广义岭惩罚在广义可加模型中的趋势建模与空间预测中的应用

《Environmental and Ecological Statistics》：Generalized ridge penalization for trend modeling and spatial prediction with generalized additive models

　　

本研究探讨了广义岭广义可加模型（Generalized Ridge Generalized Additive Models, GRGAM）在空间趋势建模与空间预测中的应用。趋势建模采用迭代过程，每一步更新残差的协方差矩阵，该矩阵亦可通过基于广义可加模型的简单方法估计，将不同位置的残差通过依赖于点对间距离的模型系数关联起来。空间预测则在趋势模型基础上引入新项，其系数取决于目标点与k近邻的距离。研究人员利用合成数据评估所提方法的性能，并以公开数据集为例，估计重金属的空间分布。在合成数据与真实数据的两种情景下，均将该方法与通用克里金（Universal Kriging, UKr）进行了空间预测性能的比较分析。

本研究发表于《Environmental and Ecological Statistics》，旨在解决现有空间趋势建模方法在灵活性与计算效率上的局限。传统方法如通用克里金假设趋势遵循已知函数形式，多项式回归易过拟合且对异常值敏感，移动窗口平均法受窗口尺寸限制难以捕捉长期模式，高斯过程回归则需昂贵的计算资源优化核超参数。广义可加模型（Generalized Additive Models, GAMs）虽能以非参数形式灵活拟合复杂趋势，但未显式纳入空间相关性，可能导致强空间依赖场景下的预测偏差。为此，研究人员提出基于广义岭回归的GRGAM框架，通过非均匀收缩基展开系数，将空间依赖信息融入模型惩罚项，以提升趋势建模与预测精度。

关键技术方法包括：1）基于迭代更新的残差协方差矩阵估计，采用GAM将残差配对距离与残差值关联，施加单调递减约束以反映空间相关性随距离衰减的规律，并通过谱分解确保协方差矩阵半正定；2）空间预测阶段结合k近邻权重残差项，融合趋势估计与局部空间依赖信息；3）利用合成数据（含正弦与线性叠加趋势及不同空间相关结构）与真实数据集（R语言sp包中的“meuse”重金属污染数据）验证性能，以均方根误差（Root Mean Square Error, RMSE）为核心评价指标，并与通用克里金进行对比。

研究结果如下：

3.1 趋势建模

在合成数据情景1（各向同性指数协方差）中，GRGAM成功捕捉到正弦与线性趋势分量，而标准岭GAM（Ridge GAM, RGAM）未能有效恢复线性趋势。协方差估计误差随空间相关强度ρ增大而增加，但通过截断稀疏距离矩阵可将计算时间降低至与传统地统计方法相当。情景2（非齐次协方差结构）中，GRGAM仍能稳定恢复趋势分量，验证了其对复杂空间依赖的适应性。

3.2 空间预测

情景1下，RGAM在k=5时RMSE最低，GRGAM次之，k=7时通用克里金表现最优；情景2中三种方法性能相近，GRGAM在k=5时略优于通用克里金。结果表明，GRGAM无需预设趋势函数形式即可达到与通用克里金相当的预测精度。

4 真实数据应用

在“meuse”数据集铅浓度分析中，GRGAM识别出的空间趋势与实测分布一致：铅浓度呈西北向递增模式。通用克里金虽在整体RMSE上略优，但GRGAM通过数据驱动的趋势建模避免了预设趋势形式的局限性，尤其在复杂非线性趋势场景中更具灵活性。

5 结论

研究证实，GRGAM通过迭代更新残差协方差矩阵，可有效融合空间依赖信息于趋势建模过程，其协方差估计方法无需依赖理论半变异函数模型，简化了参数选择流程。该方法在计算效率上可通过稀疏距离矩阵进一步优化，空间预测性能与通用克里金相当，且避免了后者对趋势形式的强假设。未来可扩展至各向异性与复杂距离度量场景，为地质、环境等领域的空间分析提供更灵活的建模工具。