面向大数据集的空间变系数建模：从空间回归中消除 N
统计方法学
2018-07-26 v1 其他统计学
摘要
尽管空间变系数（SVC）建模在应用科学中很流行，其计算负担却很重。若考虑 SVC 的多尺度特性则尤为如此。在此背景下，本研究发展了一种基于 Moran 特征向量的空间变系数（M-SVC）建模方法，可计算高效地估计多尺度 SVC。该估计通过（i）秩约简、（ii）预压缩与（iii）序贯似然最大化得以加速。步骤（i）与（ii）从似然函数中消除样本量 N；经这些步骤后，似然最大化代价与 N 无关。步骤（iii）进一步加速似然最大化，使得即便 SVC 个数 K 很大时也能估计多尺度 SVC。M-SVC 方法通过蒙特卡洛模拟实验与地理加权回归（GWR）进行比较。这些模拟结果表明，当 N 较大时我们的方法远快于 GWR，尽管其数值估计 2K 个参数而 GWR 仅数值估计 1 个参数。随后，所提方法作为示例应用于地价分析。所发展的 SVC 估计方法已在 R 包“spmoran”中实现。
引用
@article{arxiv.1807.09681,
title = {Spatially varying coefficient modeling for large datasets: Eliminating N from spatial regressions},
author = {Daisuke Murakami and Daniel A. Griffith},
journal= {arXiv preprint arXiv:1807.09681},
year = {2018}
}