[논문 리뷰] Spatial Functional Linear Model and its Estimation Method

Tingting Huang, Gilbert Saporta외 2명|arXiv (Cornell University)|2018. 11. 01.

Spatial and Panel Data Analysis참고 문헌 19인용 수 4

한 줄 요약

이 논문은 공간 가중치 행렬과 공간 자기회귀 파라미터를 통해 공간 자기회귀 의존성을 통합함으로써 고전적 기능 선형 모형을 확장한 공간 기능 선형 모형(SFLM)을 제안한다. 이 방법은 기능 주성분 분석(FPCA)과 최대우도추정을 결합하여 고차원 기능 예측변수와 네트워크 구조를 가진 데이터를 다루며, 공간 의존성이 존재할 경우 기능 선형 모형(FLM)보다 뛰어난 성능을 보이며, 실제 기상 데이터에서의 적합도와 예측 정확도 측면에서 뛰어나다.

ABSTRACT

The classical functional linear regression model (FLM) and its extensions, which are based on the assumption that all individuals are mutually independent, have been well studied and are used by many researchers. This independence assumption is sometimes violated in practice, especially when data with a network structure are collected in scientific disciplines including marketing, sociology and spatial economics. However, relatively few studies have examined the applications of FLM to data with network structures. We propose a novel spatial functional linear model (SFLM), that incorporates a spatial autoregressive parameter and a spatial weight matrix into FLM to accommodate spatial dependencies among individuals. The proposed model is relatively flexible as it takes advantage of FLM in handling high-dimensional covariates and spatial autoregressive (SAR) model in capturing network dependencies. We develop an estimation method based on functional principal component analysis (FPCA) and maximum likelihood estimation. Simulation studies show that our method performs as well as the FPCA-based method used with FLM when no network structure is present, and outperforms the latter when network structure is present. A real weather data is also employed to demonstrate the utility of the SFLM.

연구 동기 및 목표

• 실제 데이터에서 네트워크 구조를 가진 경우 종종 위반되는 개인 간 독립성을 가정하는 고전적 기능 선형 모형(FLM)의 한계를 해결하기 위해.
• 고차원 기능 예측변수에 적합한 기능 선형 모형의 장점을 통합하고 공간 자기회귀(SAR) 모형의 공간 의존성을 포착하는 유연한 통계 모델을 개발하기 위해.
• SFLM에 대한 추정 방법을 기능 주성분 분석(FPCA)과 최대우도추정을 기반으로 제안하기 위해.
• 다양한 수준의 공간 자기상관이 존재할 경우 SFLM과 FLM의 성능을 비교 평가하기 위해.
• 34개의 중국 도시에서 수집한 실제 기상 데이터를 사용하여 모델의 유용성을 입증하고, 공간 의존성을 고려할 경우 더 나은 적합도와 예측 성능을 보여주기 위해.

제안 방법

• SFLM은 반응 변수 간의 공간 의존성을 모델링하기 위해 공간 자기회귀 파라미터(ρ)와 공간 가중치 행렬(W)을 도입함으로써 고전적 FLM을 확장한다.
• 모형은 다음과 같이 수식화된다: Y_i = α + ∫_Γ X_i(t)β(t)dt + ρ∑_j w_ij Y_j + ε_i, 여기서 Y_i는 스칼라 반응변수, X_i(t)는 기능 예측변수이며, w_ij는 공간 가중치를 나타낸다.
• 기능 예측변수의 차원을 줄이기 위해 기능 주성분 분석(FPCA)을 사용하여 추정을 수행한다.
• 공간 자기회귀 파라미터 ρ와 기울기 함수 β(t)를 동시에 추정하기 위해 최대우도추정(MLE)을 사용한다.
• 다양한 수준의 공간 자기상관 하에서 시뮬레이션 연구를 통해 방법의 타당성을 검증하고, 표준 FPCA 기반 FLM 추정과 비교한다.
• 실제 기상 데이터(2005–2007년)에 적용하여 월별 기온 함수를 사용해 연간 강수량을 예측하고, 2008년 데이터를 사용해 샘플 외 예측을 수행한다.

실험 결과

연구 질문

• RQ1 네트워크 구조를 가진 데이터에서 반응변수 간의 공간 의존성을 고려할 수 있는 기능 선형 모형을 어떻게 확장할 수 있는가?
• RQ2 데이터에 공간 자기상관이 존재할 경우 제안된 SFLM은 고전적 FLM에 비해 어떻게 성능을 발휘하는가?
• RQ3 공간 자기회귀 파라미터와 공간 가중치 행렬을 포함함으로써 기능 데이터 설정에서 모형의 적합도와 예측 정확도가 향상되는가?
• RQ4 공간 의존성은 잔차의 구조에 어떤 영향을 미치며, SFLM은 잔차의 공간 자기상관을 효과적으로 제거할 수 있는가?
• RQ5 기후적으로 연결된 도시들 간의 기온 함수로부터 연간 강수량을 예측하는 실제 응용 사례에서 SFLM은 어떻게 성능을 발휘하는가?

주요 결과

• SFLM은 고전적 FLM에 비해 잔차의 공간 자기상관을 크게 감소시켰으며, 이는 Moran’s I 통계량이 FLM의 0.41에서 SFLM의 0.15로 감소한 것으로 확인되었다.
• 추정된 공간 자기회귀 파라미터 ρ는 0.58이며, p-value < 0.001로 강력하고 통계적으로 유의미한 공간 의존성이 기상 데이터에 존재함을 시사한다.
• SFLM은 FLM 대비 적합 시 평균제곱오차(MSE)가 0.24 vs. 0.33, 예측 시 MSE가 0.10 vs. 0.12로 낮아 더 높은 정확도를 보였다.
• SFLM 하에서 추정된 기울기 함수 β(t)는 FLM 대비 더 매끄럽게 나타나 시간에 따라 기온이 강수량에 미치는 영향이 더 안정적이고 해석 가능함을 시사한다.
• SFLM은 겨울철 기간 동안 기온이 강수량에 미치는 영향을 더 강하게 포착하며, 연간 평균적으로 FLM 대비 감도가 감소한 것으로 나타났다.
• 시뮬레이션 결과는 제안된 추정기의 일관성을 확인했으며, 공간 의존성이 존재할 경우 SFLM이 FLM을 능가함을 보였고, ρ = 0일 경우에는 유사한 성능을 보였다.