186. Bayesci alansal model: Leroux CAR, BYM ve içsel CAR
Şablon kimliği: alansal_bayes_car · Kategori: uzamsal · Dil: R · Dosya: pro/sablonlar/uzamsal/alansal_bayes_car.R (satır 1–295; üstbilgi 1–144) · Örnek veri: _ornek/glasgow_konut.csv · Paketler: CARBayes 6.1.1 (R 4.5.3)
186.1 Ne işe yarar
Şablon, il, ilçe ya da mahalle gibi alan düzeyinde ölçülen bir yanıtı (sayım, başarı sayısı ya da sürekli değer) ortak değişkenlere ve komşu alanların birbirine benzemesini modelleyen rastgele etkilere bağlar. Kestirim Bayesci yapılır: sonsal dağılım MCMC ile örneklenir ve her parametre için sonsal ortalama ile %95 güvenilir aralık verilir. En sık kullanımı hastalık haritalamadır: beklenen sayıya göre göreli riski komşu alanların bilgisini ödünç alarak düzgünleştirmek.
- y_i: i. alanın yanıtı; i=1,\dots,K (K alan sayısı).
- g: bağlantı; Poisson'da \log, binomda \mathrm{logit}, Gauss'ta özdeşlik.
- \mathbf x_i^{\top}\boldsymbol\beta: ortak değişkenlerin doğrusal etkisi (kesişim dahil).
- \phi_i: uzamsal olarak yapılandırılmış rastgele etki; komşu alanların etkileri birbirine benzer.
- o_i: Poisson'da \log E_i (E_i beklenen sayı) ötelemesi; öteki ailelerde yoktur.
- \tau^2: rastgele etki varyansı; \mathbf Q(\rho): komşuluk matrisinden kurulan duyarlık matrisi (186.4).
Ne zaman kullanılır?
- Gözlem birimleri noktalar değil, sınırları olan alanlarsa ve komşuluk ilişkisi tanımlıysa.
- Sayım verisinden (beklenen sayı biliniyorsa) göreli riski komşu bilgisiyle düzgünleştirmek isteniyorsa (SMR düzgünleştirme).
- Alan düzeyinde bir regresyonda artıkların uzamsal özilişkisi sorun oluyorsa ve bunu rastgele etkiyle modellemek isteniyorsa.
Ne zaman kullanılmaz?
- Veri nokta konumlarına dayanıyor ve uzaklık işleviyle ilişki aranıyorsa (jeoistatistik): Bölüm 187
es_kriging, Bölüm 188kosullu_benzetim. - Uzamsal olarak değişen katsayılar isteniyorsa: Bölüm 189
mgwr. - Bir yanıtın kendisinin uzamsal gecikmesi ya da hata özilişkisi modelleniyorsa (en çok olabilirlik): Bölüm 191
sac_slx_gns. - Yineleyen ölçümler ve zaman boyutu varsa: Bölüm 192
uzamsal_panel, Bölüm 193uzay_zaman_kriging. - Komşuluğu olmayan, bağımsız gruplar varsa: karma modeller (Bölüm 19
glmer_ileri).
Temel programla ilişki. Temel programda Bayesci alansal model ve komşuluk matrisi yoktur; yakın analiz sıradan en küçük kareler regresyonu ve Moran I ile artık özilişkisinin sınanmasıdır. Bu şablon artık özilişkisini sınamaz; modele rastgele etki olarak katar.
186.2 Şablonun girdileri
Form, üstbilgideki 19 [[param]] bloğundan kurulur (alansal_bayes_car.R:11–143). Türlerin anlamı ve ortak denetim Bölüm 1.2'dedir. y, beklenen, deneme, x_koord ve y_koord sayısal rollerdir: Veri sekmesinde türü "kategorik" olan bir sütun bu alanlara atandığında değerleri sayı olarak aktarılır (Bölüm 1.3). x alanı sutunlar türündedir ve sayisal = true yoktur: sayısal sütun sayı, kategorik sütun etken olarak işlenir.
| Alan (form etiketi) · ad | Tür · sekme | Varsayılan | Geçerli değerler | Kodda etkisi |
|---|---|---|---|---|
Yanıt · y |
sayısal sütun · Değişkenler | — | sayısal sütun | Yanıt (11–15, 165–168). |
Ortak değişkenler · x |
sütunlar · Değişkenler | boş | herhangi sütun | Model matrisi; kategorik olanlar gösterge olur (16–21, 157, 202–213). |
Yanıt dağılımı · aile |
seçim · Model | poisson |
poisson, binomial, gaussian |
family (22–28, 221). |
Rastgele etki modeli · model |
seçim · Model | leroux |
leroux, bym, icar, bagimsiz |
S.CARleroux ya da S.CARbym; icar: \rho=1, bagimsiz: \rho=0 (29–35, 228–230). |
Beklenen sayı · beklenen |
sayısal sütun (isteğe bağlı) | boş | pozitif | Poisson ötelemesi \log E_i (36–41, 153, 211). |
Deneme sayısı · deneme |
sayısal sütun (isteğe bağlı) | boş | pozitif, \ge y | Binom trials (42–47, 153, 222). |
Alan kimliği · kimlik |
sütun · Değişkenler | — | benzersiz | Komşu kimliklerinin eşleştiği anahtar (48–52, 163–164). |
Komşu kimlikleri · komsular |
sütun (isteğe bağlı) | boş | ; ya da , ile ayrılmış kimlikler |
Komşuluk matrisi (53–58, 174–188). |
X ve Y koordinatı · x_koord, y_koord |
sayısal sütun (isteğe bağlı) | boş | sonlu | Komşu sütunu yoksa k en yakın komşu; harita (59–70, 190–197, 273–276). |
k en yakın komşu · k |
tamsayı · Seçenekler | 5 | 1–30 | Yalnız koordinatla (71–78, 192). |
Isınma · burnin |
tamsayı · Seçenekler | 20000 | 100–1 000 000 | Atılan yineleme (79–86, 216). |
Toplam yineleme · n_ornek |
tamsayı · Seçenekler | 100000 | 200–5 000 000 | Isınma dahil (87–94, 217). |
İnceltme · inceltme |
tamsayı · Seçenekler | 10 | 1–1000 | Her inceltme. örnek saklanır (95–102, 218). |
Tohum · tohum |
tamsayı · Gelişmiş | 1 | 0–2 147 483 647 | 0 ise çalıştırmanın tohumu; set.seed (103–110, 229–230). |
β önsel varyansı · beta_onsel_var |
ondalık · Gelişmiş | 100000 | 0,001–10^{12} | prior.var.beta (111–119, 223–224). |
\tau^2 önseli: a · tau2_a; b · tau2_b |
ondalık · Gelişmiş | 1; 0,01 | 0,0001–1000; 10^{-6}–1000 | prior.tau2; BYM'de prior.sigma2 (120–136, 225–226). |
MALA · mala |
onay · Gelişmiş | açık | — | Poisson/binomda MALA ya da rastgele yürüyüş (137–143, 227). |
Şablonun kendi denetimleri (mq_hata):
| Koşul | İleti (özet) | Satır |
|---|---|---|
| Veri açık değil | "Önce Veri sekmesinde bir veri açın." | 148 |
| Binom ve deneme sütunu yok | "Binom ailesi için deneme sayısı sütununu seçin." | 154 |
| BYM ve Gauss | "BYM modeli yalnız Poisson ve binom ailesinde kullanılabilir; Leroux seçin." | 155 |
| Komşu sütunu ve koordinat yok | "Komşuluk için ya komşu kimlikleri sütununu ya da X ve Y koordinatlarını seçin." | 156 |
| Eksiksiz alan sayısı <10 | "En az 10 eksiksiz alan gerekli." | 162 |
| Alan kimliği yinelenir | "Alan kimliği benzersiz olmalı (alan başına bir satır)." | 164 |
| Yanıt sayısal değil ya da sabit | "Yanıt sayısal olmalı." / "Yanıt sabit." | 166–167 |
| Poisson/binom yanıtı negatif ya da tamsayı değil | "…negatif olmayan tamsayı olmalı." | 168 |
| Beklenen sayı \le 0 | "Beklenen sayılar pozitif olmalı." | 169 |
| Deneme \le 0 ya da < başarı | "Deneme sayısı pozitif ve başarı sayısından küçük olmamalı." | 170 |
| Komşusuz alan (ada) | "N alanın hiç komşusu yok (ada)…" | 198 |
| Koordinatlar sonlu değil | "Koordinatlar sonlu sayılar olmalı." | 191 |
| Ortak değişken sabit ya da tek düzeyli | "'…' sabit (tek düzeyli); ortak değişkenlerden çıkarın." | 206 |
| Ortak değişkenler doğrusal bağımlı | "Ortak değişkenler doğrusal bağımlı; bir değişkeni çıkarın." | 214 |
| K\le p+2 | "Alan sayısı parametre sayısına göre çok az." | 215 |
| Toplam yineleme \le ısınma | "Toplam yineleme sayısı ısınmadan büyük olmalı." | 217 |
| İnceltme sonrası <100 örnek | "İnceltme sonrası en az 100 sonsal örnek kalmalı." | 218 |
| CARBayes hatası | "Model kurulamadı: …" (İngilizce paket iletisi) | 233 |
Yanıt, ortak değişken, beklenen sayı ya da deneme sütunlarında eksik değeri olan satırlar atılır (160–168); atılan alanların sayısı ve kimlikleri (en çok 10) "N alan eksik değer nedeniyle atıldı" notuyla yazılır; alanların %10'undan fazlası atılırsa uyarı eklenir. x içinde seçilen yanıt, kimlik, komşu, beklenen/deneme ve koordinat sütunları sessizce çıkarılır (157). Tohum: şablonun kendi tohum alanı (varsayılan 1) MCMC'den hemen önce set.seed ile tohumlama yapar (229–230); alan 0 (ya da boş) bırakılırsa Kod panelindeki Tohum (çalıştırmanın tohumu) kullanılır (Bölüm 1.3). Aynı veri, ayar ve tohumla sonuç yinelenir.
Örnek ayar (ornek_param, satır 9): y = logprice, x = crime, rooms, sales, type, driveshop, aile = gaussian, model = leroux, kimlik = IZ, komsular = komsular, x_koord = easting, y_koord = northing, burnin = 20000, n_ornek = 100000, inceltme = 10.
186.3 Örnek veri
glasgow_konut.csv, Glasgow şehrinin 270 veri bölgesine (IZ) ait konut fiyatı verisidir (CARBayes belgelerinin örneği; Lee, 2013). Her satır bir alandır; eksik değer yoktur. komsular sütunu her alanın ortak sınırı olan alanların kimliklerini ; ile ayırır.
| Değişken | Rol | Tür (veri sekmesinin algıladığı) | Özet |
|---|---|---|---|
IZ |
alan kimliği | metin | 270 benzersiz kimlik |
logprice |
yanıt | sayısal | ort. 4,8363; sd 0,3580 |
crime |
ortak değişken | sayısal | ort. 555,11; sd 333,73 |
rooms |
ortak değişken | sayısal | ort. 3,6815; sd 0,7281 |
sales |
ortak değişken | sayısal | ort. 70,88; sd 40,71 |
type |
ortak değişken | kategorik | flat 183, semi 36, detached 31, terrace 20 |
driveshop |
ortak değişken | sayısal | ort. 1,5343; sd 1,0542 |
easting, northing |
koordinat | sayısal | metre; 221 241–270 776 ve 649 611–685 216 |
komsular |
komşu kimlikleri | metin | ortalama 5,24 komşu |
Düzey sırası. type ilk görülme sırasıyla flat, semi, detached, terrace olur (Bölüm 1.3); ilk düzey flat başvurudur ve tabloda type:semi, type:detached, type:terrace satırları başvuruya göre farktır. Başka bir satır sırası başvuru düzeyini değiştirir ve katsayıların işareti ile büyüklüğü buna göre değişir; kestirilen değerler değişmez.
Komşuluk grafiği iki bağlı bileşenden oluşur (270 alandan bir küme ötekilerden ayrık). Poisson ve binom örnekleri bu bölümde ayrıca üretilmiştir (dogrulama/alansal_bayes_car/veri_uret.py): aynı komşuluk üzerinde, beklenen sayı E_i\in[8;60] olan ve gerçek \beta_1=0{,}30 olan Poisson sayımı (poisson.csv, toplam 9159 olay, \sum E_i=8738{,}2) ve gerçek kesişimi -1, eğimi 0{,}5 olan binom verisi (binom.csv).
Bu bölümde kullanılan çalıştırmalar (q1_car_…; adı geçen dışında ayarlar varsayılandır): ornek, ornek_s2 (tohum = 2); panel5, panel7 (25 000 yineleme; Kod paneli tohumu 5 ve 7); koord (komşu sütunu boş, k=5), derece (derece benzeri koordinat, k=4); icar, bagimsiz (Gauss); pois_leroux, pois_bym, pois_icar, pois_ofsetsiz, pois_onsel (60 000 yineleme); binom; eksik, asimetrik, komsu_yok, ad_cakisma, kisa ve hata çalıştırmaları (h_*).
186.4 Yöntem: formüller ve hesap adımları
Hesap sırası: veri hazırlanır, eksik satırlar atılır, kimlik ve yanıt denetlenir (158–170); komşuluk matrisi \mathbf W kurulur ve adalar sayılır (172–200); ortak değişkenler etkene çevrilir, model matrisi kurulur (202–215); MCMC ayarları denetlenir (216–218); tohum, önseller ve S.CARleroux ya da S.CARbym çağrılır (220–235); sonsal özet, model uyumu ve alan tabloları yazılır (236–264); uyarılar yazılır, harita çizilir (265–282).
186.4.1 Komşuluk matrisi
- w_{ij}: ikili komşuluk göstergesi; köşegen sıfırdır (alan kendi komşusu sayılmaz, 181).
- d_i: i. alanın komşu sayısı; \mathbf D=\mathrm{diag}(d_i).
Komşu sütunu verilmişse her hücre ; ya da , ile bölünür ve kimlikler ids ile eşlenir (177–182); bulunamayan kimlikler sayılır ve atlanır (186); tek yönlü komşuluklar \max(\mathbf W,\mathbf W^{\top}) ile simetrikleştirilir ve sayısı yazılır (184–187). Sütun yoksa her alana Öklid uzaklığına göre en yakın k alan komşu yapılır ve ağ simetrikleştirilir (190–196); bu yüzden ortalama komşu sayısı k'dan büyük olur. Matris satır standardize edilmez: CARBayes \mathbf W'yi ikili olarak ister ve duyarlığı \mathbf D-\mathbf W ile kurar. Komşusu olmayan alan varsa çalıştırma durur (198). Bağlı bileşen sayısı genişlik öncelikli taramayla bulunur (199–200).
Koddaki tercih
\mathbf W ikili ve simetriktir, satır toplamı d_i'dir. Satır standardizasyonu (her satırın 1'e toplanması) uygulanmaz; ayrıca CARBayes çağrısı mat2listw(W, style = "B") ile uyarı üretir ("neighbour object has 2 sub-graphs"). Bağlantısız bileşenler Leroux modelinde (\rho<1) sorun çıkarmaz; içsel CAR'da her bileşende ayrı bir kesişim kalır ve model bileşen başına kısıtlanır.
186.4.2 Rastgele etki modelleri
Leroux (Leroux ve ark., 2000): duyarlık matrisi içsel CAR (\mathbf D-\mathbf W) ile bağımsız etkinin (\mathbf I) karışımıdır.
- \rho: uzamsal bağımlılık; \rho=0 bağımsız etkiler, \rho=1 içsel CAR.
- \mathbf D-\mathbf W: çizge Laplace matrisi; her bağlı bileşen için bir sıfır özdeğeri vardır.
icar seçeneği \rho=1 (229), bagimsiz \rho=0 (230) olarak sabitler; ikisi de S.CARleroux'u kullanır. BYM modeli (Besag ve ark., 1991) iki etkiyi toplar: \phi_i=\theta_i+\psi_i; \boldsymbol\theta içsel CAR (\tau^2), \boldsymbol\psi\sim\mathrm N(\mathbf 0,\sigma^2\mathbf I) bağımsız etkidir. Yalnız Poisson ve binomda kullanılır (155).
Önseller (CARBayes varsayılanı): \beta_k\sim\mathrm N(0{,}10^5); \tau^2\sim\mathrm{IG}(1;\,0{,}01); Gauss'ta hata varyansı \nu^2\sim\mathrm{IG}(1;\,0{,}01); BYM'de \sigma^2\sim\mathrm{IG}(1;\,0{,}01); \rho\sim\mathrm U(0;1). Form beta_onsel_var ile \beta varyansını, tau2_a/tau2_b ile \tau^2 (ve BYM'de \sigma^2) önselini değiştirir; \nu^2 önseli formda yoktur (bulgular B8). Bağlantıya göre olabilirlik: Gauss y_i\sim\mathrm N(\mathbf x_i^{\top}\boldsymbol\beta+\phi_i,\nu^2); Poisson y_i\sim\mathrm{Poisson}(E_i\,e^{\mathbf x_i^{\top}\boldsymbol\beta+\phi_i}); binom y_i\sim\mathrm{Binom}(n_i,\ \mathrm{logit}^{-1}(\mathbf x_i^{\top}\boldsymbol\beta+\phi_i)).
Neden Leroux varsayılan
Leroux modeli bağımlılığı tek bir \rho'yla veriden öğrenir: veri uzamsal yapı taşımıyorsa \rho\to0, güçlü uzamsal yapı varsa \rho\to1 olur. BYM ise iki varyansı (\tau^2,\sigma^2) ayrı kestirir ve uzamsal payın yorumu ikisinin oranına bağlıdır. İçsel CAR bağımlılığı en güçlü varsayar (\rho=1) ve bağlantısız grafta bileşen başına kesişim belirsizliği bırakır.
186.4.3 MCMC ve model uyumu
Gauss ailesinde \boldsymbol\beta, \boldsymbol\phi, \nu^2 ve \tau^2 Gibbs adımlarıyla, \rho Metropolis–Hastings adımıyla güncellenir. Poisson ve binomda \boldsymbol\beta ve \phi_i için Metropolis adımı kullanılır; mala = TRUE ise öneri Langevin dinamiğinden (Metropolis ayarlı Langevin algoritması; Roberts ve Rosenthal, 1998), değilse rastgele yürüyüştür (227). Kabul oranı tabloda kabul_yuzde olarak çıkar; Gauss'ta \beta için %100'dür (Gibbs). İlk burnin yineleme atılır ve kalanın her inceltme. değeri saklanır: S=\lfloor(n_{\text{ornek}}-n_{\text{burnin}})/n_{\text{inceltme}}\rfloor sonsal örnek (216–218, 262–264).
Etkin örneklem büyüklüğü ve Geweke. etkin_orneklem sonsal örneğin otokorelasyonuna göre bağımsız örnek eşdeğeridir; Geweke zincirin ilk %10'u ile son %50'sinin ortalamalarını karşılaştıran standart normal istatistiğidir (Geweke, 1992); |z|>2{,}5 ise şablon uyarı yazar ve sorunlu parametrelerin adlarını sayar (275–280). Etkin örneklem 400'ün altında kalan parametreler de adlarıyla uyarılır. Şablon tek zincir çalıştırır; Rhat hesaplanmaz ve uyarı bunu söyler.
Model uyumu. Sapma D(\theta)=-2\ln p(\mathbf y\mid\theta) olmak üzere
- \overline{D}: sonsal ortalama sapma; D(\bar\theta): sonsal ortalamada sapma.
- p_D: etkin parametre sayısı; tabloda
p.d.
DIC için Spiegelhalter ve ark. (2002) tanımı kullanılır. WAIC ve p.w Watanabe'nin ölçüsü ve etkin parametre sayısıdır; LMPL birini dışarıda bırakan günlük marjinal yalancı olabilirliktir (büyük değer iyi); loglikelihood sonsal ortalamada günlük olabilirliktir (252–255). Küçük DIC/WAIC daha iyi uyumu ve daha az karmaşıklığı gösterir; yalnız aynı veri ve aynı yanıt üzerinde karşılaştırılır.
Alan başına değerler. kestirilen sonsal ortalama uyum değeridir; Poisson'da ötelemeyle birlikte beklenen sayıdır ve göreli risk \widehat{\mathrm{RR}}_i=\widehat\mu_i/E_i, ham \mathrm{SMR}_i=y_i/E_i ile karşılaştırılır (256–261). RR komşularla düzgünleştirilmiş, SMR ham orandır.
186.5 Kod adım adım
| Satırlar | Ne yapar | Neden / dikkat |
|---|---|---|
| 1–144 | Üstbilgi: 19 parametre. | Yan dosyalar (çeviri, tablo adı eşlemesi) kitap dışıdır (Bölüm 1.1). |
| 145–168 | Dil yardımcısı, CARBayes yüklenir; boş değer yardımcısı bos; ek sütun (ek: Poisson'da beklenen, binomda deneme) seçimi; ön denetimler; eksik satırlar atılır. |
x içinden rol sütunları çıkarılır (157). Atılan alanlar bildirilir. |
| 169–181 | Kimlik benzersizliği, yanıt türü, sabitlik, tamsayı ve pozitiflik denetimleri. | Poisson/binomda yanıt sayım olmalıdır. |
| 182–209 | \mathbf W: komşu sütunundan ya da kNN; simetrikleştirme; ada denetimi; bağlı bileşen sayısı. | Komşuluk ikilidir, satır standardize edilmez. |
| 211–224 | Metin ve mantıksal sütunlar etkene çevrilir, kullanılmayan düzeyler atılır; formül ve model matrisi; öteleme; kural: sabit değişken, rank ve K>p+2 denetimi. | Etken düzey sırası Bölüm 1.3'e göredir. |
| 225–227 | MCMC ayar denetimi. | En az 100 sonsal örnek. |
| 229–245 | Tohum, argüman listesi, önseller, MALA, işlev seçimi, çağrı; uyarılar toplanır. | prior.var.beta yalnız varsayılandan farklıysa verilir (234). |
| 246–265 | Sonsal özet tablosu; faktör düzeyi adı yeniden yazılır; sonsal SS; model uyumu tablosu. | Etiket dönüşümü bir adın başındaki etken adını değiştirir (B4). |
| 266–274 | Alan tablosu (RR, SMR); özet satırı. | Poisson ve beklenen sütunu varsa RR yazılır. |
| 275–280 | Bileşen notu, Geweke uyarısı, paket uyarıları. | Bileşen notu yalnız içsel CAR modelinde yazılır; paket iletileri "CARBayes/spdep iletisi, İngilizce" ön ekiyle verilir. |
| 282–294 | Harita benzeri şekil: koordinat varsa alan merkezleri 9 niceliğe boyalı; yoksa gözlenen–kestirilen. | Gerçek sınır yoktur; yalnız merkezler. |
Süre: örnek ayarda (100 000 yineleme) 57 s; Poisson (60 000) 41 s; binom 45 s.
186.6 Elle hesap: örnek veride bağımsız yeniden hesap
Bağımsız hesaplar dogrulama/alansal_bayes_car/elle_hesap.py (numpy; CARBayes çağrılmaz) ve r_dogrulama.R (W elle kurulur, CARBayes şablon sarmalayıcısı olmadan çağrılır) ile yapılmıştır.
Adım 1 — Komşuluk. Komşu kimlikleri sütunundan \mathbf W kurulur ve simetrikleştirilir: 270 alan, ortalama komşu sayısı 5{,}2444 (toplam \sum d_i=1416), 2 bağlı bileşen. Şablonun tablosuyla ve R ile aynıdır.
Adım 2 — Gauss Leroux için bağımsız Gibbs örnekleyici. Aynı model ve önsellerle (\beta\sim\mathrm N(0{,}10^5); \tau^2,\nu^2\sim\mathrm{IG}(1;0{,}01); \rho ızgara üzerinde \mathrm U(0;1)) blok Gibbs örnekleyicisi yazılmıştır: (\boldsymbol\beta,\boldsymbol\phi) birlikte çok değişkenli normalden, \nu^2 ve \tau^2 ters gamadan, \rho ise koşullu yoğunluğu
- \lambda_k: \mathbf D-\mathbf W'nin özdeğerleri; \prod_k(\rho\lambda_k+1-\rho)=|\mathbf Q(\rho)|.
ile 1000 noktalı ızgarada çekilir. 3000 ısınma ve 15 000 örnek: kesişim 3,8379 (şablon 3,8397), rooms 0,2335 (0,2336), sales 0,0023 (0,0023), type:semi 0,1229 (0,1223), type:detached 0,2941 (0,2950), type:terrace -0{,}0289 (-0{,}0304), \nu^2 0,0229 (0,0223), \tau^2 0,0519 (0,0542); bu on parametre dört Monte Carlo standart hatası içinde uyuşur. \rho uyuşmaz: bağımsız örnekleyici üç ayrı zincirle 0,935 (%95: 0,77–0,996), şablon ve CARBayes 0,910 (0,72–0,991) verir. Bu fark Monte Carlo hatasından büyüktür; nedeni bu bölümde ayrıştırılamamıştır (bulgular\alansal_bayes_car.md B6). Yorumlarda ρ'nun %95 aralığının geniş olduğu ve her iki sonucun da "güçlü uzamsal bağımlılık" dediği unutulmamalıdır.
Adım 3 — CARBayes'in doğrudan çağrısı. R'de aynı veri, formül, \mathbf W ve tohumla (1) S.CARleroux Gauss modelinde şablonun sonsal ortalamaları, DIC'i ve 4. ondalığa yuvarlanmış tüm özetleri birebir verir. Poisson (Leroux ve BYM) ve binom modellerinde zincirler Monte Carlo hatası içinde ayrışır (örn. Poisson Leroux \beta_1: 0,2930 ve 0,2933; DIC 1708,49 ve 1707,76); yineleyen şablon çalıştırması aynı sonucu verdiği için şablon belirlenimcidir. Bu ayrışma, aktarımda veriye giren ondalık yuvarlamanın Metropolis kabul/ret adımlarında zinciri kaydırmasıyla uyumlu bir davranıştır; kesin neden ayrıca sınanmamıştır.
Adım 4 — Doğru değer. Poisson verisinde gerçek \beta_1=0{,}30; şablon 0,2930 (%95: 0,2665–0,3187) bulur. Binom verisinde gerçek eğim 0,5; şablon 0,5040 (0,4699–0,5369).
186.6.1 Doğrulama: MerQuR+, Python ve R
| Büyüklük | MerQuR+ | Python (bağımsız) | R (bağımsız) | En büyük fark | Ölçüt | |
|---|---|---|---|---|---|---|
| Komşuluk: ortalama komşu sayısı | 5,24444444 | 5,24444444 | 5,24444444 | 8,4e−14 | 1e−6 | ✓ |
| Komşuluk: bağlı bileşen sayısı | 2 | 2 | 2 | 0 | 1e−6 | ✓ |
| Gauss Leroux, sonsal ortalama (Intercept) (ölçüt: 4 Monte Carlo SH + 4. ondalık yuvarlaması) | 3,8397 | 3,83786773 | — | 4,8e−4 | 2e−3 | ✓ |
| Gauss Leroux, sonsal ortalama crime (ölçüt: 4 Monte Carlo SH + 4. ondalık yuvarlaması) | −1,000000·10−4 | −1,454961·10−4 | — | 4,5e−5 | 5e−5 | ✓ |
| Gauss Leroux, sonsal ortalama rooms (ölçüt: 4 Monte Carlo SH + 4. ondalık yuvarlaması) | 0,2336 | 0,23352118 | — | 7,9e−5 | 1e−3 | ✓ |
| Gauss Leroux, sonsal ortalama sales (ölçüt: 4 Monte Carlo SH + 4. ondalık yuvarlaması) | 0,0023 | 0,00230759 | — | 7,6e−6 | 7e−5 | ✓ |
| Gauss Leroux, sonsal ortalama type:semi (ölçüt: 4 Monte Carlo SH + 4. ondalık yuvarlaması) | 0,1223 | 0,12290033 | — | 6,0e−4 | 3e−3 | ✓ |
| Gauss Leroux, sonsal ortalama type:detached (ölçüt: 4 Monte Carlo SH + 4. ondalık yuvarlaması) | 0,295 | 0,29409996 | — | 9,0e−4 | 3e−3 | ✓ |
| Gauss Leroux, sonsal ortalama type:terrace (ölçüt: 4 Monte Carlo SH + 4. ondalık yuvarlaması) | −0,0304 | −0,02889285 | — | 1,5e−3 | 3e−3 | ✓ |
| Gauss Leroux, sonsal ortalama driveshop (ölçüt: 4 Monte Carlo SH + 4. ondalık yuvarlaması) | 0,0039 | 0,00446034 | — | 5,6e−4 | 1e−3 | ✓ |
| Gauss Leroux, sonsal ortalama nu2 (ölçüt: 4 Monte Carlo SH + 4. ondalık yuvarlaması) | 0,0223 | 0,02291909 | — | 6,2e−4 | 1e−3 | ✓ |
| Gauss Leroux, sonsal ortalama tau2 (ölçüt: 4 Monte Carlo SH + 4. ondalık yuvarlaması) | 0,0542 | 0,05190241 | — | 2,3e−3 | 4e−3 | ✓ |
| Gauss Leroux, sonsal ortalama rho (ölçüt: 4 Monte Carlo SH + 4. ondalık yuvarlaması) | 0,9102 | 0,93520827 | — | 2,5e−2 | 8e−3 | ✗ |
| Gauss (tohum 1, 25000): (Intercept), CARBayes doğrudan | 3,8384 | 3,8384 | 3,8384 | 0 | 1e−6 | ✓ |
| Gauss (tohum 1, 25000): crime, CARBayes doğrudan | −1,000000·10−4 | −1,000000·10−4 | −1,000000·10−4 | 0 | 1e−6 | ✓ |
| Gauss (tohum 1, 25000): rooms, CARBayes doğrudan | 0,2345 | 0,2345 | 0,2345 | 0 | 1e−6 | ✓ |
| Gauss (tohum 1, 25000): sales, CARBayes doğrudan | 0,0023 | 0,0023 | 0,0023 | 0 | 1e−6 | ✓ |
| Gauss (tohum 1, 25000): typesemi, CARBayes doğrudan | 0,1196 | 0,1196 | 0,1196 | 0 | 1e−6 | ✓ |
| Gauss (tohum 1, 25000): typedetached, CARBayes doğrudan | 0,2909 | 0,2909 | 0,2909 | 0 | 1e−6 | ✓ |
| Gauss (tohum 1, 25000): typeterrace, CARBayes doğrudan | −0,0317 | −0,0317 | −0,0317 | 0 | 1e−6 | ✓ |
| Gauss (tohum 1, 25000): driveshop, CARBayes doğrudan | 0,0031 | 0,0031 | 0,0031 | 0 | 1e−6 | ✓ |
| Gauss (tohum 1, 25000): nu2, CARBayes doğrudan | 0,0224 | 0,0224 | 0,0224 | 0 | 1e−6 | ✓ |
| Gauss (tohum 1, 25000): tau2, CARBayes doğrudan | 0,0536 | 0,0536 | 0,0536 | 0 | 1e−6 | ✓ |
| Gauss (tohum 1, 25000): rho, CARBayes doğrudan | 0,9109 | 0,9109 | 0,9109 | 0 | 1e−6 | ✓ |
| Gauss (tohum 1, 25000): DIC | −163,91069844 | −163,91069844 | −163,91069844 | 0 | 1e−6 | ✓ |
| Poisson Leroux: (Intercept) (ölçüt: 4√2 Monte Carlo SH) | −0,0097 | −0,01 | −0,01 | 3,0e−4 | 1e−3 | ✓ |
| Poisson Leroux: x1 (ölçüt: 4√2 Monte Carlo SH) | 0,293 | 0,2933 | 0,2933 | 3,0e−4 | 1e−3 | ✓ |
| Poisson Leroux: tau2 (ölçüt: 4√2 Monte Carlo SH) | 0,0367 | 0,0362 | 0,0362 | 5,0e−4 | 2e−3 | ✓ |
| Poisson Leroux: rho (ölçüt: 4√2 Monte Carlo SH) | 0,9546 | 0,956 | 0,956 | 1,4e−3 | 3e−3 | ✓ |
| Poisson Leroux: DIC (ölçüt: 4) | 1708,49306375 | 1707,7637707 | 1707,7637707 | 4,3e−4 | 2e−3 | ✓ |
| Poisson BYM: (Intercept) (ölçüt: 4√2 Monte Carlo SH) | 0,0398 | 0,0399 | 0,0399 | 1,0e−4 | 3e−3 | ✓ |
| Poisson BYM: x1 (ölçüt: 4√2 Monte Carlo SH) | 0,2938 | 0,2939 | 0,2939 | 1,0e−4 | 1e−3 | ✓ |
| Poisson BYM: tau2 (ölçüt: 4√2 Monte Carlo SH) | 0,0324 | 0,032 | 0,032 | 4,0e−4 | 1e−3 | ✓ |
| Poisson BYM: sigma2 (ölçüt: 4√2 Monte Carlo SH) | 0,0029 | 0,0029 | 0,0029 | 0 | 5e−4 | ✓ |
| Poisson BYM: DIC (ölçüt: 4) | 1711,92588327 | 1711,60560475 | 1711,60560475 | 1,9e−4 | 2e−3 | ✓ |
| Binom Leroux: (Intercept) (ölçüt: 4√2 Monte Carlo SH) | −0,923 | −0,9227 | −0,9227 | 3,0e−4 | 1e−3 | ✓ |
| Binom Leroux: x1 (ölçüt: 4√2 Monte Carlo SH) | 0,504 | 0,5035 | 0,5035 | 5,0e−4 | 2e−3 | ✓ |
| Binom Leroux: tau2 (ölçüt: 4√2 Monte Carlo SH) | 0,1525 | 0,1524 | 0,1524 | 1,0e−4 | 2e−3 | ✓ |
| Binom Leroux: rho (ölçüt: 4√2 Monte Carlo SH) | 0,9623 | 0,9621 | 0,9621 | 2,0e−4 | 2e−3 | ✓ |
| Binom Leroux: DIC (ölçüt: 4) | 1879,97317927 | 1879,45255057 | 1879,45255057 | 2,8e−4 | 2e−3 | ✓ |
Ölçütü karşılayan: 39/40. Bağımsız Python: komşuluğu kendisi kurar ve Gauss Leroux modeli için blok Gibbs örnekleyicisi yazar (beta ve phi ortak, rho ızgara; CARBayes önselleriyle). Bağımsız R: W elle kurulur, CARBayes şablon sarmalayıcısı olmadan aynı tohum ve ayarla çağrılır; Gauss ailesinde şablonun sonsal ortalamaları birebir aynıdır; Metropolis adımlı Poisson ve binom ailelerinde zincirler ayrışır ve fark Monte Carlo hatası içindedir. Python Gibbs satırlarında ölçüt 4 Monte Carlo standart hatasıdır (iki zincirin etkin örneklem büyüklüklerinden).
Ek denetimler: aynı veri ve ayarla tohum = 2 (ornek_s2): kesişim 3,8389; \rho 0,9112; DIC -163{,}64 (tohum 1'de -163{,}45): farklar Monte Carlo hatası düzeyindedir. İçsel CAR (icar) \rho=1 sabit ve tabloda 1; bağımsız model \rho=0 ve DIC -127{,}27 (Leroux -163{,}45): uzamsal bağımlılığı dışlamak bu veride uyumu bozar.
186.7 Çıktıyı okuma
Örnek ayarın konsol satırları ve tabloları (q1_car_ornek):
Komşuluk: komşu kimlikleri sütunu; 270 alan; MCMC: ısınma 20000, toplam 100000, inceltme 10 (8000 sonsal örnek).
Not: komşuluk grafiği 2 bağlı bileşenden oluşuyor; içsel CAR her bileşende ayrı merkezlenir.
Uyarılar: neighbour object has 2 sub-graphs
parametre ortalama GA_alt GA_ust etkin_orneklem kabul_yuzde Geweke SS
(Intercept) 3.8397 3.6268 4.0494 7435.9 100.0 0.3 0.10811
crime -0.0001 -0.0002 -0.0001 7423.1 100.0 0.7 0.00005
rooms 0.2336 0.1859 0.2822 8262.0 100.0 -0.9 0.02497
sales 0.0023 0.0017 0.0029 8000.0 100.0 1.2 0.00032
type:semi 0.1223 0.0344 0.2088 8000.0 100.0 1.4 0.04465
type:detached 0.2950 0.1836 0.4018 7675.8 100.0 1.3 0.05567
type:terrace -0.0304 -0.1347 0.0759 7634.6 100.0 1.0 0.05444
driveshop 0.0039 -0.0304 0.0388 5112.1 100.0 -0.2 0.01772
nu2 0.0223 0.0113 0.0323 1547.8 100.0 0.4 0.00527
tau2 0.0542 0.0245 0.0974 1401.4 100.0 -0.7 0.01893
rho 0.9102 0.7219 0.9908 3007.8 46.3 1.6 0.07124
olcut deger
DIC -163.44838
p.d 105.35911
WAIC -153.71758
p.w 93.02738
LMPL 59.55321
loglikelihood 187.08330
Alan sayısı 270
Ortalama komşu sayısı 5.24444
Bağlı bileşen sayısı 2
Şekil 186.1. Şablonun çizdiği harita benzeri gösterim (örnek veri): alan merkezleri kestirilen değerin dokuz niceliğine göre boyalıdır (Glasgow, `easting`–`northing`).

| Öğe | Ne yazar | Nasıl yorumlanır |
|---|---|---|
ortalama, GA_alt, GA_ust |
Sonsal ortalama ve %2,5–%97,5 sonsal aralık. | Aralık 0'ı içermiyorsa etki "güvenilir" diye okunur; olasılık yorumu doğrudandır: P(\beta\in\text{aralık}\mid\text{veri})=0{,}95. |
etkin_orneklem |
Bağımsız örnek eşdeğeri. | Sonsal ortalama için Monte Carlo SH \approx \mathrm{SS}/\sqrt{\text{ESS}}; \rho için 3008, \tau^2 için 1401. Küçükse zinciri uzatın. |
kabul_yuzde |
Metropolis kabul oranı. | Gauss'ta \beta için 100 (Gibbs); \rho'da %46; Poisson'da \beta için %33 (MALA). |
Geweke |
Zincir ortalamalarının farkı. | |z|<2{,}5 beklenir; büyükse yakınsama sorunu olabilir. |
SS |
Sonsal standart sapma. | Belirsizliğin ölçüsü (standart hata değil, sonsal sd). |
nu2, tau2, rho |
Hata varyansı, uzamsal varyans, bağımlılık. | \rho=0{,}91: yapı büyük ölçüde içsel CAR'a yakın; \tau^2/(\nu^2+\tau^2) uzamsal payı gösterir. |
DIC, WAIC, LMPL |
Model uyumu. | Küçük DIC/WAIC iyidir; LMPL için büyük değer iyidir. |
Poisson çıktısı (pois_leroux; E_i ötelemesi; 60 000 yineleme):
parametre ortalama GA_alt GA_ust etkin_orneklem kabul_yuzde Geweke
(Intercept) -0.0097 -0.0320 0.0125 5000.0 32.9 1.2
x1 0.2930 0.2665 0.3187 3957.7 32.9 0.2
tau2 0.0367 0.0224 0.0560 1118.4 100.0 -0.8
rho 0.9546 0.8710 0.9945 2996.4 46.8 0.8
alan gozlenen kestirilen beklenen SMR goreli_risk
S02000260 12 15.20716 10.408 1.15296 1.46110
S02000261 54 52.42621 41.546 1.29976 1.26188
x_1 için \exp(0{,}2930)=1{,}340: ortak değişkende bir birim artış göreli riski %34 artırır. Alan tablosundaki goreli_risk, ham SMR'den farklıdır: ilk alanda SMR 1,15 iken komşuların katkısıyla düzgünleştirilmiş RR 1,46'dır (gözlem sayısı küçük olduğundan komşulara yaklaşır). pois_ofsetsiz (beklenen sütunsuz) çalıştırmada öteleme yoktur: kesişim 3,3595 (olay sayısının logaritması), alan tablosu RR ve SMR sütunsuzdur.
Rapor cümlesi (örnek ayar): "270 Glasgow veri bölgesinde konut fiyatının logaritması, Leroux CAR rastgele etkili Gauss modeliyle Bayesci olarak çözümlenmiştir (CARBayes 6.1.1; 100 000 yineleme, 20 000 ısınma, inceltme 10, 8000 sonsal örnek). Oda sayısı fiyatı artırır (sonsal ortalama 0{,}234; %95 aralık 0{,}186–0{,}282), suç oranı azaltır (-0{,}0001; -0{,}0002 – -0{,}0001). Uzamsal bağımlılık parametresi \rho=0{,}91 (%95: 0{,}72–0{,}99)'dır; DIC -163{,}4."
186.8 Sık hatalar ve tuzaklar
- Tohum alanı ile Kod paneli tohumu. Form alanı doluyken (varsayılan 1) sonucu o belirler; panel tohumu 5 ve 7 aynı sonucu verir (
panel5,panel7). Çalıştırmanın tohumunu kullanmak için alanı 0 yapın. - Eksik değerli alanların atılması. Atılan alanlar ve onlara giden komşu bağlantıları notla bildirilir (
eksik: 270 → 265 alan, 30 bağlantı); yine de eksikleri ayrı bir veri hazırlık adımında düşünün. - Yakınsamayı yalnız Geweke'ye bırakmak. Tek zincir çalışır ve Rhat yoktur; etkin örneklem 400'ün altındaki parametreler uyarıyla adlandırılır, yine de etkin örneklem tablosunu okuyun, yineleme sayısını artırın.
- Komşuluğu değiştirmek sonucu değiştirir. Aynı veride komşu sütunu yerine 5 en yakın komşu: \rho 0,823, DIC -253{,}2 (komşu sütunuyla 0{,}910; -163{,}4). DIC'ler farklı komşuluklar için doğrudan karşılaştırılmaz; bu örnekte ayrıca grafın bileşen sayısı 2'den 1'e iner.
- Derece koordinatları. Öklid uzaklığıyla kNN derece birimlerinde çarpıktır (
derece); koordinatları projeksiyonlu birime çevirin (B5). - Ortak değişken adları. Sayısal bir değişkenin adı etkenle başlasa da (
type_ds) etiket yalnız gerçek düzey adlarına (type:semi…) ayrılır. - İçsel CAR ve bağlantısız grafik. Her bileşende bir kesişim kalır;
icarseçilirse ve grafik bağlantısızsa kesişim ve bileşen düzeyi ayrışmaz. Leroux \rho<1 ile bu sorunu aşar. - BYM yalnız Poisson ve binomda. Gauss ile seçilirse durur.
- Binom için deneme sütunu. Boşsa durur (
h_binom_deneme); deneme başarıdan küçükse durur (h_binom_az). - Poisson ötelemesiz. Beklenen sütunu boş bırakılırsa RR üretilmez; model ham sayımı modeller ve komşu bilgisinin etkisi değişir.
- Ondalık virgül. Komşu listesi ve kimlikler metindir; ayırıcı
;ya da,'dir; kimliklerin içinde virgül bulunamaz. - İngilizce iletiler. CARBayes ve spdep uyarıları çevrilmez (B7).
186.9 Uzman soruları
S1. Leroux ile BYM aynı uzamsal bağımlılığı mı modeller?
İkisi de komşulara göre düzgünleştirme yapar ama parametrelenişleri farklıdır. Leroux tek bir \rho ile (0: bağımsız, 1: içsel CAR) ve tek varyansla ilerler. BYM içsel CAR ve bağımsız etkiyi ayrı varyanslarla toplar; \tau^2 ve \sigma^2 tek başına yorumlanamaz, çünkü içsel CAR etkisinin ölçeği komşu sayısına bağlıdır. Poisson verisinde DIC'ler yakındır (Leroux 1708,5; BYM 1711,9; içsel CAR 1705,9).
S2. Satır standardizasyonu neden yok?
CARBayes, \mathbf W'yi ikili ister ve \mathbf D-\mathbf W ile kurulan Laplace duyarlığını kullanır (186.4.1). Satır standardize edilmiş \mathbf W ile kurulan "\mathbf I-\rho\mathbf W" biçimli özbağlanımlı modeller ayrı bir ailedir; \rho ve \tau^2 yorumları ve ölçekleri farklıdır, iki modelin \rho değerleri doğrudan karşılaştırılmaz.
S3. Gauss ve Poisson'da yakınsama neden farklı görünür?
Gauss'ta \boldsymbol\beta, \boldsymbol\phi, \nu^2, \tau^2 Gibbs adımlarıyla çekilir ve ESS genellikle örnek sayısına yakındır (örnekte \beta için 5112–8262 / 8000). Poisson ve binomda Metropolis adımlıdır; kabul oranı %33–42 civarında kalır ve ESS \tau^2 ve \rho için binlerle sınırlıdır. Bu yüzden Poisson ve binomda yineleme sayısını Gauss'tan fazla tutun.
S4. Başka bir tohum sonucu ne kadar değiştirir?
ornek ve ornek_s2: \rho 0,9102 ve 0,9112; kesişim 3,8397 ve 3,8389; DIC -163{,}45 ve -163{,}64. Fark Monte Carlo hatasıdır: \rho için \mathrm{SS}/\sqrt{\mathrm{ESS}}=0{,}0712/\sqrt{3008}=0{,}0013.
S5. Bağlantısız komşuluk grafiğinde Leroux modeli nasıl davranır?
\rho<1 iken \mathbf Q(\rho) pozitif tanımlıdır ve bileşenler bağımsız bilgi taşıyabilir; model kurulur ve sonsal ortalamalar tanımlıdır. \rho\to1 iken bileşen başına sıfır özdeğeri kesişimle karışır. Şablon bileşen sayısını Bağlı bileşen sayısı olarak yazar; ada (komşusuz alan) ise hata verir (198).
S6. DIC ve WAIC neden birbirinden farklı?
DIC sonsal ortalamada değerlendirilen sapmaya dayanır; WAIC her gözlemin sonsal dağılım üzerindeki olabilirliğini toplar. Rastgele etki sayısı gözlem sayısına eşit olduğunda (K alan, K etki) etkin parametre sayısı hesabı farklılaşır: örnekte p_D=105{,}4, p_W=93{,}0. Karşılaştırma aynı ölçüt içinde yapılmalıdır.
S7. Başka bir paket ya da tanım farkı sonucu değiştirir mi?
Evet. INLA gibi Laplace yaklaşımlı çözümler farklı önselleri ve BYM2 gibi yeniden parametrelenmiş modelleri kullanır; sonsal ortalamalar yakın, varyans bileşenleri farklıdır. Şablonda \mathbf W ikili, önseller CARBayes varsayılanıdır (186.4.2); bunlar değiştirilirse (özellikle \tau^2 için ters gama(1; 0,01) yerine başka bir önsel) küçük alan sayılarında \tau^2 ve \rho duyarlı olur.
S8. Poisson'da `goreli_risk` ile `SMR` ne zaman çok ayrışır?
Beklenen sayı küçük olduğunda SMR gürültülüdür; model komşu alanlardan ve ortak değişkenden bilgi ödünç alır. Örnekte ilk alanda SMR 1,15, düzgünleştirilmiş RR 1,46; goreli_risk dağılımı 0,37–2,82 aralığındadır. Düzgünleştirmenin derecesi \rho ve \tau^2 ile belirlenir.
186.10 Kaynaklar
- Banerjee, S., Carlin, B. P., & Gelfand, A. E. (2014). Hierarchical modeling and analysis for spatial data (2. baskı). Chapman and Hall/CRC. https://doi.org/10.1201/b17115
- Besag, J., York, J., & Mollié, A. (1991). Bayesian image restoration, with two applications in spatial statistics. Annals of the Institute of Statistical Mathematics, 43(1), 1–20. https://doi.org/10.1007/BF00116466
- Gelfand, A. E., & Smith, A. F. M. (1990). Sampling-based approaches to calculating marginal densities. Journal of the American Statistical Association, 85(410), 398–409. https://doi.org/10.1080/01621459.1990.10476213
- Lee, D. (2013). CARBayes: An R package for Bayesian spatial modeling with conditional autoregressive priors. Journal of Statistical Software, 55(13), 1–24. https://doi.org/10.18637/jss.v055.i13
- Leroux, B. G., Lei, X., & Breslow, N. (2000). Estimation of disease rates in small areas: A new mixed model for spatial dependence. In M. E. Halloran & D. Berry (Eds.), Statistical models in epidemiology, the environment, and clinical trials (pp. 179–191). Springer. https://doi.org/10.1007/978-1-4612-1284-3_4
- Roberts, G. O., & Rosenthal, J. S. (1998). Optimal scaling of discrete approximations to Langevin diffusions. Journal of the Royal Statistical Society: Series B, 60(1), 255–268. https://doi.org/10.1111/1467-9868.00123
- Spiegelhalter, D. J., Best, N. G., Carlin, B. P., & van der Linde, A. (2002). Bayesian measures of model complexity and fit. Journal of the Royal Statistical Society: Series B, 64(4), 583–639. https://doi.org/10.1111/1467-9868.00353
- Geweke, J. (1992). Evaluating the accuracy of sampling-based approaches to the calculation of posterior moments. In J. M. Bernardo ve ark. (Eds.), Bayesian statistics 4 (pp. 169–193). Oxford University Press.
- Yazılım kaydı: CARBayes 6.1.1 (Lee, 2013), R 4.5.3 (şablon çalıştırmasının yazılım kaydından).