해 새로운 매개변수 모형을 도입한다.
• 모든 잠재 변수와 매개변수에 대한 조건부 분포를 구하고, 베이지안 몬테카를로(MCMC) 샘플링을 효율적으로 수행하기 위해 게이브스 샘플링을 사용하며, 다변량 시간적 과정의 후행 샘플링에는 칼만 필터링 및 스무딩을 활용한다.
• 계산의 확장 가능성을 향상시키기 위해 조건부 우도 분해와 계층 베이지안 모델링을 활용한다.

실험 결과

연구 질문

• RQ1 비분리성과 비정상성을 수용할 수 있는 통합 프레임워크가 영역 자료의 다변량-공간-시간 의존성을 효과적으로 모델링할 수 있는가?
• RQ2 고차원 다변량-공간-시간 모형에서 차원 감소는 어떻게 효과적으로 달성될 수 있는가?
• RQ3 MSTM은 미국 인구조사와 같은 반복 설문조사에서 유래한 거대한 데이터셋을 효율적으로 처리할 수 있는가?
• RQ4 공유된 난수 효과와 동적 선형 구조의 사용이 모형 적합도와 계산 효율성에 미치는 영향는 어떠한가?
• RQ5 제안된 매개변수 모형은 고차원 공분산 구조의 복잡성을 어떻게 감소시키는가?

주요 결과

• MSTM은 미국 인구조사에서 유래한 7,530,037건의 관측치와 3,680개의 공간 필드를 포함한 거대한 데이터셋을 낮은 질량 표현 구조를 통해 성공적으로 모델링하였다.
• 확장된 Moran의 I 기저 함수에 기반한 낮은 질량 표현을 활용함으로써 모형은 상당한 계산 효율성을 달성하였다.
• 칼만 필터와 스무딩을 통해 고차원 설정에서도 다변량 시간적 과정의 후행 샘플링을 효율적으로 수행할 수 있었다.
• 분산 성분과 회귀 계수를 포함한 모든 매개변수에 대한 완전 조건부 분포가 닫힌 형태로 유도되었으며, 이는 효율적인 MCMC 샘플링을 지원한다.
• 제약 조건이 강한 독립성 또는 분리 가능성 가정을 도입하지 않으면서도 비분리성과 비정상적인 공간-시간 의존성을 효과적으로 포착하였다.
• 20개 산업 분야의 다변량 자료를 통합 분석할 수 있었으며, 실제 응용에서 강건성과 확장 가능성을 입증하였다.