[论文解读] Balancing spatial and non-spatial variation in varying coefficient modeling: a remedy for spurious correlation

Daisuke Murakami, Daniel A. Griffith|arXiv (Cornell University)|May 20, 2020

Spatial and Panel Data Analysis参考文献 35被引用 6

一句话总结

本文提出了一种新颖的随机场所系数模型（S&NVC），该模型采用基于莫兰特征向量的思路，同时平衡回归系数中的空间与非空间变异。通过整合两类变异，该方法有效减少了传统随机场所系数模型中常见的虚假相关性，同时提升了模型的准确性与计算效率，仿真与真实地价数据的分析结果均验证了其有效性。

ABSTRACT

This study discusses the importance of balancing spatial and non-spatial variation in spatial regression modeling. Unlike spatially varying coefficients (SVC) modeling, which is popular in spatial statistics, non-spatially varying coefficients (NVC) modeling has largely been unexplored in spatial fields. Nevertheless, as we will explain, consideration of non-spatial variation is needed not only to improve model accuracy but also to reduce spurious correlation among varying coefficients, which is a major problem in SVC modeling. We consider a Moran eigenvector approach modeling spatially and non-spatially varying coefficients (S&NVC). A Monte Carlo simulation experiment comparing our S&NVC model with existing SVC models suggests both modeling accuracy and computational efficiency for our approach. Beyond that, somewhat surprisingly, our approach identifies true and spurious correlations among coefficients nearly perfectly, even when usual SVC models suffer from severe spurious correlations. It implies that S&NVC model should be used even when the analysis purpose is modeling SVCs. Finally, our S&NVC model is employed to analyze a residential land price dataset. Its results suggest existence of both spatial and non-spatial variation in regression coefficients in practice. The S&NVC model is now implemented in the R package spmoran.

研究动机与目标

• 为解决空间回归建模中随机场所系数之间持续存在的虚假相关性问题。
• 证明在空间统计中常被忽视的非空间变异，在提升模型可靠性方面起着关键作用。
• 构建一个统一的建模框架，明确考虑系数变异中的空间与非空间变异。
• 评估所提模型在准确性与计算效率方面相较于现有随机场所系数（SVC）模型的表现。
• 验证模型在具有挑战性条件下区分真实与虚假相关性的能力。

提出的方法

• 采用莫兰特征向量空间过滤（MESF）方法，将空间依赖性分解为正交的空间结构分量。
• 提出一种双分量模型，在单一回归框架中同时包含随机场所系数（SVC）与非随机场所系数（NVC）。
• 利用空间权重矩阵导出的特征向量表示空间变异，而非空间变异则通过空间结构无法解释的残差分量进行建模。
• 采用惩罚似然或正则化方法估计系数，以平衡模型拟合度与复杂性之间的权衡。
• 在R包spmon中实现该模型，以支持实际应用与可复现性。
• 通过蒙特卡洛模拟，在存在与不存在非空间变异的受控条件下比较模型性能。

实验结果

研究问题

• RQ1 在可变系数模型中引入非空间变异，在多大程度上能减少系数之间的虚假相关性？
• RQ2 所提出的S&NVC模型在估计准确性与计算效率方面，相较于传统SVC模型表现如何？
• RQ3 S&NVC模型能否可靠地区分系数关系中的真实与虚假相关性？
• RQ4 在现实世界的空间数据中，存在空间与非空间变异的实证证据是什么？
• RQ5 引入非空间变异是否能提升实际应用中模型的拟合度与可解释性？

主要发现

• S&NVC模型显著减少了可变系数之间的虚假相关性，即使在传统SVC模型表现出严重虚假相关性的情况下亦然。
• 蒙特卡洛模拟表明，S&NVC模型在估计准确性与计算效率方面均优于现有SVC模型。
• 该模型能以高精度识别系数之间的真实与虚假相关性，表现优于标准SVC方法。
• 对住宅地价数据集的实证分析证实了回归系数中同时存在空间与非空间变异。
• S&NVC模型在实际应用中表现出强健性与可靠性，支持其在以建模随机场所系数为主要目标时的采用。
• 该模型在R包spmon中的实现，使其得以广泛使用，并可无缝集成至标准空间统计工作流程中。