面向大型数据集的特征向量空间滤波：固定效应与随机效应方法
统计方法学
2018-04-23 v2
摘要
特征向量空间滤波（ESF）是一种空间建模方法，已应用于城市与区域研究、生态研究等领域。然而，其计算需求大，可能不适合大型数据建模。本研究的目的是开发能够处理超大样本的快速 ESF 和随机效应 ESF（RE-ESF）。为此，我们加速了导致 ESF 和 RE-ESF 缓慢的特征值分解和参数估计过程。前者通过利用 Nystrom 扩展进行加速，而后者则通过小矩阵技巧加速。由此产生的快速 ESF 和快速 RE-ESF 在 Monte Carlo 模拟实验中与非近似的 ESF 和 RE-ESF 进行了比较。结果表明，虽然 ESF 和 RE-ESF 在处理数千个样本时速度缓慢，但快速 ESF 和 RE-ESF 处理这些样本仅需几秒钟。结果还表明，当考虑的特征向量数量为200或更多时，所提方法能有效消除残差中的正空间依赖性，且近似误差极小。需要注意的是，这些方法无法处理负空间依赖性。所提方法已在 R 包 "spmoran" 中实现。
关键词
引用
@article{arxiv.1702.06220,
title = {Eigenvector spatial filtering for large data sets: fixed and random effects approaches},
author = {Daisuke Murakami and Daniel A. Griffith},
journal= {arXiv preprint arXiv:1702.06220},
year = {2018}
}