[论文解读] Latent Gaussian modeling and INLA: A review with focus on space-time applications

Thomas Opitz|arXiv (Cornell University)|Aug 9, 2017

Soil Geostatistics and Mapping参考文献 22被引用 19

一句话总结

本文回顾了潜在高斯模型与集成嵌套拉普拉斯近似（INLA）框架，重点阐述其在时空数据中的应用。研究表明，INLA通过基于随机偏微分方程推导的高斯-马尔可夫随机场，实现了快速、精确的贝叶斯推断，并借助R-INLA软件包实现实际应用，同时通过非高斯时空计数数据的模拟研究进行了验证。

ABSTRACT

Bayesian hierarchical models with latent Gaussian layers have proven very flexible in capturing complex stochastic behavior and hierarchical structures in high-dimensional spatial and spatio-temporal data. Whereas simulation-based Bayesian inference through Markov Chain Monte Carlo may be hampered by slow convergence and numerical instabilities, the inferential framework of Integrated Nested Laplace Approximation (INLA) is capable to provide accurate and relatively fast analytical approximations to posterior quantities of interest. It heavily relies on the use of Gauss-Markov dependence structures to avoid the numerical bottleneck of high-dimensional nonsparse matrix computations. With a view towards space-time applications, we here review the principal theoretical concepts, model classes and inference tools within the INLA framework. Important elements to construct space-time models are certain spatial Matérn-like Gauss-Markov random fields, obtained as approximate solutions to a stochastic partial differential equation. Efficient implementation of statistical inference tools for a large variety of models is available through the INLA package of the R software. To showcase the practical use of R-INLA and to illustrate its principal commands and syntax, a comprehensive simulation experiment is presented using simulated non Gaussian space-time count data with a first-order autoregressive dependence structure in time.

研究动机与目标

• 为处理复杂空间与时空数据的研究人员提供潜在高斯模型与INLA推断框架的全面综述。
• 突出INLA相较于传统MCMC方法在高维模型中计算速度与数值稳定性方面的优势。
• 展示使用R-INLA软件包实现INLA在时空模型中的实际应用。
• 说明SPDE方法在时空应用中构建灵活且计算高效的高斯-马尔可夫随机场的使用方法。
• 通过信息准则（DIC、WAIC）与后验汇总统计量，评估模拟的非高斯时空计数数据的模型性能。

提出的方法

• 利用集成嵌套拉普拉斯近似（INLA）提供后验边际的快速、解析近似，避免MCMC收敛缓慢的问题。
• 采用源自随机偏微分方程（SPDE）的高斯-马尔可夫随机场，高效建模空间与时空依赖结构。
• 应用SPDE方法生成近似解，获得稀疏精度矩阵，从而实现高维计算的可行性。
• 在R-INLA软件包中通过三个核心组件实现模型：似然函数设定、潜在高斯模型与超先验。
• 使用inla.posterior.sample()函数，基于精度矩阵Q*，通过高斯拷贝基于近似后验依赖结构。
• 采用DIC、WAIC与边际似然等模型比较指标，评估并排序竞争模型。

实验结果

研究问题

• RQ1 在复杂时空模型中，INLA与MCMC在准确性和计算效率方面有何比较？
• RQ2 SPDE方法在潜在高斯模型中多大程度上能准确表示非可分的时空依赖结构？
• RQ3 INLA近似在非高斯似然（如负二项分布）的时空设置中表现如何？
• RQ4 超先验选择（如SPDE先验中ν = 0）对模型估计与参数恢复有何影响？
• RQ5 如何有效利用R-INLA拟合并比较具有不同似然函数与依赖结构的多种时空模型？

主要发现

• 模型1采用高斯似然，DIC = 8540，WAIC = 8520，后验均值范围 = 0.29（95% 置信区间：0.25–0.33），方差 = 0.95（0.84–1.08），与模拟值高度一致。
• 模型5采用负二项似然且SPDE先验中ν = 0，估计方差 = 0.11（0.09–0.14），显示参数估计可能存在不稳定性。
• 在所有包含自回归系数a的模型中，其估计值稳定在0.49–0.53之间，95%可信区间覆盖真实值0.5。
• 模型4采用高斯似然且具有不同空间结构，DIC = 8550，WAIC = 8510，性能与模型1相当。
• 模型3采用负二项似然且无空间效应，DIC最高（9530），WAIC最高（9270），表明其拟合效果明显劣于包含空间结构的模型。
• 边际似然（mlik）在模型1、4、5、6中均稳定在-4750左右，表明尽管模型结构不同，但模型证据相似。