空间加性混合建模的可扩展模型选择：在犯罪分析中的应用
应用统计
2020-10-02 v2
摘要
空间开放数据集的快速增长导致对能够处理大数据中空间与非空间效应的回归方法的巨大需求。回归模型选择对于稳定估计灵活回归模型尤为重要。然而，传统方法在大数据样本下可能很慢。因此，我们开发了针对空间回归模型的快速实用模型选择方法，侧重于包括常数、空间变化和非空间变化系数在内的系数类型选择。一种预处理方法通过降维将数据矩阵替换为小的内积，极大加速了模型选择的计算速度。数值实验表明，我们的方法能准确且计算高效地选择模型，凸显了空间回归背景下模型选择的重要性。随后，将本方法应用于开放数据以调查影响日本犯罪的地方因素。结果表明，我们的方法不仅有助于选择影响犯罪风险的因素，也有助于预测犯罪事件。这种可扩展模型选择将成为大数据时代恰当设定灵活大规模空间回归模型的关键。所开发的模型选择方法已在 R 包 spmoran 中实现。
引用
@article{arxiv.2008.03551,
title = {Scalable model selection for spatial additive mixed modeling: application to crime analysis},
author = {Daisuke Murakami and Mami Kajita and Seiji Kajita},
journal= {arXiv preprint arXiv:2008.03551},
year = {2020}
}