[论文解读] Generalized Geographically Weighted Regression Model within a Modularized Bayesian Framework

Yang Liu, Robert J. B. Goudie|arXiv (Cornell University)|Jun 2, 2021

Spatial and Panel Data Analysis参考文献 60被引用 2

一句话总结

本文提出了一种模块化的贝叶斯地理加权回归（GWR）模型，通过使用地理加权核函数和Kullback–Leibler散度最小化，处理多个模型组件（如空间变化的系数和局部唯一的离散参数）中的部分模型误设问题。该方法在加权KL散度框架下实现了高效、可并行化的推断，并保证了估计的一致性，将标准贝叶斯GWR扩展至具有非光滑空间参数的广义线性模型。

ABSTRACT

Geographically weighted regression (GWR) models handle geographical dependence through a spatially varying coefficient model and have been widely used in applied science, but its general Bayesian extension is unclear because it involves a weighted log-likelihood which does not imply a probability distribution on data. We present a Bayesian GWR model and show that its essence is dealing with partial misspecification of the model. Current modularized Bayesian inference models accommodate partial misspecification from a single component of the model. We extend these models to handle partial misspecification in more than one component of the model, as required for our Bayesian GWR model. Information from the various spatial locations is manipulated via a geographically weighted kernel and the optimal manipulation is chosen according to a Kullback-Leibler (KL) divergence. We justify the model via an information risk minimization approach and show the consistency of the proposed estimator in terms of a geographically weighted KL divergence.

研究动机与目标

• 为解决由于加权对数似然不具有概率性质，导致缺乏通用的贝叶斯GWR扩展的问题。
• 将模块化贝叶斯推断扩展至同时处理多个模型组件（如系数和离散参数）中的部分误设问题。
• 为具有空间平滑和局部唯一参数的广义线性模型中的GWR开发一种计算高效、可并行化的推断框架。
• 通过信息风险最小化证明模型合理性，并在地理加权KL散度下建立估计量的一致性。

提出的方法

• 使用地理加权核函数构建广义GWR模型，为空间数据点分配局部影响权重。
• 采用模块化贝叶斯框架并引入'cut'反馈机制，以处理包括系数ϕ和离散参数θ在内的多个模型组件中的部分模型误设问题。
• 采用幂似然方法稳定推断过程，并支持对每个位置独立采样，避免高维参数缩放问题。
• 通过最小化观测分布与预测分布之间的地理加权Kullback–Leibler（KL）散度来优化核带宽。
• 采用基于KL散度的损失函数指导参数估计，确保在模型误设下的估计一致性。
• 通过将每个位置的推断独立处理，实现并行计算，显著提升大规模空间数据集的可扩展性。

实验结果

研究问题

• RQ1 当加权对数似然不构成恰当的概率分布时，如何构建一个贝叶斯GWR模型？
• RQ2 模块化贝叶斯推断能否同时扩展至处理多个模型组件（如系数和离散参数）中的部分误设问题？
• RQ3 在贝叶斯GWR模型中，应如何加权空间信息以确保在模型误设下的估计一致性？
• RQ4 与标准GWR或SVC模型相比，所提出的模型在预测准确性和不确定性量化方面的表现如何？
• RQ5 该模型能否有效处理空间平滑系数和局部唯一、非光滑参数（如负二项或Beta回归中的离散参数）？

主要发现

• 所提出的贝叶斯GWR模型在地理加权KL散度框架下，即使在部分模型误设条件下，也能实现对空间变化系数的一致估计。
• 通过在每个位置独立采样参数，该模型实现了高效、可并行化的推断，避免了传统空间层次模型中高维参数带来的问题。
• 基于交叉验证的带宽选择计算成本较高，但模型在不同地理带宽下表现稳健，最优带宽选择在ELPD箱线图中得到验证。
• 该模型成功估计了平滑系数和局部唯一的离散参数（如负二项模型中的θi），而这些参数在标准GWR中通常被忽略或假设为平滑。
• 实证结果表明，该模型能够捕捉欧洲和东亚国家的复杂空间模式，系数ϕ1（温度）和ϕ2（降水）的可信区间反映了有意义的地理变异。
• 该方法在不确定性量化方面优于标准GWR，且由于其模块化、可并行的结构，对大规模空间数据集具有计算可行性。