RESAPLE:一种用于探索性空间分析的空间依赖性近似单步受限似然估计量
《Spatial Statistics》:RESAPLE: An approximate one-step restricted likelihood estimator of spatial dependence for exploratory spatial analysis
【字体:
大
中
小
】
时间:2026年09月18日
来源:Spatial Statistics 2.7
编辑推荐:
• 推导出了 RESAPLE——一种对 SEM 空间依赖关系的近似单步 REML 估计量。
• RESAPLE 改进了对残差空间依赖性的探索性分析与检验。
• 解析的受限零信息可用于在候选空间权重矩阵中进行选择。
引言
空间自回归(SAR)模型(包括滞后 SAR_lag
• 推导出了 RESAPLE——一种对 SEM 空间依赖关系的近似单步 REML 估计量。
• RESAPLE 改进了对残差空间依赖性的探索性分析与检验。
• 解析的受限零信息可用于在候选空间权重矩阵中进行选择。
引言
空间自回归(SAR)模型(包括滞后 SAR_lag 和误差 SEM 两种形式)被广泛应用于跨空间统计学与计量经济学领域,用以捕捉区域(格点)数据中的空间依赖性(Zhang and Yu, 2018),并在生态学(Ver Hoef et al., 2018)与公共卫生(Gao et al., 2021)中的应用日益增长。由 SAR 和 SEM 模型导出的空间依赖关系的检验与估计量发挥两种互补作用。首先,它们为评估模型假设提供诊断工具,尤其是空间独立性被违背的情形,此时残差空间自相关检验是标准做法(Anselin et al., 1996)。其次,它们构成探索性空间数据分析(ESDA)的基础,通过提供关于数据中空间依赖关系或聚集性的简单、可解释且计算开销低的概括(Anselin, 1995)。
用于概括全局空间依赖性的经典统计量是 Moran's I_M(Moran, 1950)。其吸引力在于它是二次型之比的闭式表达式。然而,大量研究已记录了它作为空间依赖参数 ρ 的估计量的缺陷:除 ρ≈0 的情形外,I_M 都可能严重有偏;在 ρ≈0 时,它在适当条件下确实构成对该参数的局部最优不变检验(Li et al., 2007)。因此,Moran's I_M 擅长检验但不擅长估计。这一局限促使人们寻找替代方法,在保留 Moran's I_M 可解释性的同时,更准确地针对空间依赖参数 ρ。
一个领先的例子是 ρ 的近似轮廓似然估计量(APLE)(Li et al., 2007),它作为 SAR 模型中 ρ 的轮廓似然得分方程的"单步"(一阶)解导出。与 Moran's I_M 类似,APLE 也是二次型之比的闭式表达式且计算简便,使其适用于 ESDA 和大规模数据集。在 spdep 等标准 R 包中已有实现。1 在高斯模型下,可以直接计算 ρ 的最大似然估计量,但那在计算上代价高昂(见 Li et al., 2007 讨论)。后续工作对 APLE 的分布性质及其扩展作了详尽研究(例如 Jin and Lee, 2012, Li et al., 2012, Reder and Müller, 2009)。
在本文中,我们主张尽管 APLE 类估计量已取得了显著进展,但当前方法论与实践者实际分析带协变量的空间回归模型的方式并不一致。在应用回归分析中,Moran's I_M 和 APLE 很少直接应用于原始结果变量。相反,它们通常在去除均值结构或去趋势后的残差上计算,或者(1)隐式地通过先中心化变量(如 Li et al., 2007),或(2)显式地在 APLE 公式中引入回归量(如 Li et al., 2012)。
换言之,尽管 APLE 是从同时涉及回归系数 β 与空间依赖参数 ρ 的完整轮廓似然推导而来,但实践中 β 首先被视为一个 nuisance 参数(通常用最小二乘估计),然后用所得残差概括空间依赖性。此外,带协变量的 APLE 类程序可能以非平凡的方式依赖于固定效应的设定方式,包括回归量的具体选择与所得的残差化算子,尽管 ESDA 概括通常旨在对这些选择保持稳定。
我们的关键洞见是:这种"对所有参数(β, ρ, σ2)的联合 ML"与"对协方差参数(ρ)的推断"之间的张力,正是 REML 在高斯线性混合模型中被设计来解决的问题(Harville, 1977, Patterson and Thompson, 1971)。REML 基于去除固定效应后的数据的线性组合来估计协方差参数,从而产生更低的偏差,且对设计矩阵 X 的参数化不敏感。在 SAR/SEM 情境下,这一视角还为主流的基于残差的 ESDA 提供了一条有原则的路径。具体而言,它允许在考虑 X 后,在残差空间中概括空间依赖性,同时保留二次型统计量的计算与解释优势。
受此启发,我们提出 RESAPLE——一种与 REML 对齐的、带协变量的 SEM 模型的闭式 ESDA 统计量。RESAPLE 由 ρ 的受限轮廓似然推导为近似单步估计量,因此从构造上自然与基于残差的做法一致。此外,RESAPLE 对 X 的重参数化具有不变性,且其在零假设下的曲率给出一个解析信息量,可用于比较候选空间权重矩阵 W 的局部信息量及其检测空间依赖性的功效。
本文余下部分组织如下:第 2 节提供我们所处理情境的背景并给出模型定义。第 3 节定义 RESAPLE 统计量并讨论其一些性质。第 4 节讨论 RESAPLE 的主要用例,即作为 ESDA 统计量。第 5 节讨论空间权重矩阵 W 的选择如何影响分析。第 6、7 节分别通过模拟研究与真实数据案例研究对本文主张进行实证验证。第 8 节为结论。
节选
模型定义与背景
我们在高斯 SEM 下工作。本节旨在设定记号并引入第 3 节中 RESAPLE 估计量定义所依赖的残差化对照。设 n∈? 表示空间单元数量,p∈{1,…,n?1} 表示协变量数量。
估计量的定义
我们现在定义 RESAPLE 估计量。构造从残差化对照 e=H?Z 的受限轮廓似然开始,其中去除了回归系数 β,并将 (ρ,σ2) 的推断基于残差空间。相应的受限似然及其轮廓化形式见附录 B,本节所有证明亦见附录 B。
为在 ρ=0 处动机化一个估计量,我们需要零假设下的受限轮廓得分。
引理 3.1 设 ?_pr(ρ;e) 表示受限轮廓
RESAPLE 在 ESDA 中的应用
在前面几节中,我们讨论了 RESAPLE 的一些基本性质,但这些结果主要作为合理性检查,表明我们提出的估计量是行为良好的。该统计量的主要用例是 ESDA,如图 1 所示。我们讨论了 RESAPLE 的三种 ESDA 用例:(i) 作为自相关检验(Moran's I_M 的替代);(ii) 构造类似 Moran's I_M 散点图的 RESAPLE 散点图;(iii) 定义 RESAPLE 的局部变体以……
W 选择的影响
贯穿全文,我们一直忽略了 W 的选择所起的重要作用。实际上,空间回归中的一个核心实际困难是,空间权重矩阵 W 很少由研究问题唯一确定。在许多应用分析中,可以设想数据分析师先从一个合理的邻域结构族出发,然后选取一个权重矩阵作为可解释性与功效之间的折中(Anselin, 1988)。我们可以形式化地将其表述为……
模拟研究
我们开展了一项模拟研究,以在受控的空间误差数据生成机制下评估 RESAPLE。模拟解决四个问题。第一,检验受限信息 I_r(0) 如何指导格点权重矩阵的选择。第二,将 RESAPLE 的偏差、标准差和 RMSE 与残差 Moran's I_M、残差 APLE、MAPLE 和 REML 进行比较。第三,评估对 H0:ρ=0 对 H1:ρ>0 检验的实测大小与功效。第四,考察在……下的稳健性。
真实数据案例研究
我们用 RESAPLE 在一个真实区域数据集上进行演示,数据集包含美国华盛顿州金县(King County)的美国人口普查区。对每个普查区,我们获取了 2019–2023 年美国社区调查(ACS)五年估计中的家庭中位收入以及普查区层面的人口和社会经济协变量,2 并将这些属性与普查区多边形合并。3
结论
本文引入了 RESAPLE——一种带协变量的高斯 SEM 中空间依赖参数的单步受限似然估计量。RESAPLE 通过二次型之比的闭式形式保留了 APLE 类统计量的计算与解释优势,同时对设计矩阵的重参数化以及正交残差基的选择具有不变性。最重要的是,它针对的正是许多应用空间统计中遇到的情形……
CRediT 作者贡献声明
Aditya Khan:概念化、方法论、软件、验证、形式分析、调查、初稿撰写、审阅与编辑、可视化。Meredith Franklin:审阅与编辑、监督、项目管理。
利益冲突声明
作者声明不存在任何可能影响本文报告工作的已知竞争性财务利益或个人关系。
致谢
Meredith Franklin 博士对本工作的贡献得到了加拿大自然科学与工程研究委员会(NSERC)RGPIN-2024-06444 的支持。
Aditya Khan | Meredith Franklin
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号