西山晴雪的知识笔记

【摘 要】  时空数据在农业、生态和环境科学中无处不在，研究它们对于理解和预测各种过程非常重要。对随时间变化的空间过程建模的困难之一是必须描述这种过程如何变化的依赖结构的复杂性，以及高维复杂数据集和大型预测域的存在。为非线性动态时空模型 (DSTM) 指定参数化尤其具有挑战性，这些模型在科学上和计算上都非常有用。统计学家开发了深层分层模型，可以适应过程的复杂性以及预测和推断中的不确定性。然而，这些模型可能很昂贵并且通常是特定于应用程序的。另一方面，机器学习社区已经为非线性时空建模开发了替代的“深度学习”方法。这些模型很灵活，但通常不会在概率框架中实现。这两种范式有许多共同点，并提出了可以从每个框架的元素中受益的混合方法。这篇概述论文简要介绍了深度分层 DSTM (DH-DSTM) 框架和机器学习中的深度模型，最后介绍了深度神经网络动态时空模型 (DN-DSTM)，将来自 DH-DSTM 和 DN-DSTM 的要素结合起来的最新方法作为插图呈现。 【引 文】 C. K. Wikle, “Comparison of Deep Neural Networks and Deep H ...

【摘 要】 高斯过程是空间数据分析人员不可或缺的工具。然而，“大数据” 时代的到来导致传统高斯过程在计算上对现代空间数据不可行。因此，已经提出了更适合处理大空间数据的完全高斯过程的多种替代方案。这些现代方法通常利用低秩结构和/或多核和多线程计算环境来促进计算。本研究首先介绍性地概述了几种分析大型空间数据的方法。然后，阐述了由不同组实施的方法之间的预测评测结果。具体来说，每个研究组都得到了两个训练数据集（一个模拟数据集和一个观测数据集）以及一组预测位置。然后，各组实现自己的方法，并在给定位置处生成预测，每组的成果都在公共计算环境中运行。然后根据各种预测诊断对这些方法进行了比较。有关方法和代码的实现细节的补充材料可在线。 【原 文】 M. J. Heaton et al., “A Case Study Competition Among Methods for Analyzing Large Spatial Data,” Journal of Agricultural, Biological and Environmental Statistics, vol. 24, no. ...

【摘 要】 近年来，深度神经网络模型变得无处不在，并已应用于几乎所有科学、工程和工业领域。这些模型对于在空间（例如，图像）和时间（例如，序列）中具有强依赖性的数据特别有用。事实上，深度模型也被统计界广泛用于对空间和时空数据进行建模，例如，通过使用多级贝叶斯层次模型和深度高斯过程。在这篇综述中，我们首先概述了用于建模空间和时空数据的传统统计和机器学习视角，然后重点介绍了最近为隐过程、数据和参数定义开发的各种混合模型。这些混合模型将统计建模思想与深度神经网络模型相结合，以利用每种建模范式的优势。最后，我们概述了已证明对这些混合模型有用的计算技术，并简要讨论了未来的研究方向 【原 文】 K. Wikle and A. Zammit-Mangion, “Statistical Deep Learning for Spatial and Spatio-Temporal Data.” arXiv, Jun. 05, 2022. Accessed: Nov. 13, 2022. [Online]. Available: http://arxiv.org/abs/2206.02218 【作 ...

【摘要】 本文关注的重点是特征向量空间滤波方法(Eigenvectors Spatial Filtering, 特征向量空间滤波)。这是一种方法已广泛应用于地理学、区域科学、城市研究、经济学、生态学和流行病学等诸多领域的局部空间异质性建模方法。与地理加权回归方法探求回归系数背后的空间模式不同，空间滤波方法旨在检测空间数据中残差的空间模式。本文将介绍特征向量空间滤波方法的基础理论和扩展方法，并且讨论应用此方法时需要考虑和避免的问题。 【原文】 Y. Yamagata and H. Seya, Eds., Chapter 6, Spatial analysis using big data: methods and urban applications. London, United Kingdom ; San Diego, CA: Academic Press, an imprint of Elsevier, 2020. 1 简介 本文关注的重点是空间变系数模型的发展，尤其是其中的特征向量空间滤波方法(Eigenvectors Spatial Filtering, 特征向量空 ...

【摘 要】许多应用的目标是建立一套回归模型，以便在空间相关性假设下对感兴趣区域上的响应变量作出解释。在几乎所有这些工作中，回归系数都假定为在该区域内恒定。但在某些应用中，预测系数会在局部或子区域水平上有所不同，而这种情形正是本文的重点。尽管空间表面（ Surface ）的参数化建模是可能的（如多项式表面建模、样条建模等），但我们认为将其视为空间随机过程的一次实现更为自然和灵活。在本文中，我们展示了在高斯响应背景下，如何对这种建模方法进行形式化，使其能够在随机效应和残差分析方面提供更有吸引力的解释。我们还提供了广义线性模型和时空场景的扩展。文中将在单户住宅售价数据集上展示静态和动态建模和解释能力。 【参 考】 Gelfand, A. E., Kim, H.-J., Sirmans, C. F., & Banerjee, S. (2003). Spatial modeling with spatially varying coefficient processes. Journal of the American Statistical Association, 98 ...

【阅读建议】 本文重点介绍点参考空间数据的贝叶斯建模和分析方法，尤其是贝叶斯分层建模框架。点参考数据（也被称为地统计数据）主要指在固定空间位置观测到的随机变量数据。过去二十年中，此类数据在空间和时间上的收集量已经大大增加，随之而来的是分析此类数据的大量方法。本文尝试对其中的贝叶斯方法进行回顾。此类分析方法的好处是能够进行全面而准确的推断，并对不确定性进行适当评估。地统计建模的测站数据虽然比较复杂，涉及单变量和多变量、连续型和类别型、静态和动态以及大量长时间观测结果等，但在贝叶斯分层模型框架内，可以统一进行描述和阐释。本文另一亮点在于对大规模观测数据的建模问题做了综述，介绍了降秩方法（高斯预测过程模型）和近邻方法（近邻高斯过程模型）两类主要的处理策略。 【引文信息】 A. E. Gelfand and S. Banerjee, “Bayesian Modeling and Analysis of Geostatistical Data,” Annu Rev Stat Appl, vol. 4, pp. 245–266, 2017, doi: 10.1146/annurev-s ...

【摘要】 本文比较了空间异质性建模中空间变化参数模型的一些主要方法，其中包括：（1）21 世纪前提出的传统方法，包括：空间展开模型、空间自适应滤波模型和地理加权回归模型。（2）21 世纪初以来出现的一些新方法，包括：空间平滑过渡自回归模型、空间高斯过程模型、含自回归过程的随机参数模型。（3）一些通用变参数模型方法在空间异质性建模中的应用，包括：空间样条方法等。文中采用人工合成数据，以图形方式展示了不同方法之间的差异。注意：不知为何原因，本文未提及空间滤波方法。 【原文】 D. M. Lambert, “Old and new approaches for spatially varying coefficient models,” Review of Regional Studies, vol. 51, no. 2, pp. 113–128, 2021, doi: 10.52324/001c.27969. 《空间回归模型综述》 一文对面元数据的空间回归模型进行了综述，总体分为全局空间回归模型和局部空间回归模型，文中也谈到全局空间回归模型重点讨论邻近的目标变量、因变量、以及 ...

【摘 要】 在过去的二十年里，越来越多的注意力集中在局部形式的空间分析上，无论是在描述性统计还是空间建模方面，我们称之为 “局部化思维”。局部化思维的基础在于：全局空间分析方法可能不适用，并且待测量的条件关系存在随空间变化的情况。本文不仅研究了局部化思维对空间过程建模的影响，而且更广泛地考察了人们对空间行为的理解。我们首先简要调查了局部统计建模的原因；然后描述一种局部建模框架（多尺度地理加权回归），以展示局部模型中的基本概念和此类模型的输出类型；之后，我们研究了局部方法对统计分析的影响，重点是局部模型与空间回归模型相比的作用、局部模型的诊断、局部方法如何与困扰空间分析数十年的空间尺度问题相关联等问题；最后，我们将注意力转向空间局部建模方法对社会的影响，讨论了可复制性以及如何使用空间局部模型来测量以前无法测量的基于地点的效应。文中通过一个房价影响因素的实例来证明在整篇论文中提出的问题。 【原 文】 A. S. Fotheringham and M. Sachdeva, Spatial Statistics, vol. 50, p. 100601, 2022, doi: 10 ...

空间回归模型概述 【摘要】 空间回归模型是按照空间区位研究变量之间关系的主要数学工具。根据回归模型是否存在空间同质特征（或反之空间异质性），通常可以将空间回归模型划分为 全局空间回归模型 和 局部空间回归模型。 【原文】 自编 【作者】 濮国梁，北京大学 1 概述 p{text-indent:2em} 空间回归模型是按照空间区位研究变量之间关系的主要数学工具之一。根据空间回归模型是否同质（或反之是否异质，可以简单理解为模型参数是否会随空间位置变化而变化 ），可以将空间回归模型划分为 全局空间回归模型 和 局部空间回归模型。其中： 全局空间回归模型以空间依赖性研究为主体，主要探究的是不同变量、误差项之间的空间交互效应； 局部回归模型则相对复杂，它不仅要研究变量、误差项之间的空间交互效应，还要研究模型本身（ 通常指 模型结构 和 模型参数 ）的空间变化规律，探究的重点是 空间异质性。 flowchart LR A[空间回归模型]---B{变系数检验} B---|否|C01[全局空间回归] B---|是|C02[局部空间回归] C01---D ...

摘 要 参 考 1 概述 空间回归模型是按照空间区位研究变量之间关系的主要数学工具之一。根据空间回归模型是否同质（或反之是否异质，可以简单理解为模型参数是否会随空间位置变化而变化 ），可以将空间回归模型划分为 全局空间回归模型 和 局部空间回归模型。其中： 全局空间回归模型以 空间依赖性 研究为主体，主要探究的是不同变量、误差项之间存在的空间交互效应； 局部回归模型则相对复杂，它不仅要研究变量、误差项之间的空间交互效应，还要研究模型本身（ 通常指 模型结构 和 模型参数 ）的空间变化规律，探究的重点是 空间异质性。 flowchart LR A[空间回归模型]---B{变系数检验} B---|否|C01[全局空间回归] B---|是|C02[局部空间回归] C01---D01[空间滞后模型] C01---D02[空间误差模型] C01---D03[空间杜宾模型] C01---D05[其他模型...] D01---F01[模型参数不随空间位置变化] D01---F01 D02---F01 D03---F01 ...