[论文解读] Spatial Statistics

Noel Cressie, Matthew T. Moores|arXiv (Cornell University)|May 15, 2021

Soil Geostatistics and Mapping被引用 4

一句话总结

本文提出了一套统一的贝叶斯分层框架用于空间统计，整合了空间过程、位置和参数中的不确定性。通过条件概率分解，将地统计模型、网格模型和点过程模型形式化，实现了基于后验预测的稳健推断和可扩展的计算。

ABSTRACT

Spatial statistics is an area of study devoted to the statistical analysis of data that have a spatial label associated with them. Geographers often refer to the "location information" associated with the "attribute information," whose study defines a research area called "spatial analysis." Many of the ways to manipulate spatial data are driven by algorithms with no uncertainty quantification associated with them. When a spatial analysis is statistical, that is, it incorporates uncertainty quantification, it falls in the research area called spatial statistics. The primary feature of spatial statistical models is that nearby attribute values are more statistically dependent than distant attribute values; this is a paraphrasing of what is sometimes called the First Law of Geography (Tobler, 1970).

研究动机与目标

• 提出一个统一的分层框架，将空间统计建模统一于单一的贝叶斯分层结构中，以考虑空间过程、位置和参数中的不确定性。
• 在概率性、贝叶斯统计模型中形式化地理学第一定律的作用——邻近位置具有更强的依赖性。
• 通过倡导空间离散化和可扩展的推断方法，解决空间统计中的计算挑战，以应对大规模数据集。
• 整合现代进展，如惩罚复杂性先验、代理似然和障碍模型，以处理非平稳性和非高斯性。
• 将经典的地统计工具（如克里金法和变差函数）重新置于现代贝叶斯分层建模语境中。

提出的方法

• 使用分层分解形式化空间统计模型：$[\mathbf{Z}, Y, D, \boldsymbol{\theta}] = [\mathbf{Z} \mid Y, D, \boldsymbol{\theta}][Y \mid D, \boldsymbol{\theta}][D \mid \boldsymbol{\theta}][\boldsymbol{\theta}]$，其中$\mathbf{Z}$为数据，$Y$为空间过程，$D$为空间索引集，$\boldsymbol{\theta}$为参数。
• 通过条件分布$[Y \mid D, \boldsymbol{\theta}]$编码地理学第一定律，即邻近位置具有更强的依赖性，从而在模型中体现空间依赖性。
• 应用贝叶斯定理计算后验$[Y, D \mid \mathbf{Z}]$以实现推断，支持基于观测数据的预测分布更新。
• 采用空间离散化方法近似连续空间域$D^G$，从而实现地统计过程的可计算推断。
• 引入惩罚复杂性（PC）先验，以偏好更简单的模型并减少平稳过程参数的过拟合。
• 采用代理模型、代理器和近似似然法，以处理非高斯或点过程模型中难以计算的似然函数。

实验结果

研究问题

• RQ1 如何在单一的贝叶斯分层框架下统一空间统计模型，以考虑过程、位置和参数中的不确定性？
• RQ2 地理学第一定律在概率性空间过程模型中如何体现？其在条件依赖结构中如何编码？
• RQ3 哪些计算策略能够实现在大规模空间数据集中的可扩展推断，特别是针对连续空间过程？
• RQ4 如何在贝叶斯分层框架中有效建模非平稳性、各向异性和非高斯性？
• RQ5 现代工具如PC先验和代理似然如何提升空间统计中模型选择和计算可行性？

主要发现

• 分层贝叶斯框架$[\mathbf{Z}, Y, D, \boldsymbol{\theta}] = [\mathbf{Z} \mid Y, D, \boldsymbol{\theta}][Y \mid D, \boldsymbol{\theta}][D \mid \boldsymbol{\theta}][\boldsymbol{\theta}]$为空间统计建模提供了全面且一致的基础。
• 通过地理学第一定律体现的空间依赖性自然地嵌入$[Y \mid D, \boldsymbol{\theta}]$中，确保邻近位置表现出更高的统计依赖性。
• 对连续域$D^G$进行空间离散化，使计算上可行的推断成为可能，从而在大规模应用中实现现代空间统计的实用性。
• 惩罚复杂性（PC）先验通过惩罚复杂参数值，有效偏好更简单的模型，提升模型的简洁性与可解释性。
• 代理模型和近似似然法为非高斯和点过程模型中难以计算的似然函数提供了实用解决方案，拓展了模型的应用范围。
• 将地统计工具（如克里金法和变差函数）整合进分层贝叶斯框架，为经典方法提供了现代、基于概率的解释。