[論文レビュー] Local likelihood estimation for covariance functions with spatially-varying parameters: the convoSPAT package for R

Mark D. Risser, Catherine A. Calder|arXiv (Cornell University)|Jul 30, 2015

Soil Geostatistics and Mapping参考文献 30被引用数 9

ひとこと要約

本稿では、局所尤度推定を用いて空間的に変化する共分散パラメータをもつ畳み込み型非 stationarity 空間ガウス過程モデルをフィッティングするための convoSPAT R パッケージを紹介する。空間的に変化するパラメータを離散混合成分アプローチでモデル化し、局所的に推定することで、中規模のデータセットに対しても計算が効率的となり、シミュレートされた降水データおよび実際の降水量データの応用例を通じて、定常モデルよりも優れた予測精度を示した。

ABSTRACT

In spite of the interest in and appeal of convolution-based approaches for nonstationary spatial modeling, off-the-shelf software for model fitting does not as of yet exist. Convolution-based models are highly flexible yet notoriously difficult to fit, even with relatively small data sets. The general lack of pre-packaged options for model fitting makes it difficult to compare new methodology in nonstationary modeling with other existing methods, and as a result most new models are simply compared to stationary models. Using a convolution-based approach, we present a new nonstationary covariance function for spatial Gaussian process models that allows for efficient computing in two ways: first, by representing the spatially-varying parameters via a discrete mixture or "mixture component" model, and second, by estimating the mixture component parameters through a local likelihood approach. In order to make computation for a convolution-based nonstationary spatial model readily available, this paper also presents and describes the convoSPAT package for R. The nonstationary model is fit to both a synthetic data set and a real data application involving annual precipitation to demonstrate the capabilities of the package.

研究の動機と目的

• 畳み込み型非定常空間モデルをフィッティングするためのアクセスしやすく、即座に利用可能なソフトウェアの不足に対処すること。非定常モデルは非常に柔軟であるが、推定が著しく困難であることが知られている。
• 特に非定常空間依存構造に対して、空間的に変化する共分散パラメータを推定する計算効率の良い手法を開発すること。
• 研究者が局所尤度推定と混合成分パラメータ化を用いて非定常空間モデルをフィッティング・分析できる、使いやすい R パッケージ（convoSPAT）を提供すること。
• 合成データおよび実際の年間降水量データへの応用を通じて、本手法の有効性を示し、定常モデルよりも優れた予測性能を示すこと。
• R で利用可能な、効率的かつ再現可能で、即座に使用可能な実装を提供することで、非定常空間統計における手法比較を容易にすること。

提案手法

• 空間的に変化するパラメータ（例：分散、ノイズ項、滑らかさ、非等方性）を離散混合成分アプローチでモデル化する畳み込み型非定常共分散関数を採用する。
• 空間的に変化するパラメータは、局所尤度技術を用いて推定され、各位置の周囲でフィッティング半径と近隣データ点を用いて局所尤度が計算される。
• 混合成分グリッドは空間領域全体に事前に指定され、成分の数とその位置はユーザー定義または診断ツール（例：mc_N 関数）を用いて選択される。
• モデルは局所尤度推定フレームワークを用い、各混合成分位置でのパラメータ推定を実行した後、推定された特徴量を空間平滑化することで、連続的な空間的パラメータ表面を生成する。
• このアプローチにより、相関構造（例：指数型、Matérn）の柔軟な指定が可能であり、単一実現値および独立した繰り返しデータの両方を扱える。
• convoSPAT R パッケージは、モデルフィッティング、パラメータ推定、予測、および CRPS や MSPE などの基準によるモデル評価を含む、完全なパイプラインを実装している。

実験結果

リサーチクエスチョン

• RQ1 空間的に変化するパラメータをもつ畳み込み型非定常空間モデルを、局所尤度技術を用いて効率的に推定できるか？
• RQ2 本手法で提示された非定常モデルの予測精度は、実データおよびシミュレートデータにおいて定常モデルと比較してどの程度優れているか？
• RQ3 フィッティング半径や混合成分グリッドといったチューニングパラメータが、モデル推定および予測に与える影響は何か？
• RQ4 中規模のデータセット（例：n ≈ 1000）に対して、R で本手法を効率的に実装できるか、計算コストが著しく高くなることはないか？
• RQ5 真の空間的に変化するパラメータが既知のシミュレーションスタディにおいて、本手法はどれほど正確に真のパラメータを回復できるか？

主な発見

• シミュレートされたデータに対して、convoSPAT でフィッティングされた非定常モデルは CRPS 0.415 を達成したのに対し、定常モデルでは 0.424 であった。これは、より優れた予測性能を示している。
• MSPE（平均二乗予測誤差）は、定常モデルの 0.546 から非定常モデルの 0.524 に低下し、さらに優れた予測精度を裏付けた。
• 推定された非等方性パラメータは真の値に近く、例えば β1 は 0.678（真値：-0.5）、β2 は 0.770（真値：0.5）と、空間的に変化する効果を正確に回復していた。
• 本手法は計算的にも効率的であり、適切なフィッティング半径と混合成分グリッドを用いることで、n ≈ 1000 のデータセットに対してもモデルフィッティングが可能であった。
• mc_N 関数の結果、各局所モデルで 157 から 269 個のデータ点が使用されており、局所モデルの安定性と空間解像度のバランスの取れた妥当なトレードオフが実現されていた。
• 本パッケージは単一実現値および繰り返しデータの両方を適切に処理でき、幅広い空間データ解析タスクをサポートしていた。