[论文解读] A Moran coefficient-based mixed effects approach to investigate spatially varying relationships

Daisuke Murakami, Takahiro Yoshida+3 more|arXiv (Cornell University)|Jun 22, 2016

Spatial and Panel Data Analysis参考文献 50被引用 4

一句话总结

本文提出了一种新颖的随位置变化的系数模型，将莫兰指数整合进混合效应框架中，实现了可解释的、平滑变化的系数，并为每个预测变量赋予不同的空间平滑度。通过蒙特卡洛模拟和日本洪水风险享乐定价应用验证，该模型在估计精度和计算效率方面均优于传统的特征向量空间过滤（ESF）和地理加权回归（GWR）。

ABSTRACT

This study develops a spatially varying coefficient model by extending the random effects eigenvector spatial filtering model. The developed model has the following properties: its coefficients are interpretable in terms of the Moran coefficient; each of its coefficients can have a different degree of spatial smoothness; and it yields a variant of a Bayesian spatially varying coefficient model. Also, parameter estimation of the model can be executed with a relatively small computationally burden. Results of a Monte Carlo simulation reveal that our model outperforms a conventional eigenvector spatial filtering (ESF) model and geographically weighted regression (GWR) models in terms of the accuracy of the coefficient estimates and computational time. We empirically apply our model to the hedonic land price analysis of flood risk in Japan.

研究动机与目标

• 开发一种随位置变化的系数模型，实现可解释的空间平滑系数估计，并为每个预测变量赋予不同的空间依赖程度。
• 解决现有模型（如地理加权回归（GWR）和特征向量空间过滤（ESF））的局限性，特别是在计算负担和空间效应可解释性方面的不足。
• 将莫兰系数作为空间自相关度量，直接整合进模型的系数结构中，以增强模型的可解释性。
• 采用计算轻量级方法实现高效参数估计，适用于大规模空间数据集。

提出的方法

• 该模型通过在混合效应结构中引入随位置变化的系数，扩展了随机效应特征向量空间过滤（RESF）框架。
• 每个预测变量的系数被建模为来自空间权重矩阵的特征向量的线性组合，系数通过混合效应模型框架进行估计。
• 使用莫兰系数来解释每个系数的空间依赖结构，将模型参数与全局空间自相关性直接关联。
• 通过为每个预测变量的空间变化效应分配独立的方差分量，实现不同系数间不同的空间平滑度水平。
• 采用限制性最大似然（REML）进行参数估计，相比完整贝叶斯方法显著降低了计算成本。
• 该方法在不使用马尔可夫链蒙特卡洛（MCMC）抽样的情况下，实现了类似贝叶斯的空间变化系数模型。

实验结果

研究问题

• RQ1 如何通过空间自相关度量（如莫兰系数）建模随位置变化的系数，以保持其可解释性？
• RQ2 与GWR和ESF相比，混合效应框架是否能提升随位置变化系数模型的估计精度和计算效率？
• RQ3 在单一模型中，能否为不同预测变量分配不同的空间平滑度水平？
• RQ4 在不同空间依赖结构下，该模型在系数估计精度和计算时间方面的表现如何？

主要发现

• 在所有模拟情景下，所提出的模型在系数估计精度方面显著优于传统的特征向量空间过滤（ESF）和地理加权回归（GWR）。
• 该模型的计算时间显著低于GWR，且与ESF相比具有相当或更优的性能，适用于大规模空间数据。
• 模型中每个系数均表现出不同的空间平滑度，支持对异质性空间过程的灵活建模。
• 莫兰系数为每个系数的空间结构与全局空间自相关性之间提供了直接的可解释关联，增强了模型的透明度。
• 对日本洪水风险享乐地价模型的实证应用证实，该模型能够有效捕捉洪水风险对地价影响的空间异质性。
• 模型的参数估计在模拟重复中保持稳定且一致，表明在有限样本下具有良好的稳健性。