[论文解读] On initial direction, orientation and discreteness in the analysis of circular variables

Gianluca Mastrantonio, Giovanna Jona Lasinio+2 more|arXiv (Cornell University)|Sep 29, 2015

Bayesian Methods and Mixture Models参考文献 24被引用 3

一句话总结

本文提出了不变包裹泊松（IWP）分布，这是一种新型的离散圆形分布，对初始方向和参考系方向的变化具有不变性——这对于圆形数据分析中的可靠推断至关重要。通过在包裹泊松分布的基础上引入不变性特性，IWP 分布能够稳健地建模基于计数的定向数据，采用 MCMC 进行贝叶斯推断，并在真实风向和枪击犯罪数据上表现出良好的拟合效果。

ABSTRACT

In this paper, we propose a discrete circular distribution obtained by extending the wrapped Poisson distribution. This new distribution, the Invariant Wrapped Poisson (IWP), enjoys numerous advantages: simple tractable density, parameter-parsimony and interpretability, good circular dependence structure and easy random number generation thanks to known marginal/conditional distributions. Existing discrete circular distributions strongly depend on the initial direction and orientation, i.e. a change of the reference system on the circle may lead to misleading inferential results. We investigate the invariance properties, i.e. invariance under change of initial direction and of the reference system orientation, for several continuous and discrete distributions. We prove that the introduced IWP distribution satisfies these two crucial properties. We estimate parameters in a Bayesian framework and provide all computational details to implement the algorithm. Inferential issues related to the invariance properties are discussed through numerical examples on artificial and real data.

研究动机与目标

• 解决现有离散圆形分布中缺乏对初始方向和方向变化保持不变的缺陷，此类缺陷可能导致误导性统计推断。
• 开发一种新的离散圆形分布——不变包裹泊松（IWP）分布，其统计特性不依赖于圆周上参考系的选择。
• 提供一种参数简洁、可计算且可解释的模型，适用于圆周上的计数数据，如小时事件频率或方向计数。
• 通过 MCMC 算法实现圆形数据的可靠贝叶斯推断，包括一种基于密度截断和潜变量建模的高效近似算法。
• 通过人工数据和真实数据的数值示例，证明 IWP 模型优于现有模型，包括风向和枪击犯罪数据。

提出的方法

• 将包裹泊松分布扩展为不变包裹泊松（IWP）分布，确保在参考系旋转和反射下保持不变。
• 证明 IWP 分布满足在初始方向和方向变化下保持不变的必要和充分条件，而现有离散圆形分布则不具备此性质。
• 推导 IWP 分布的三角矩，表明圆形均值与方差相互独立，从而放宽了标准包裹泊松分布中严格的均值-方差关系。
• 采用两种 MCMC 算法实现贝叶斯推断：一种为精确算法，另一种为基于 IWP 密度截断的近似算法，灵感来源于 Jona Lasinio 等人（2012）对包裹正态分布的研究。
• 采用潜变量方法（Coles 和 Casson，1998）以促进 MCMC 抽样，并为一个参数指定特定先验分布以改善模型识别。
• 在近似算法中对潜变量进行重新参数化，以提升计算效率，并避免抽样过程中的局部最优解。

实验结果

研究问题

• RQ1 能否构建一种离散圆形分布，使其在圆周上参考系的初始方向和方向变化下保持不变？
• RQ2 如何对包裹泊松分布进行修改，以在保持可解释性和可计算性的同时，增强对圆形方差建模的灵活性？
• RQ3 在真实世界数据分析中，特别是方向性计数数据中，使用非不变圆形分布会带来怎样的推断后果？
• RQ4 所提出的 IWP 分布在拟合真实世界的离散圆形数据（如风向和按小时统计的枪击犯罪频率）方面效果如何？
• RQ5 能否通过 MCMC 实现 IWP 模型的高效贝叶斯推断，特别是通过一种在保持精度的同时提升计算速度的近似算法？

主要发现

• IWP 分布在初始方向和方向变化下保持不变，满足不变性的必要和充分条件，而现有离散圆形分布不具备此特性。
• IWP 模型允许圆形均值与方差独立，如三角矩分析所示，从而放宽了标准包裹泊松分布中严格的均值-方差关系。
• 在风向数据示例中，后验均值方向为 0.164（接近地理正北），95% 可信区间为 [6.248, 0.366]，圆形集中度估计为 0.456（95% CI [0.405, 0.484]），表明中等程度的集中。
• 对于枪击犯罪数据，后验方向均值为 6.166（24 小时制下的 23:33），95% 可信区间为 [6.138, 6.193]，圆形集中度为 0.316（95% CI [0.315, 0.317]），表明高变异性。
• 风向数据的后验偏度为 -0.192（95% CI [-0.198, 0.196]），枪击犯罪数据为 0.236（95% CI [0.235, 0.236]），两者均表明预测分布近乎对称。
• 风向数据的平均预测误差为 0.780，枪击犯罪数据为 0.838，两者均表明模型拟合合理，考虑到观测数据的变异性（最大可能误差为 2）。