[논문 리뷰] QR-Adjustment for Clustering Tests Based on Nearest Neighbor Contingency Tables

Elvan Ceyhan|ArXiv.org|2008. 07. 26.

Advanced Clustering Algorithms Research참고 문헌 14인용 수 6

한 줄 요약

이 논문은 완전 공간 랜덤성(CSR) 독립성 하에서 조건부 추론를 수정하기 위해 근접 이웃(contingency table, NNCT) 검정에 대해 QR조정을 제안한다. 이는 공유된(Shared, Q) 및 반사적(Reflexive, R) 근접 이웃의 경험적 추정 기대값을 사용한다. 몽테카를로 시뮬레이션 결과, QR조정은 경험적 크기나 검정력에 유의미한 영향을 미치지 않으며, 이는 군집 탐지에서 조정되지 않은 검정과 조정된 검정이 유사한 결과를 낳음을 시사한다.

ABSTRACT

The spatial interaction between two or more classes of points may cause spatial clustering patterns such as segregation or association, which can be tested using a nearest neighbor contingency table (NNCT). A NNCT is constructed using the frequencies of class types of points in nearest neighbor (NN) pairs. For the NNCT-tests, the null pattern is either complete spatial randomness (CSR) of the points from two or more classes (called CSR independence) or random labeling (RL). The distributions of the NNCT-test statistics depend on the number of reflexive NNs (denoted by $R$) and the number of shared NNs (denoted by $Q$), both of which depend on the allocation of the points. Hence $Q$ and $R$ are fixed quantities under RL, but random variables under CSR independence. Using their observed values in NNCT analysis makes the distributions of the NNCT-test statistics conditional on $Q$ and $R$ under CSR independence. In this article, I use the empirically estimated expected values of $Q$ and $R$ under CSR independence pattern to remove the conditioning of NNCT-tests (such a correction is called the \emph{QR-adjustment}, henceforth). I present a Monte Carlo simulation study to compare the conditional NNCT-tests and QR-adjusted tests under CSR independence and segregation and association alternatives. I demonstrate that QR-adjustment does not significantly improve the empirical size estimates under CSR independence and power estimates under segregation or association alternatives. For illustrative purposes, I apply the conditional and empirically corrected tests on two example data sets.

연구 동기 및 목표

• CSR 독립성 하에서 NNCT-검정의 조건부 성격을 해결하기 위해, 검정 통계량이 랜덤한 Q 및 R 값에 의존한다는 점을 다루기 위함.
• CSR 하에서의 경험적 추정 기대값을 사용해 관측된 Q 및 R를 대체하는 실용적인 보정(즉, QR조정)을 개발하기 위함.
• QR조정이 공간 분리 또는 연관성 탐지에 있어 NNCT-검정의 타당성과 성능을 향상시키는지 평가하기 위함.
• CSR 독립성과 다른 패턴 하에서 조건부(조정되지 않은) 및 무조건부(조정된) NNCT-검정을 비교하기 위함.

제안 방법

• 광범위한 몽테카를로 시뮬레이션을 통해 CSR 독립성 하에서 공유 근접 이웃(Q) 및 반사적 근접 이웃(R)의 경험적 기대값을 추정하기 위함.
• NNCT-검정 통계량 내에서 관측된 Q 및 R 값을 그들의 추정 기대값으로 대체하여 QR조정된 통계량을 생성하기 위함.
• Dixon의 총합 검정 및 Ceyhan의 세 가지 신규 분리 검정의 QR조정된 버전을 NNCT에 적용하기 위함.
• CSR 독립성과 분리/연관성 대안 하에서 조정되지 않은 검정과 QR조정된 검정 간의 경험적 크기 및 검정력 추정치를 비교하기 위해 몽테카를로 시뮬레이션을 수행하기 위함.
• 동일한 NNCT 구조와 통계량(예: 카이제곱 기반)을 사용하되, 관측된 Q 및 R 대신 추정된 E[Q] 및 E[R]를 조건으로 삼기 위함.
• 실제 및 인위적인 데이터 세트에 대해 조정되지 않은 검정과 QR조정된 검정을 적용하여 실용적 함의를 시각화하기 위함.

실험 결과

연구 질문

• RQ1 QR조정은 CSR 독립성 귀무가설 하에서 NNCT-검정의 경험적 크기를 향상시키는가?
• RQ2 QR조정은 분리 또는 연관성 대안 하에서 NNCT-검정의 통계적 검정력을 향상시키는가?
• RQ3 CSR 및 다른 패턴 하에서 QR조정된 검정과 조정되지 않은 검정 간의 제1종 오류 및 제2종 오류 비율은 어떻게 비교되는가?
• RQ4 Q 및 R의 경험적 추정 기대값이 관측값을 대체하여 NNCT-검정에 효과적으로 사용될 수 있는가? 이는 추론을 편향시키지 않는가?
• RQ5 어떤 조건에서 QR조정은 조정되지 않은 검정과 비교해 결론을 변화시킬 수 있는가?

주요 결과

• QR조정은 CSR 독립성 귀무가설 하에서 NNCT-검정의 경험적 크기에 유의미한 영향을 미치지 않는다.
• QR조정 후에도 분리 또는 연관성 대안 하에서 NNCT-검정의 검정력은 거의 그대로 유지된다.
• QR조정 후 검정 통계량은 약간 감소하지만, 이 변화는 연구된 예시에서 결론을 변화시킬 만큼 크지 않다.
• 100개 점(50개 X, 50개 Y)으로 구성된 인위적 데이터 세트에서는 조정되지 않은 검정과 QR조정된 검정 모두 CSR 독립성을 기각하지 못했다(p-값 > 0.05).
• swamptree 데이터의 경우, 조정되지 않은 검정과 QR조정된 검정 모두 종 분리에 대한 강력한 증거를 보였다.
• 조정되지 않은 검정과 QR조정된 검정 간의 p-값 차이는 미미하여, 일반적인 경우 QR조정이 추론에 상당한 영향을 주지 않는다는 것을 시사한다.