[论文解读] Graphical outputs and Spatial Cross-validation for the R-INLA package using INLAutils

Tim Lucas, André Python+1 more|arXiv (Cornell University)|Apr 5, 2020

Soil Geostatistics and Mapping参考文献 17被引用 4

一句话总结

本论文介绍了 INLAutils，这是一个 R 包，通过提供直观的图形摘要和空间留一法交叉验证（SLOOCV），增强了 R-INLA 在贝叶斯空间模型中的应用。该工具利用 ggplot2 实现了模型输出的高效可视化，并通过空间交叉验证自动化比较不同模型的预测性能，结果显示在 Meuse 数据集中，包含与不包含空间效应的模型在 MAE 和 RMSE 的置信区间上存在重叠。

ABSTRACT

Statistical analyses proceed by an iterative process of model fitting and checking. The R-INLA package facilitates this iteration by fitting many Bayesian models much faster than alternative MCMC approaches. As the interpretation of results and model objects from Bayesian analyses can be complex, the R package INLAutils provides users with easily accessible, clear and customisable graphical summaries of model outputs from R- INLA. Furthermore, it offers a function for performing and visualizing the results of a spatial leave-one-out cross-validation (SLOOCV) approach that can be applied to compare the predictive performance of multiple spatial models. In this paper, we describe and illustrate the use of (1) graphical summary plotting functions and (2) the SLOOCV approach. We conclude the paper by identifying the limits of our approach and discuss future potential improvements.

研究动机与目标

• 为解决复杂 R-INLA 模型输出的解释难题，这些输出以嵌套列表形式存储，对非专家用户而言难以导航。
• 通过利用 ggplot2 提供可访问且可自定义的 R-INLA 结果图形摘要，改善模型开发工作流程。
• 实现一种空间留一法交叉验证（SLOOCV）程序，以在模型评估中考虑空间自相关性。
• 支持基于预测性能度量（如 MAE 和 RMSE）的多个空间模型之间的直接比较。
• 支持研究人员以最小的编码开销评估空间贝叶斯建模中的模型拟合度与预测准确性。

提出的方法

• 该包通过为 INLA 模型对象实现自定义的 autoplot 方法，扩展了 R-INLA，利用 ggplot2 实现对后验边际分布、预测值和残差的灵活且可自定义的可视化。
• 引入了 ggplot_inla_residuals 函数，用于可视化残差与拟合值的关系，支持平滑线和标准误带等选项。
• inlasloo 函数通过在每次留出点周围定义用户指定的半径，迭代地从训练集中排除邻近观测值，执行空间留一法交叉验证，确保空间依赖性得到尊重。
• 该方法在每个留出点周围使用空间缓冲区（rad），将附近观测值从训练数据中排除，从而提升预测评估的现实性。
• 预测性能通过 MAE 和 RMSE 评估，并通过在交叉验证迭代过程中进行自助抽样计算 95% 置信区间。
• 该包支持在单次调用中比较多个模型和分布族（如正态分布、二项分布），实现不同模型形式间预测性能的并行比较。

实验结果

研究问题

• RQ1 如何使 R-INLA 模型输出的图形摘要对非专家用户更易访问且可自定义？
• RQ2 与标准留一法相比，空间留一法交叉验证在多大程度上提升了空间模型预测性能评估的可靠性？
• RQ3 SLOOCV 程序能否在真实世界的空间数据集中有效区分包含与不包含空间随机效应的模型？
• RQ4 使用 INLAutils 框架在多个模型上执行 SLOOCV 的计算成本如何？
• RQ5 在空间交叉验证下，包含空间成分的模型与不包含空间成分的模型在 MAE 和 RMSE 值上如何比较？

主要发现

• INLAutils 包成功实现了基于 ggplot2 的接口，用于可视化 R-INLA 模型输出，使用户能够轻松检查后验边际分布、预测值和残差，并实现完全自定义。
• inlasloo 函数实现了高效的用户定义半径空间交叉验证，确保在模型拟合过程中排除邻近观测值，以反映空间依赖性。
• 在 Meuse 数据集中，包含与不包含空间效应的模型在 MAE 和 RMSE 的置信区间上存在重叠，表明其预测性能无统计学显著差异。
• SLOOCV 程序在 64GB 内存的 Intel Xeon 机器上完成 20 次迭代耗时约 3–5 分钟，证明其在大规模空间数据集中的可行性。
• 该包支持在单次调用中处理多个分布族和模型，允许直接比较不同模型形式的预测性能。
• 作者指出了局限性，包括缺乏基于似然的预测评分以及未支持时空模型，建议未来扩展以提升适用范围。