[论文解读] Approximate Bayesian Computation and Model Validation for Repulsive Spatial Point Processes

Shinichiro Shirota, Alan E. Gelfand|arXiv (Cornell University)|Apr 24, 2016

Point processes and geometric inequalities被引用 3

一句话总结

本文提出一种基于近似贝叶斯计算（ABC）的框架，用于拟合和验证排斥性空间点过程，特别是吉布斯点过程和确定性点过程（DPPs），采用基于模拟的推断方法。通过利用这些模型的易模拟性以及$K$-函数等摘要统计量，ABC实现了稳健的贝叶斯推断与模型评估，其计算效率和收敛性优于传统MCMC方法，如在杜克森林树木数据集上的实证所示，对Strauss和DPP模型的拟合效果得到改善。

ABSTRACT

In many applications involving spatial point patterns, we find evidence of inhibition or repulsion. The most commonly used class of models for such settings are the Gibbs point processes. A recent alternative, at least to the statistical community, is the determinantal point process. Here, we examine model fitting and inference for both of these classes of processes in a Bayesian framework. While usual MCMC model fitting can be available, the algorithms are complex and are not always well behaved. We propose using approximate Bayesian computation (ABC) for such fitting. This approach becomes attractive because, though likelihoods are very challenging to work with for these processes, generation of realizations given parameter values is relatively straightforward. As a result, the ABC fitting approach is well-suited for these models. In addition, such simulation makes them well-suited for posterior predictive inference as well as for model assessment. We provide details for all of the above along with some simulation investigation and an illustrative analysis of a point pattern of tree data exhibiting repulsion. R-code and datasets are included in the supplementary material.

研究动机与目标

• 解决排斥性空间点过程（如吉布斯点过程和确定性点过程，DPPs）中似然函数难以计算的挑战。
• 开发一种统一的、基于模拟的贝叶斯推断方法，利用近似贝叶斯计算（ABC），绕过具有难以计算归一化常数的复杂MCMC算法。
• 通过后验预测模拟与蒙特卡洛检验，实现后验推断、模型检验与模型比较。
• 在真实空间数据上展示该方法的有效性，特别是杜克森林树木数据集，显示其在拟合效果上优于泊松过程。

提出的方法

• 采用ABC-MCMC进行贝叶斯推断，基于观测与模拟摘要统计量之间的距离进行参数提议与拒绝采样。
• 通过模拟生成给定参数值下吉布斯点过程和DPP模型的点模式，避免直接计算似然函数。
• 使用$K$-函数和$L(r)-r$等摘要统计量捕捉二阶特性，并比较观测与模拟模式。
• 应用蒙特卡洛检验并计算$p$-值以评估模型适配性，使用$s_r(\mathbf{y})$评估二阶特征。
• 使用样本内相对预测评分（RPS）比较模型性能，以HPP为基准。
• 通过距离分布的百分位数调节ABC以选择$\epsilon$，并利用预运行结果高效初始化ABC-MCMC。

实验结果

研究问题

• RQ1 ABC能否为似然函数难以计算的吉布斯点过程和DPP模型提供一种可靠且计算高效的MCMC替代方法？
• RQ2 ABC在使用摘要统计量时，能否有效区分竞争性的排斥点过程模型（如Strauss与DPP）？
• RQ3 ABC在通过后验预测检验与摘要统计量的$p$-值检测模型不足方面的表现如何？
• RQ4 Strauss过程中不同参数化与半径设置下的模型拟合效果如何变化？
• RQ5 ABC推断方法能否通过非齐次$K$-函数扩展至非齐次排斥点过程？

主要发现

• 在模拟研究中，ABC方法成功恢复了真实模型结构，后验分布集中在真实参数值附近。
• 在杜克森林数据集中，$R=0.053$的Strauss模型表现出最佳拟合效果，$p$-值分别为0.3574（$r=0.03$）和0.3923（$r=0.05$），表明无显著拟合不足。
• DPP-G与DPP-PE模型表现出中等拟合度，$p$-值约为0.18–0.28，表明可接受但不如Strauss模型表现理想。
• 对于小半径（$r=0.03, 0.05$），HPP被拒绝，$p$-值分别为0.0428与0.0130，表明存在强烈的排斥证据。
• 样本内RPS比值接近1.00，但$R=0.053$的Strauss模型表现出最有利的相对性能，表明其具有更好的预测准确性。
• ABC-MCMC算法在使用预运行估计值初始化后，无需烧尽期即可实现稳定收敛，显著提升了计算效率。