线性回归模型中空间变化边界的检测

《Journal of Statistical Planning and Inference》:Detection of spatial change boundaries in linear regression models

【字体: 大 中 小 】 时间:2026年09月24日 来源:Journal of Statistical Planning and Inference 1.1

编辑推荐:

   •三种基于残差的方法用于检测线性回归中的空间变化边界。•空间排序与局部块差异实现面向边界的检测。•在规则格点空间相依条件下建立渐近理论。•不规则抽样模拟比较Point Wombling与SCC-MST方法。•所提方法在不同边界几何形态下展现互补优势。引言空间异质性是空间数据的

  
  • •
    三种基于残差的方法用于检测线性回归中的空间变化边界。
  • •
    空间排序与局部块差异实现面向边界的检测。
  • •
    在规则格点空间相依条件下建立渐近理论。
  • •
    不规则抽样模拟比较Point Wombling与SCC-MST方法。
  • •
    所提方法在不同边界几何形态下展现互补优势。

引言

空间异质性是空间数据的基本特征(Haining, 2003)。在空间回归设置中,它可能表现为回归系数在地理界面上的急剧变化。此类结构变异对环境监测和经济分区具有重要 implications(Brunsdon et al., 1996; Cho et al., 2007; Luo and Wei, 2009)。因此,一项重要任务是识别分隔由不同回归关系支配区域的空间变化边界,并刻画这些边界所诱发的异质区域。这一问题的挑战性在于,空间观测值可能是相依且分布不规则的,而空间位置并不具备自然的一维排序。
变点检测方法是分析时序(Gombay and Horváth, 1994; Andrews, 1993; Bai, 1999)、空间(Bucchia and Heuser, 2015; Otto and Schmid, 2016; Chan et al., 2022)以及时空过程(Ninomiya and Yoshimoto, 2008; Grimshaw et al., 2013; Otto and Steinert, 2023)中结构变化的成熟工具。时序设置下已发展出严谨的理论框架(Cs?rg? and Horváth, 1997; Horváth and Rice, 2024),并有多项研究探讨了回归模型中的时序变化(Brown et al., 1975; Andrews et al., 1996; Bai, 1997)。线性回归模型方面的最新进展包括:Horváth et al. (2017)提出的基于残差的检验统计量,Perron et al. (2020)提出的回归系数与方差同时变化的似然方法,Horváth et al. (2020)提出的加权和修剪累积和(CUSUM)方法,Horváth et al. (2021)提出的异方差条件下检测早期或晚期变化的基于残差的方法,以及Horváth et al. (2023)提出的残差CUSUM过程加权泛函的渐近结果。这些研究为回归变点分析提供了重要的方法基础。然而,空间数据缺乏自然排序,阻碍了常规一维变点方法的直接应用,因此需要对观测值进行额外的空间组织。
空间边界检测问题出现在多个领域,包括医学影像中的肿瘤检测(Otto and Schmid, 2016)、流行病学中的疾病簇识别(Kulldorff and Nagarwalla, 1995)以及图像处理中的边缘估计(Tsybakov, 1994)。这些方法解决了重要的空间边界检测形式,但它们是针对不同数据结构与推断目标开发的,而非空间变化的回归系数。一些方法借鉴时间序列分析技术来检测变点:Müller and Song (1994) 使用基于候选边界的CUSUM型统计量估计分隔同质区域的变化曲线,但其方法在处理超过两个区域时面临局限。Chan et al. (2022) 基于块差异度量针对空间趋势模型开发了空间变点检测框架;然而,该框架并非针对线性回归系数的变化而构建。Gao and Li (2026) 的相关近期工作研究了非参数回归模型中的空间变点检测,但未直接处理线性回归系数场中的空间变化边界。据我们所知,用于检测线性回归系数空间变化并勾勒由此产生的异质区域的系统方法仍然有限。
经典空间边界检测旨在识别空间过程发生急剧变化的位置。Wombling通过局部空间梯度来检测此类边界,并已被广泛用于划定空间快速变化的区域(Womble, 1951; Barbujani et al., 1989)。在回归设置中,空间异质性也可以通过直接估计特定位置的回归系数来研究。具体而言,Li and Sang (2019) 提出了一种空间聚类系数回归方法,通过基于最小生成树的融合惩罚纳入空间邻域信息,以恢复空间上同质的系数区域。这两种方法分别代表了与本文问题相关的不同视角:局部梯度边界检测以及惩罚空间系数聚类。
基于上述讨论,本研究开发了三种基于残差的方法,用于检测线性回归模型中的空间变化边界。空间路径扫描方法(S方法)对由空间路径诱导的残差序列应用CUSUM统计量,并将检测到的所有一维分割位置映射回空间坐标。局部块差异方法(B方法),将Chan et al. (2022) 提出的局部块差异思想扩展到线性回归设置,通过比较相邻空间块的残差均值来识别局部边界位置。集成条带扫描方法(H方法)将相邻的格点行分组为条带,按行顺序对每个条带内的观测值进行排序,并对所得有序序列应用基于残差的CUSUM检测。三种方法均在规则格点框架下建立了渐近理论。文中还考虑了针对不规则抽样观测值的计算扩展,并通过模拟实验进行评估。数值结果表明,所提方法的相对性能在不同边界配置与抽样设计下有所差异。
本文其余部分组织如下。第2节介绍所提出的三种方法,并在规则格点框架下建立其渐近性质。第3节在规则格点与不规则抽样设计下评估其有限样本性能,并将所提方法与两种基准方法进行对比。第4节展示波士顿房价数据的实际应用,第5节总结全文。详细证明与补充模拟结果见附录。

章节摘要

方法论与理论性质

本节提供第1节所介绍的三种方法的正式定义与理论性质。图1给出了S方法、B方法与H方法底层空间组织的示意图。渐近结果在规则格点框架下建立,而不规则抽样位置作为计算扩展另行处理。

模拟研究

本节开展模拟研究,检验S方法、B方法与H方法在规则格点及不规则抽样设计下,用于检测线性回归模型中空间变化边界的优劣势。对于S方法与H方法,主要结果采用固定阈值实现获得,而基于BIC的额外实现在单独进行的敏感性分析中考察。为将所提方法与代表性

真实数据应用

为说明所提方法在真实空间数据中的应用,我们将B方法与H方法应用于波士顿房价数据。该数据的观测值在研究区域内呈不规则分布,并将所得空间边界模式与Point Wombling及SCC-MST获得的结果进行比较。S方法未纳入真实数据对比,因为其不规则抽样实现需要额外构建等计数伪行。因此该应用

结论

本文开发了三种基于残差的方法,用于检测线性回归模型中的空间变化边界。S方法引入空间排序,并对所诱导的一维残差序列应用经典CUSUM原理;B方法通过相邻块差异度量检测局部边界结构;H方法将条带式空间排序与基于残差的CUSUM检测相结合。渐近结果在规则格点

致谢

本研究受国家自然科学基金委社会科学基金资助(项目编号:23BTJ048)。作者衷心感谢审稿人的宝贵意见和建设性建议,这些意见与建议使稿件得到了显著改进。
Shijie Gao|Yunxia Li
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    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