[论文解读] INLA or MCMC? A Tutorial and Comparative Evaluation for Spatial Prediction in log-Gaussian Cox Processes

Benjamín M. Taylor, Peter J. Diggle|arXiv (Cornell University)|Feb 8, 2012

Statistical Methods and Bayesian Inference参考文献 20被引用 4

一句话总结

本文通过模拟研究比较了马尔可夫链蒙特卡洛（MCMC）与集成嵌套拉普拉斯近似（INLA）在对数高斯 Cox 过程中的贝叶斯空间预测表现，评估了预测精度与计算速度。尽管 INLA 运行时间更短（4 分钟对比 MCMC 100,000 次 MALA 迭代的 20 分钟），MCMC 在预测精度上显著更优，其中位均方误差（MSE）比 INLA2 低 3 倍，比 INLA3 低 1.1 倍，挑战了 INLA 在此情境下既更快又更稳健的普遍假设。

ABSTRACT

We investigate two options for performing Bayesian inference on spatial log-Gaussian Cox processes assuming a spatially continuous latent field: Markov chain Monte Carlo (MCMC) and the integrated nested Laplace approximation (INLA). We first describe the device of approximating a spatially continuous Gaussian field by a Gaussian Markov random field on a discrete lattice, and present a simulation study showing that, with careful choice of parameter values, small neighbourhood sizes can give excellent approximations. We then introduce the spatial log-Gaussian Cox process and describe MCMC and INLA methods for spatial prediction within this model class. We report the results of a simulation study in which we compare MALA and the technique of approximating the continuous latent field by a discrete one, followed by approximate Bayesian inference via INLA over a selection of 18 simulated scenarios. The results question the notion that the latter technique is both significantly faster and more robust than MCMC in this setting; 100,000 iterations of the MALA algorithm running in 20 minutes on a desktop PC delivered greater predictive accuracy than the default \verb=INLA= strategy, which ran in 4 minutes and gave comparative performance to the full Laplace approximation which ran in 39 minutes.

研究动机与目标

• 客观比较 MCMC 与 INLA 在空间对数高斯 Cox 过程中的贝叶斯推断表现。
• 评估空间预测中计算速度与预测精度之间的权衡。
• 评估 INLA 近似方法相对于 MCMC 的渐近精确推断的可靠性。
• 提供关于空间模型中潜变量高斯过程推断技术细节的教程。
• 挑战当前普遍认为 INLA 在此场景下比 MCMC 更快且更稳健的假设。

提出的方法

• 使用规则网格上的高斯马尔可夫随机场（GMRF）近似连续的空间高斯过程，并通过模拟验证其有效性。
• 采用马尔可夫链调整的朗之万算法（MALA）对潜变量场进行 MCMC 推断，每个模拟运行 100,000 次迭代。
• 对 GMRF 近似应用 INLA，采用三种变体：默认 INLA、完整拉普拉斯近似和修改后的 INLA2 策略。
• 通过 18 种模拟情景下预测概率估计的均方误差（MSE）评估预测性能。
• 在固定的空间强度函数 λ₁(s) 和 λ₂(s) 下比较结果，以评估鲁棒性与偏差。
• 所有方法均在 R 包 lgcp 中实现，INLA 通过包装函数集成。

实验结果

研究问题

• RQ1 在空间对数高斯 Cox 过程中，INLA 是否能提供比 MCMC 更精确的预测概率？
• RQ2 当两者均用于空间预测时，INLA 的计算速度与 MCMC 相比如何？
• RQ3 INLA 的近似方法在多大程度上引入了偏差，相较于 MCMC 的渐近精确推断？
• RQ4 预测结果对空间强度函数选择（λ₁(s) 与 λ₂(s)）的敏感性如何？
• RQ5 对连续高斯场的 GMRF 近似能否为空间预测提供可靠的推断？

主要发现

• MALA 在 100,000 次迭代下实现的预测精度高于默认 INLA 策略（运行时间 4 分钟）。
• 在全部 18 种情景中，MALA 与 INLA2 的 MSE 相对增加中位数为 3，表明 MCMC 具有更高的精度。
• 对于固定的空间强度 λ₂(s)，MALA 的 MSE 中位数增加为 1.37，优于 INLA3；而对于 λ₁(s)，INLA3 的 MSE 中位数增加为 0.87，表现更优。
• 尽管 INLA 速度占优，MALA 在空间域中心区域的预测概率估计中表现出更低的偏差。
• INLA2 方法在空间域中心区域表现出明显的向上偏差，表明其近似存在系统性误差。
• 完整拉普拉斯近似（耗时 39 分钟）的性能与 INLA 相当，表明在此设置下 INLA 的速度优势并不以牺牲精度为代价。