[논문 리뷰] New Development of Bayesian Variable Selection Criteria for Spatial Point Process with Applications

Guanyu Hu, Fred Huffer외 1명|arXiv (Cornell University)|2019. 10. 15.

Spatial and Panel Data Analysis참고 문헌 32인용 수 8

한 줄 요약

이 논문은 비균일한 공간 포아송 과정 모델을 위한 새로운 베이지안 변수 선택 기준인 분산정보기준(DIC)과 의사우도의 로그( LPML)를 제안하며, 공간 점 패턴 데이터에 특화된 새로운 몬테카를로 추정 방법을 도입한다. 이 방법은 중요한 공간 공변수와 최적의 픽셀 해상도를 동시에 선택할 수 있게 하여, 시뮬레이션 및 미국 지질조사국(USGS) 지진 데이터와 BCI 산림 데이터에 대한 실제 적용에서 정규화된 방법들을 능가한다.

ABSTRACT

Selecting important spatial-dependent variables under the nonhomogeneous spatial Poisson process model is an important topic of great current interest. In this paper, we use the Deviance Information Criterion (DIC) and Logarithm of the Pseudo Marginal Likelihood (LPML) for Bayesian variable selection under the nonhomogeneous spatial Poisson process model. We further derive the new Monte Carlo estimation formula for LPML in the spatial Poisson process setting. Extensive simulation studies are carried out to evaluate the empirical performance of the proposed criteria. The proposed methodology is further applied to the analysis of two large data sets, the Earthquake Hazards Program of United States Geological Survey (USGS) earthquake data and the Forest of Barro Colorado Island (BCI) data.

연구 동기 및 목표

• 비균일 포아송 과정을 포함한 공간 점 과정 모델에 대한 베이지안 변수 선택 방법의 격차를 메우기.
• 기존의 CPO 기반 몬테카를로 방법이 실패하는 공간 점 패턴 데이터에서 LPML를 추정하기 위한 계산적으로 실현 가능하고 정확한 방법 개발.
• 공간 점 과정 회귀 모델에서 유의미한 공간 공변수와 최적의 공간 해상도(픽셀 크기)를 동시에 선택할 수 있도록 하기.
• 광범위한 시뮬레이션 연구를 통해 DIC 및 LPML의 진짜 모델 식별 성능 평가.
• 실제 데이터 세트인 미국 지질조사국(USGS) 지진 데이터와 BCI 산림 데이터에 제안된 기준을 적용하여 실용성과 해석 가능성 입증.

제안 방법

• 비균일한 공간 포아송 과정 모델에 대해 베이지안 프레임워크 내에서 DIC 및 LPML를 모델 선택 기준으로 적응.
• 기존의 표준 CPO 기반 방법의 한계를 극복하기 위해 공간 점 패턴 데이터에 특화된 새로운 몬테카를로 추정 공식을 유도.
• R의 NIMBLE를 통해 마르코프 체인 몬테카를로(MCMC) 샘플링을 사용하여 모델 비교를 위한 사후 샘플 생성.
• 계층적 사전분포 구조를 구현: 회귀 계수에 대해 정규 사전분포 N(0, 10²)과 기저 강도에 대해 감마 사전분포 G(1,1) 사용.
• 다양한 공변수 조합과 세 가지 픽셀 해상도(5m×5m, 10m×10m, 20m×20m)를 조합한 총 64개의 후보 모델에서 모델 적합도 평가.
• 최소 DIC와 최대 LPML 기반으로 최적 모델 선정하며, 사후 요약통계량으로 평균, 표준편차 및 95% 최고 사후 밀도(HPD) 구간 포함.

실험 결과

연구 질문

• RQ1 기존의 CPO 기반 방법이 적용되지 않는 상황에서, DIC 및 LPML가 공간 점 과정 모델의 베이지안 변수 선택에 효과적으로 적응될 수 있는가?
• RQ2 유한 표본 설정에서 제안된 DIC 및 LPML 기준이 진짜 공변수 집합과 최적의 공간 해상도를 얼마나 잘 식별하는가?
• RQ3 공간 해상도(픽셀 크기)가 공간 점 과정 모델에서 의미 있는 생태학적 또는 지구물리학적 공변수의 선택에 미치는 영향은 어떠한가?
• RQ4 제안된 기준은 중요한 공변수와 그들의 최적 공간 해상도를 동시에 선택하는 데 있어 정규화된 방법(LASSO 등)과 비교해 어떻게 성능을 발휘하는가?
• RQ5 제안된 베이지안 모델 선택 프레임워크를 통해 지진 발생의 공간 의존성 구조와 수목 종 분포에 대해 어떤 통찰을 얻을 수 있는가?

주요 결과

• BCI 데이터에서 β₁, β₃, β₄, β₅ 공변수를 포함한 10m×10m 픽셀 해상도 모델에서 가장 낮은 DIC(-58,255.15)와 가장 높은 LPML(29,127.57) 기록.
• 사후 분석 결과, B.pendula 수목은 Eugenia oerstediana, Piper cordulatum, Protium panamense, Sorocea affinis와 정적 상관관계를 보였으며, Eugenia nesiotica와 Talisia croatii는 유의미한 영향 없음.
• 10m×10m 해상도 모델이 모델 적합도와 복잡도 사이의 균형을 가장 잘 유지하여, 더 정밀한(5m×5m) 및 더粗한(20m×20m) 해상도보다 DIC 및 LPML 측면에서 뛰어난 성능 보임.
• 시뮬레이션 연구에서 제안된 기준이 다른 접근법보다 진짜 모델을 더 잘 선택하고 참값에 더 가까운 추정치를 생성하는 경향을 보임.
• 미국 지질조사국(USGS) 지진 데이터에서는 서부 및 남서부 미국에서 높은 지진 활동성이 식별되어 알려진 판구조 패턴과 일치.
• 이 방법은 정규화된 방법의 한계를 극복하여 중요한 공변수와 그 최적의 공간 해상도를 동시에 선택할 수 있음.