[논문 리뷰] On initial direction, orientation and discreteness in the analysis of circular variables

Gianluca Mastrantonio, Giovanna Jona Lasinio외 2명|arXiv (Cornell University)|2015. 09. 29.

Bayesian Methods and Mixture Models참고 문헌 24인용 수 3

한 줄 요약

이 논문은 초기 방향과 기준계 방향 변화에 대해 불변인 새로운 이산 원형 분포인 Invariant Wrapped Poisson (IWP) 분포를 소개한다. 이는 원형 자료 분석에서 신뢰할 수 있는 추론을 위해 필수적이다. IWP는 불변성 특성을 갖는 포isson 분포를 확장하여, 수량 기반 방향 자료의 강력한 모델링을 가능하게 하며, MCMC 기반 베이지안 추론을 통해 실제 바람 및 총기 범죄 자료에 양호한 적합도를 보여준다.

ABSTRACT

In this paper, we propose a discrete circular distribution obtained by extending the wrapped Poisson distribution. This new distribution, the Invariant Wrapped Poisson (IWP), enjoys numerous advantages: simple tractable density, parameter-parsimony and interpretability, good circular dependence structure and easy random number generation thanks to known marginal/conditional distributions. Existing discrete circular distributions strongly depend on the initial direction and orientation, i.e. a change of the reference system on the circle may lead to misleading inferential results. We investigate the invariance properties, i.e. invariance under change of initial direction and of the reference system orientation, for several continuous and discrete distributions. We prove that the introduced IWP distribution satisfies these two crucial properties. We estimate parameters in a Bayesian framework and provide all computational details to implement the algorithm. Inferential issues related to the invariance properties are discussed through numerical examples on artificial and real data.

연구 동기 및 목표

• 초기 방향과 기준계 방향 변화에 대해 불변이 되는 이산 원형 분포의 부재로 인해 발생할 수 있는 오해의 통계적 추론 문제를 해결한다.
• 원 위의 선택된 기준계에 관계없이 통계적 성질을 유지하는 새로운 이산 원형 분포인 Invariant Wrapped Poisson (IWP)를 개발한다.
• 시간대 별 사건 빈도나 방향 빈도와 같은 원 위의 수량 자료에 적합한 매개변수 수가 적고, 해석 가능하며 다루기 쉬운 모델을 제공한다.
• MCMC 알고리즘을 통해 원형 자료에 대한 신뢰할 수 있는 베이지안 추론을 가능하게 한다. 특히 밀도 절단과 잠재 변수 모델링을 기반으로 한 효율적인 근사 알고리즘을 포함한다.
• 인공 및 실제 자료를 활용한 수치 예제를 통해 IWP가 기존 모델보다 뛰어난 성능을 보임을 입증한다. 바람 방향과 총기 범죄 자료를 포함한다.

제안 방법

• 기준계의 회전 및 반사에 대해 불변성을 보장하는 방식으로, 포isson 분포를 확장하여 Invariant Wrapped Poisson (IWP) 분포를 도입한다.
• 이전의 이산 원형 분포들과 달리, IWP 분포가 초기 방향과 기준계 방향 변화에 대해 불변성을 만족하는 필수 및 충분 조건을 증명한다.
• 삼각함수 모멘트를 유도하여 원형 평균과 분산이 서로 독립적임을 보이며, 표준 포isson 분포의 엄격한 평균-분산 관계를 완화한다.
• 정확한 알고리즘과 밀도 절단 기반의 근사 알고리즘을 사용한 두 가지 MCMC 알고리즘을 구현한다. 이는 Jona Lasinio 등(2012)의 포화 정규 분포에 대한 연구를 영감으로 삼았다.
• 잠재 변수 접근법(Coles와 Casson, 1998)을 사용하여 MCMC 샘플링을 용이하게 하며, 모델 식별을 향상시키기 위해 특정한 사전 분포를 하나의 매개변수에 적용한다.
• 근사 알고리즘에서 잠재 변수를 재매개변수화하여 계산 효율성을 높이고, 샘플링 중 局부 최적값을 피하기 위한 조치를 취한다.

실험 결과

연구 질문

• RQ1 원 위의 기준계의 초기 방향과 방향 변화에 대해 불변성을 유지하는 이산 원형 분포를 구성할 수 있는가?
• RQ2 포isson 분포는 어떻게 수정되어 원형 분산에 대한 더 큰 유연성을 제공하면서도 해석 가능성과 다루기 쉬움을 유지할 수 있는가?
• RQ3 비불변 원형 분포를 실제 자료 분석에 사용할 경우, 특히 방향 빈도 자료에서 어떤 추론적 결과가 초래되는가?
• RQ4 실제 이산 원형 자료, 예를 들어 바람 방향과 시간대별 총기 범죄 빈도에 대해 IWP 분포는 얼마나 효과적으로 적합하는가?
• RQ5 특히 정확도를 유지하면서 계산 속도를 향상시키는 근사 알고리즘을 통해 IWP 모델에 대해 효율적인 베이지안 추론을 달성할 수 있는가?

주요 결과

• IWP 분포는 초기 방향과 기준계 방향 변화에 대해 불변성을 만족하며, 이는 이전의 이산 원형 분포들과 달리 필수 및 충분 조건을 충족한다.
• 삼각함수 모멘트 분석을 통해 IWP 모델은 원형 평균과 분산이 서로 독립적임을 보이며, 표준 포isson 분포의 엄격한 평균-분산 관계를 완화한다.
• 바람 자료 예제에서 사후 평균 방향 평균은 0.164(지리적 북쪽 근처)였으며, 95% 신뢰구간은 [6.248, 0.366]였고, 원형 집중도 추정치는 0.456(95% CI [0.405, 0.484])였으며, 중간 정도의 집중을 나타낸다.
• 총기 범죄 자료의 경우, 사후 방향 평균은 6.166(24시간 척도 기준 23:33)였고, 95% 신뢰구간은 [6.138, 6.193]였으며, 원형 집중도는 0.316(95% CI [0.315, 0.317])였으며, 높은 변동성을 나타낸다.
• 바람 자료의 사후 비대칭도는 -0.192(95% CI [-0.198, 0.196])였고, 총기 범죄 자료의 경우 0.236(95% CI [0.235, 0.236])였으며, 모두 거의 대칭적인 예측 분포를 시사한다.
• 바람 자료의 평균 예측 오차는 0.780, 총기 범죄 자료의 경우 0.838이었으며, 관측 자료의 변동성과 고려할 때 합리적인 모델 적합도를 나타낸다(최대 가능한 오차는 2이다).