[论文解读] Bayesian Spatial Change of Support for Count-Valued Survey Data

Jonathan R. Bradley, Christopher K. Wikle+1 more|arXiv (Cornell University)|May 28, 2014

Spatial and Panel Data Analysis参考文献 32被引用 5

一句话总结

本文提出了一种贝叶斯分层模型，用于对计数型调查数据（如美国社区调查（ACS）估计值）进行空间变化支持（COS）建模，通过将计数建模为空间点过程的聚合。该方法结合了已知的调查方差，可在无需重新运行MCMC的情况下实现实时估计，适用于用户定义的空间支持，其在准确性和计算效率方面优于传统方法。

ABSTRACT

We introduce Bayesian spatial change of support methodology for count-valued survey data with known survey variances. Our proposed methodology is motivated by the American Community Survey (ACS), an ongoing survey administered by the U.S. Census Bureau that provides timely information on several key demographic variables. Specifically, the ACS produces 1-year, 3-year, and 5-year "period-estimates," and corresponding margins of errors, for published demographic and socio-economic variables recorded over predefined geographies within the United States. Despite the availability of these predefined geographies it is often of interest to data users to specify customized user-defined spatial supports. In particular, it is useful to estimate demographic variables defined on "new" spatial supports in "real-time." This problem is known as spatial change of support (COS), which is typically performed under the assumption that the data follows a Gaussian distribution. However, count-valued survey data is naturally non-Gaussian and, hence, we consider modeling these data using a Poisson distribution. Additionally, survey-data are often accompanied by estimates of error, which we incorporate into our analysis. We interpret Poisson count-valued data in small areas as an aggregation of events from a spatial point process. This approach provides us with the flexibility necessary to allow ACS users to consider a variety of spatial supports in "real-time." We demonstrate the effectiveness of our approach through a simulated example as well as through an analysis using public-use ACS data.

研究动机与目标

• 解决当仅有预定义地理区域上的ACS估计值时，如何在用户定义的空间支持上估计人口统计计数的问题。
• 开发一种空间COS方法，以考虑计数数据中已知的调查方差，这些数据通常非正态且过度分散。
• 通过在点过程层面建模，避免为每个新目标支持重新运行计算密集型的MCMC，从而实现高效估计。
• 提高基于ACS的小区域估计的准确性与不确定性量化，特别是在抽样变异性较高的情况下。

提出的方法

• 将小区域中的计数建模为非齐次空间点过程的聚合事件，从而实现向任意目标支持的灵活聚合。
• 采用贝叶斯分层模型（BHM）框架，结合空间广义线性混合模型（GLMM），以考虑潜在的空间随机效应。
• 在似然函数中将调查抽样方差作为已知分量纳入，以反映ACS报告的误差范围。
• 扩展Hughes和Haran（2013）的低秩空间建模方法，使用10%的正特征值来表示空间协方差，实现复杂度与效率之间的平衡。
• 应用马尔可夫链蒙特卡洛（MCMC）方法估计参数的后验分布，包括潜在过程和协方差结构。
• 使用后验预测p值评估模型在真实数据和模拟数据上的性能与校准情况。

实验结果

研究问题

• RQ1 该贝叶斯空间变化支持模型能否在考虑已知调查方差的前提下，准确估计任意用户定义空间支持上的计数型调查数据？
• RQ2 与传统的区域插值或基于分区的COS方法相比，所提出的基于点过程的方法在估计准确性和计算成本方面表现如何？
• RQ3 在小区域中不确定性较高的情况下，纳入调查抽样方差在多大程度上提升了估计计数的可靠性？
• RQ4 当应用于真实ACS数据时，该模型是否能保持良好的校准性与覆盖概率，特别是在调查估计值稀疏或噪声较大的区域？
• RQ5 该模型是否能通过点级参数估计方法实现高效重复使用，而无需为每个新目标支持重新运行MCMC？

主要发现

• 所提出的方法成功利用来自人口普查区的ACS数据，估计了纽约市社区区中低于贫困线的真实人口计数，其准确性优于简单的区域插值方法。
• 后验预测p值表明模型具有良好的校准性，表明不确定性估计可靠，且模型与数据拟合良好。
• 模拟研究结果表明，即使目标支持与模拟模型结构不同，该模型仍能准确恢复未观测到的真实均值计数。
• 采用仅使用10%正特征值的低秩空间模型，在不过度拟合的前提下提供了足够的灵活性，且在测试场景中无需进一步增加复杂度（如SSVS）。
• 通过在点过程层面估计参数，该方法避免了为每个新目标支持重新运行MCMC，显著提升了计算可扩展性。
• 该模型有效考虑了调查抽样方差，这对于ACS数据尤为重要，因为其误差范围可能较大，从而实现了更稳健的推断。