vii.空間モデル.ppt

VII. 空間モデル 　空間操作，空間解析で得られる，空間パターンに関する知識に基づいて作られる，空間現象を記述するための数理的モデル 　空間モデルの分類法 1) 理論的モデル 　理論的に妥当であると思われる行動や現象の仮説を置き，それに依拠して演繹的に構築するモデル 2) 記述的モデル 　現象から得られるデータを分析し，それを適切に記述する方法を帰納的に構築するモデル 1) 決定論的モデル 　現象が行動原理や理論によって完全に記述されているモデル 2) 確率論的モデル 　現象のうち，行動原理や理論によって記述され内部分が残されており，それを確率的変動として記述するモデル 　ここでは，確率論的モデルのみを取り上げる．空間モデルにはこれ以外の範疇に含まれるものもあるが，我々が身近に接するモデルの多くは確率論的モデルである．理論的モデルと記述的モデルについては，ここではその両方を取り上げる． モデル構築の一般論 1) 理論的に適切と思われる統計的モデルを考える． 2) 得られているデータから，モデルのパラメータを推定する． 3) 推定されたパラメータの有意性を検討する． 4) 複数のモデルを考えている場合には，その中から最も適切なものを選択する． 空間モデルの例 　1) 空間回帰モデル 　2) 空間選択モデル 　3) 点パターン過程 　4) 空間拡散過程 ? ? 　空間モデルは，分野ごとにはそれぞれ開発が行われてきたが，その一般化はそれほど進んでいるとはいえない．空間モデルの研究は現在も途上である． 　そのため，空間モデルをきちんと体系的に説明することは極めて困難である． 　点，線，面の各オブジェクトに付随する属性を記述するモデル．理論的モデルというよりも記述的モデルである． 例：各空間集計単位における作物の単位面積当たり収量を，各空間集計単位の気温や標高，雨量などで説明する． 　領域：S1, S2, …, Sn 　領域iに与えられている被説明変数：yi 　領域iに与えられている説明変数：xi1, xi2, …, xip 　yiを，xi1, xi2, …, xipで説明したい！ 　ここで，eは確率的に変動する誤差項であり，期待値0かつ各iについて独立に同一の確率分布に従うものとする．即ち， 　この仮定の下では，XとYが与えられれば，通常最小自乗法（ordinary least squares）によってbを推定し，YをXによって説明するモデルが得られる．即ち， 　モデル推定の有意性を統計的に議論するには，eが正規分布に従うという仮定を追加する．すると，パラメータbの各成分についてt値が計算され，それらが検定に用いられる． 　通常の重回帰モデルでは，誤差の確率分布に独立性，同一性を仮定する．この仮定は非常に強く，特に，空間に分布するデータに対しては成立することは稀である．実際例えば，隣接する領域の値における誤差は強く相関していることが多い． 　2番目の仮定は，回帰式の誤差項が互いに相関していることを表しており，行列Cは分散共分散行列と呼ばれる．相関が強ければ，共分散は大きくなる． 　これらの仮定の下では，パラメータベクトルbは一般最小二乗法（generalized least squares）によって推定される．即ち， 　この推定は，一見簡単そうであるが，実はそうではない．推定には分散共分散行列Cが必要であり，この値は普通は分からない．そのため，パラメータベクトルbと分散共分散行列Cをどちらも推定しなければならない． 　推定にはいくつかの方法があるが，最も良く用いられるのはバリオグラムを利用する方法である． 推定の手順 1) 通常の回帰モデルを適用し，Yの推定値を算出する．そして，その残差のバリオグラムを作成する． 2) 得られたバリオグラムに対して，適当な理論モデルを適用し，それに基づいて分散共分散行列Cを推定する． 　2) のバリオグラムは，領域間の距離を説明変数，Yの推定値の残差の共分散を被説明変数とするものである． 3) 推定された分散共分散行列Cを用いて，一般最小二乗法によりパラメータベクトルbを推定し，その残差分布を求める． 4) 2)と3)の過程を，残差が十分小さくなるまで繰り返し，最終的な結果を採用する（収束計算）． 　（一般）重回帰モデルでは，分散共分散の構造が通常の重回帰モデルと比べて大きな自由度を持つようになる．しかしそれでも，（一般）重回帰モデルでは以下の仮定が置かれていることになる． 　誤差分布の分散共分散は，空間的な距離の連続関数として表すことができる（距離のみに依存する）． 　この仮定は必ずしも妥当であるとはいえない．そこで，この仮定を要求しないモデルが必要となり，それに応えるも