[论文解读] Local likelihood estimation for covariance functions with spatially-varying parameters: the convoSPAT package for R

Mark D. Risser, Catherine A. Calder|arXiv (Cornell University)|Jul 30, 2015

Soil Geostatistics and Mapping参考文献 30被引用 9

一句话总结

本论文介绍了 convoSPAT R 包，用于通过局部似然估计方法拟合基于卷积的非平稳空间高斯过程模型，实现空间变化的协方差参数估计。通过采用离散混合分量方法建模空间变化的参数并进行局部估计，该方法即使在中等规模数据集上也能实现高效计算，如在模拟和真实降水数据上的应用所示，其预测精度优于平稳模型。

ABSTRACT

In spite of the interest in and appeal of convolution-based approaches for nonstationary spatial modeling, off-the-shelf software for model fitting does not as of yet exist. Convolution-based models are highly flexible yet notoriously difficult to fit, even with relatively small data sets. The general lack of pre-packaged options for model fitting makes it difficult to compare new methodology in nonstationary modeling with other existing methods, and as a result most new models are simply compared to stationary models. Using a convolution-based approach, we present a new nonstationary covariance function for spatial Gaussian process models that allows for efficient computing in two ways: first, by representing the spatially-varying parameters via a discrete mixture or "mixture component" model, and second, by estimating the mixture component parameters through a local likelihood approach. In order to make computation for a convolution-based nonstationary spatial model readily available, this paper also presents and describes the convoSPAT package for R. The nonstationary model is fit to both a synthetic data set and a real data application involving annual precipitation to demonstrate the capabilities of the package.

研究动机与目标

• 为解决基于卷积的非平稳空间模型缺乏可访问、即插即用的软件问题，这类模型虽然高度灵活，但估计过程极为困难。
• 开发一种计算高效的参数估计方法，用于高斯过程模型中的空间变化协方差参数，尤其适用于非平稳空间依赖结构。
• 提供一个用户友好的 R 包（convoSPAT），使研究人员能够通过局部似然估计和混合分量参数化方法拟合并分析非平稳空间模型。
• 通过在合成数据和真实年降水量数据上的应用，展示该方法的有效性，表明其预测性能优于平稳模型。
• 通过在 R 中提供即用、高效且可重现的实现，促进非平稳空间统计方法的比较研究。

提出的方法

• 该方法采用基于卷积的非平稳协方差函数，其中空间变化的参数（如方差、噪声项、平滑度、各向异性）通过离散混合分量方法建模。
• 空间变化的参数通过局部似然技术进行估计，即在每个位置周围使用拟合半径和邻近数据点计算局部似然。
• 混合分量网格在空间域上预先指定，其数量和位置由用户定义，或通过诊断工具（如 mc_N 函数）选择。
• 模型采用局部似然估计框架，在每个混合分量位置估计参数，随后对估计的特征进行空间平滑，以生成连续的空间参数表面。
• 该方法允许灵活指定相关结构（如指数型、马尔可夫型），并支持单次实现和独立重复的空间过程。
• convoSPAT R 包实现了完整的工作流程：模型拟合、参数估计、预测以及使用 CRPS 和 MSPE 等准则进行模型评估。

实验结果

研究问题

• RQ1 能否通过局部似然技术高效估计基于卷积的非平稳空间模型中空间变化的参数？
• RQ2 在真实和模拟数据上，所提出的非平稳模型在预测精度方面与平稳模型相比表现如何？
• RQ3 拟合半径和混合分量网格等调优参数对模型估计和预测的影响是什么？
• RQ4 该方法是否能在 R 中高效实现，适用于中等规模数据集（如 n ≈ 1000），且计算成本不过高？
• RQ5 在具有已知真实值的模拟研究中，该方法能否准确恢复真实的空间变化参数？

主要发现

• 在模拟数据上，通过 convoSPAT 拟合的非平稳模型的 CRPS 为 0.415，而平稳模型为 0.424，表明预测性能有所提升。
• MSPE（均方预测误差）从平稳模型的 0.546 降低至非平稳模型的 0.524，进一步支持了其更高的预测精度。
• 估计的各向异性参数接近真实值（如 β1 为 0.678 vs. -0.5，β2 为 0.770 vs. 0.5），表明对空间变化效应的准确恢复。
• 该方法保持了计算效率，使用合理的拟合半径和混合分量网格，对 n ≈ 1000 的数据集模型拟合是可行的。
• mc_N 函数确认，每个局部模型使用了 157 至 269 个数据点，表明在局部模型稳定性与空间分辨率之间实现了良好平衡。
• 该包成功处理了单次实现和重复的空间数据，支持广泛的空间数据分析任务。