[논문 리뷰] Re-thinking Spatial Confounding in Spatial Linear Mixed Models

Kori Khan, Candace Berrett|arXiv (Cornell University)|2023. 01. 13.

Spatial and Panel Data Analysis인용 수 10

한 줄 요약

공간 혼란(spatial confounding) 문헌을 종합하고 두 가지 형태(데이터 생성 vs. 분석 모델)를 구분하며 두 가지 모두 추론에 영향을 미칠 수 있음을 보이고, 전통적 공간 모델이 완화 방법보다 종종 타당하다는 것을 시사한다.

ABSTRACT

In the last two decades, considerable research has been devoted to a phenomenon known as spatial confounding. Spatial confounding is thought to occur when there is multicollinearity between a covariate and the random effect in a spatial regression model. This multicollinearity is considered highly problematic when the inferential goal is estimating regression coefficients and various methodologies have been proposed to attempt to alleviate it. Recently, it has become apparent that many of these methodologies are flawed, yet the field continues to expand. In this paper, we offer a novel perspective of synthesizing the work in the field of spatial confounding. We propose that at least two distinct phenomena are currently conflated with the term spatial confounding. We refer to these as the ``analysis model'' and the ``data generation'' types of spatial confounding. We show that these two issues can lead to contradicting conclusions about whether spatial confounding exists and whether methods to alleviate it will improve inference. Our results also illustrate that in most cases, traditional spatial linear mixed models do help to improve inference on regression coefficients. Drawing on the insights gained, we offer a path forward for research in spatial confounding.

연구 동기 및 목표

• 공간 혼란의 역사적 발전과 정의를 요약한다.
• 데이터 생성 공간 혼란과 분석 모델 공간 혼란을 구분한다.
• 비공간적, 공간적, 보정된 공간 모델에서 회귀 계수의 편향을 이론적으로 비교한다.
• 전통적 공간 모델이 보정된 방법보다 우수할 때를 시뮬레이션으로 살펴본다.
• 공간 혼란 문헌의 모순을 해결하기 위한 앞으로의 방향을 제시한다.

제안 방법

• 공간 데이터에 대해 데이터 생성과 분석 모델을 대조하는 분석적 구성(set-up)을 확립한다.
• 비공간, 전통적 공간, 공간 랜덤 효과를 가진 보정 공간 모델의 세 가지 모델링 프레임워크를 정의한다.
• 다른 혼란 소스(데이터 생성 및 분석 모델)에 따른 회귀 계수의 편향식을 도출한다.
• 가우시안 프로세스/마턴 공분산을 사용하여 X와 Z 및 이들 간의 상관 의존성을 특성화한다.
• 편향과 모델 선택 및 데이터 생성 구조를 연결하는 이론적 결과를 제시한다.
• 전통적 공간 모델이 대안들보다 우수할 수 있는 시점을 보여주기 위한 시뮬레이션 연구를 제공한다.

실험 결과

연구 질문

• RQ1 문헌에서 공간 혼란의 뚜렷한 소스는 무엇인가?
• RQ2 데이터 생성과 분석 모델 시각이 회귀 계수의 편향에 어떻게 다르게 영향을 미치는가?
• RQ3 전통적 공간 모델이 보정된 접근법보다 더 나은 추론을 제공하는 조건은 무엇인가?
• RQ4 공간 혼란을 완화하기 위해 고안된 기존 방법은 표준 공간 회귀 모델에 비해 어떻게 성능을 발휘하는가?

주요 결과

• 두 가지 뚜렷한 현상: 데이터 생성 공간 혼란과 분석 모델 공간 혼란.
• 편향은 혼란의 소스와 선택된 모델링 프레임워크에 의존한다.
• 많은 설정에서 전통적 공간 회귀 모델은 보정된 모델보다 더 나은 추론을 낼 수 있다.
• 한 유형의 공간 혼란만을 타깃하는 방법은 표준 공간 모델보다 추론을 왜곡할 수 있다.
• 종합은 문헌의 상충되는 결론을 명확히 하고 원칙에 입각한 향후 방향을 제시한다.