[论文解读] Careful prior specification avoids incautious inference for log-Gaussian Cox point processes

Sigrunn H. Sørbye, Janine Illian+2 more|arXiv (Cornell University)|Sep 20, 2017

Bayesian Methods and Mixture Models参考文献 35被引用 6

一句话总结

本文提出了一种采用惩罚复杂性先验的重参数化对数高斯随机场点过程模型，以提升贝叶斯空间点过程分析中的可解释性与稳健性。通过在共同精度参数和方差比例超参数下分离空间结构化与非结构化随机场，该模型实现了直观的超先验调优，降低了对网格分辨率的敏感性，并允许在不同空间尺度上透明评估协变量显著性，其有效性在巴罗科罗拉多岛热带树种数据中得到验证。

ABSTRACT

Prior specifications for hyperparameters of random fields in Bayesian spatial point process modelling can have a major impact on the statistical inference and the conclusions made. We consider fitting of log-Gaussian Cox processes to spatial point patterns relative to spatial covariate data. From an ecological point of view, an important aim of the analysis is to assess significant associations between the covariates and the point pattern intensity of a given species. This paper introduces the use of a reparameterised model to facilitate meaningful interpretations of the results and how these depend on hyperprior specifications. The model combines a scaled spatially structured field with an unstructured random field, having a common precision parameter. An additional hyperparameter identifies the fraction of variance explained by the spatially structured term and proper scaling makes the analysis invariant to grid resolution. The hyperparameters are assigned penalised complexity priors, which can be tuned intuitively by user-defined scaling parameters. We illustrate the approach analysing covariate effects on point patterns formed by two rainforest tree species in a study plot on Barro Colorado Island, Panama.

研究动机与目标

• 解决贝叶斯空间点过程模型中超先验指定主观且缺乏可解释性的问题。
• 通过将空间结构与模型超参数解耦，实现协变量对物种分布影响的有意义生态学解释。
• 通过空间随机场的适当缩放，实现模型公式对网格分辨率的不变性。
• 通过使用可解释的先验，促进对空间平滑度敏感性的透明评估。
• 在巴拿马巴罗科罗拉多岛的真实热带森林树种数据上展示该方法。

提出的方法

• 将空间随机场重新参数化为缩放后的空间结构化分量（rw2）与非结构化分量（iid）之和，二者共享一个共同的精度参数。
• 引入一个混合参数，表示由空间结构化分量解释的方差比例，从而实现直观解释。
• 对共同精度和混合参数应用惩罚复杂性（PC）先验，允许通过用户定义的缩放参数实现直观调优。
• 通过使用精度矩阵的迹的倒数对空间结构化场进行缩放，确保对网格分辨率的不变性。
• 使用R-INLA包实现模型并执行快速贝叶斯推断，完成完整的后验计算。
• 在一系列超先验选择下评估模型行为，以检验协变量显著性对空间平滑度的敏感性。

实验结果

研究问题

• RQ1 空间场精度的超先验选择如何影响对数高斯随机场点过程模型中协变量效应的显著性？
• RQ2 重参数化模型结构能否提升空间随机效应及其对强度变异贡献的可解释性？
• RQ3 模型推断在多大程度上对空间结构化场的平滑度敏感，以及如何实现控制？
• RQ4 在空间点过程建模中，如何使超先验设定实现直观且可在不同网格分辨率间迁移？
• RQ5 在生态点过程的总体空间模式中，空间结构化与非结构化随机效应的相对贡献如何？

主要发现

• 重参数化模型成功地将随机效应解释的总方差分解为结构化与非结构化两部分，混合参数清晰地解释为由空间结构导致的方差比例。
• 惩罚复杂性先验允许通过用户定义的缩放参数实现直观的超先验调优，降低了草率推断的风险。
• 由于对空间结构化场进行了适当的缩放，模型对网格分辨率保持不变，从而在不同空间离散化下实现一致的推断。
• 在超先验选择范围内的敏感性分析表明，协变量显著性可能随空间场平滑度的改变而显著变化，凸显了仔细指定先验的必要性。
• 在BCI数据集中，模型检测到树种分布与土壤养分之间存在显著关联，其中某一物种的局部聚集由扩散限制解释，而更大尺度的模式则与地形和土壤化学相关。
• 该方法有效分离了局部与大尺度聚集，表明两者均对观测到的空间模式有贡献，其中空间结构化分量捕捉了更广泛尺度的环境关联。