[논문 리뷰] Overall and Pairwise Segregation Tests Based on Nearest Neighbor Contingency Tables

Elvan Ceyhan|ArXiv.org|2008. 05. 12.

Spatial and Panel Data Analysis참고 문헌 1인용 수 4

한 줄 요약

이 논문은 다중 클래스 간 소규모 공간 집합 패턴, 예를 들어 분리 또는 상관관계를 탐지하기 위해 최근접 이웃 교차표(NTCT) 기반의 새로운 총합 및 세포별 분리 검정을 제안한다. 제안된 검정은 특히 분리 상태에서 유의수준 제어 및 통계적 검정력 측면에서 딕슨의 NNCT 검정보다 뛰어나며, 소규모 척도에서 리플리의 K/L 함수보다 더 세밀한 쌍별 상호작용 통찰을 제공한다.

ABSTRACT

Multivariate interaction between two or more classes (or species) has important consequences in many fields and causes multivariate clustering patterns such as segregation or association. The spatial segregation occurs when members of a class tend to be found near members of the same class (i.e., near conspecifics) while spatial association occurs when members of a class tend to be found near members of the other class or classes. These patterns can be studied using a nearest neighbor contingency table (NNCT). The null hypothesis is randomness in the nearest neighbor (NN) structure, which may result from -- among other patterns -- random labeling (RL) or complete spatial randomness (CSR) of points from two or more classes (which is called the CSR independence, henceforth). In this article, we introduce new versions of overall and cell-specific tests based on NNCTs (i.e., NNCT-tests) and compare them with Dixon's overall and cell-specific tests. These NNCT-tests provide information on the spatial interaction between the classes at small scales (i.e., around the average NN distances between the points). Overall tests are used to detect any deviation from the null case, while the cell-specific tests are post hoc pairwise spatial interaction tests that are applied when the overall test yields a significant result. We analyze the distributional properties of these tests; assess the finite sample performance of the tests by an extensive Monte Carlo simulation study. Furthermore, we show that the new NNCT-tests have better performance in terms of Type I error and power. We also illustrate these NNCT-tests on two real life data sets.

연구 동기 및 목표

• 다변량 공간 점 패턴을 위한 NNCT 기반 개선된 총합 및 쌍별 분리 검정을 개발하기 위해.
• 특히 분리 상태에서 유의수준과 검정력 측면에서 기존 NNCT 검정의 한계를 해결하기 위해.
• 새로운 NNCT 검정을 리플리의 K/L 함수 및 기타 이阶의 방법과 비교하여 상호보완적 역할을 명확히 하기 위해.
• 귀무가설(CSR 독립성 대비 랜덤 레이블링)과 관심 척도에 따라 적절한 검정을 선택하는 데 실용적 지침을 제공하기 위해.

제안 방법

• 卡르-제곱 또는 최대우도 비율 검정 프레임워크를 사용하여 NNCT 기반의 새로운 총합 및 세포별 검정 통계량을 제안한다.
• 클래스 간 최근접 이웃 빈도를 기반으로 NNCT를 구성하여 국소적 공간 상호작용을 포착한다.
• 유한 표본 성능을 평가하기 위해 다양한 귀무가설 및 대립가설 패턴 하에서 광범위한 몬테카를로 시뮬레이션을 수행한다.
• empirical size, 검정력, 공간 집합 패턴에 대한 민감도 측면에서 새로운 검정을 딕슨의 NNCT 검정 및 리플리의 K/L 함수와 비교한다.
• 실제 두 개의 데이터셋에 검정을 적용하여 실용적 유용성과 해석 가능성의 실증을 제시한다.
• 소규모 상호작용에 집중하기 위해 평균 최근접 이웃 거리를 기준 척도로 사용한다.

실험 결과

연구 질문

• RQ1 완전한 공간 랜덤성과 분리 상태에서, 새로운 NNCT 기반의 총합 및 세포별 검정은 딕슨의 검정과 비교해 어떤 유의수준과 검정력 성능을 보이는가?
• RQ2 새로운 NNCT 검정은 리플리의 K/L 함수 또는 쌍상관 함수보다 소규모 공간 상호작용을 더 효과적으로 탐지하는가?
• RQ3 새로운 세포별 검정은 대칭적인 이阶의 방법과 달리 비대칭 공간 상호작용(예: 클래스 A가 클래스 B를 선호하지만 반대는 아님)을 구분할 수 있는가?
• RQ4 유한 표본에서 새로운 NNCT 검정이 기존 방법보다 더 나은 경험적 유의수준과 검정력을 유지하는 조건은 무엇인가?
• RQ5 평균 최근접 이웃 거리 근처의 거리에 국한되었을 때, NNCT 검정 결과는 CSR 독립성 하에서 리플리의 L 함수 결과와 어떻게 비교되는가?

주요 결과

• 새로운 총합 NNCT 검정은 특히 소규모에서 중간 규모의 표본 크기에서 분리 상태에서 딕슨의 총합 검정보다 더 높은 통계적 검정력을 보였다.
• 새로운 세포별 검정은 특히 비대칭 공간 상호작용을 탐지할 때 딕슨의 세포별 검정보다 경험적 크기와 검정력이 향상되었다.
• NNCT 검정은 리플리의 K/L 함수와 달리 평균 최근접 이웃 거리 근처의 소규모 군집 패턴에 더 민감하게 반응하며, 이는 더 큰 척도 분석에 적합하다.
• NNCT 검정은 대칭적인 이변량 K 함수나 쌍상관 함수와 달리 특정 클래스 간 상호작용 통찰(예: 어떤 클래스가 분리를 이끄는지)을 제공한다.
• CSR 독립성 하에서 새로운 NNCT 검정은 특히 다중 클래스 설정에서 딕슨의 검정보다 더 나은 유의수준 제어 성능을 유지를 하였다.
• CSR 독립성이 귀무가설인 소규모 공간 상호작용 분석에서는 제안된 검정을 권장하며, 랜덤 레이블링 하에서 더 높은 척도 분석에는 디글의 D 함수를 선호한다.