[论文解读] On identifiability and consistency of the nugget in Gaussian spatial process models

Wenpin Tang, Lu Zhang+1 more|arXiv (Cornell University)|Aug 15, 2019

Soil Geostatistics and Mapping参考文献 35被引用 18

一句话总结

本文在内填充渐近框架下建立了高斯空间过程模型中 nugget 参数的可识别性与一致性，表明即使存在来自 nugget 的不连续性，微ergodic 参数对 (σ²φ²ν, τ²) 的最大似然估计量（MLE）仍具有一致性和渐近正态性。该结果扩展了以往针对无 nugget 的 Matérn 模型的研究，表明收敛速度取决于维度与平滑度，模拟研究证实了 nugget 估计对空间插值精度的影响。

ABSTRACT

Spatial process models popular in geostatistics often represent the observed data as the sum of a smooth underlying process and white noise. The variation in the white noise is attributed to measurement error, or micro-scale variability, and is called the "nugget". We formally establish results on the identifiability and consistency of the nugget in spatial models based upon the Gaussian process within the framework of in-fill asymptotics, i.e. the sample size increases within a sampling domain that is bounded. Our work extends results in fixed domain asymptotics for spatial models without the nugget. More specifically, we establish the identifiability of parameters in the Mat\'ern covariance function and the consistency of their maximum likelihood estimators in the presence of discontinuities due to the nugget. We also present simulation studies to demonstrate the role of the identifiable quantities in spatial interpolation.

研究动机与目标

• 在内填充渐近框架下，正式建立高斯空间过程模型中 nugget 参数的可识别性与一致性。
• 将现有关于 Matérn 模型中微ergodic 参数估计的研究结果，扩展至包含未知 nugget 效应的情形。
• 研究 nugget 的存在如何改变最大似然估计量的渐近性质，特别是收敛速度。
• 通过模拟研究评估 nugget 估计对空间插值性能的影响。
• 为涉及 nugget 的贝叶斯推断（尤其是在范围参数模型误设的情况下）提供理论基础。

提出的方法

• 作者分析了一个带有独立同分布高斯白噪声（即 nugget）的 Matérn 协方差模型，将观测数据建模为 y(s) = w(s) + ϵ(s)，其中 w(s) 是均值为零的平稳高斯过程，具有 Matérn 协方差，ϵ(s) 为独立的白噪声。
• 他们识别出在内填充渐近框架下，当 d ≤ 3 时，微ergodic 参数对 (σ²φ²ν, τ²) 是唯一可识别且可一致估计的组合。
• 理论分析依赖于协方差算子的谱性质与特征值估计，关键假设包括在采样密度增加时特征值的行为。
• 作者推导了微ergodic 参数 MLE 的渐近分布，表明其收敛速度为 n^(1/(2+4ν/d))，而非标准的 n^(1/2) 速度。
• 通过在 cmdstanr 中使用 MCMC 推理进行模拟研究，利用 R-hat 和有效样本量评估后验收敛性。
• 研究评估了在不同采样设计及范围参数误设条件下对后验推断的影响，特别关注 nugget 与微ergodic 参数估计中的偏差与方差。

实验结果

研究问题

• RQ1 当范围 φ 未知时，在内填充渐近框架下，Matérn 高斯过程模型中的 nugget 参数 τ² 是否可一致估计？
• RQ2 与无 nugget 情况相比，nugget 的存在如何影响微ergodic 参数最大似然估计量的收敛速度？
• RQ3 在贝叶斯空间模型中，范围参数误设对 nugget 与微ergodic 参数后验推断的影响是什么？
• RQ4 在存在 nugget 的情况下，微ergodic 参数 (σ²φ²ν, τ²) 的最大似然估计量是否渐近正态？
• RQ5 在有限样本设置下，nugget 估计如何影响空间预测与插值的准确性？

主要发现

• 当维度 d ≤ 3 时，微ergodic 参数对 (σ²φ²ν, τ²) 在内填充渐近框架下具有可识别性与一致性。
• 微ergodic 参数的 MLE 具有渐近正态性，收敛速度为 n^(1/(2+4ν/d))，该速度依赖于平滑度 ν 与维度 d。
• 模拟结果表明，随着样本量 n 增加，τ² 与微ergodic 参数 κ = σ²φ²ν 的后验分布逐渐更紧密地聚集在真实值周围。
• 当范围参数 φ 被误设时（尤其是 φ 过大，如 5φ₀），由于空间相关性可忽略，τ² 的后验推断会变得高度有偏。
• 当有效空间范围相对于域大小较小时，nugget τ² 的估计效果较差，因为 nugget 与偏 nugget σ² 混淆。
• 当 φ 未知或误设时，τ² 的后验推断比 κ 更稳定，表明在模型不确定性下，nugget 更具稳健性。