RESAPLE: An Approximate One-Step Restricted Likelihood Estimator of Spatial Dependence for Exploratory Spatial Analysis

1. بيان المشكلة

في تحليل البيانات المكانية الاستكشافي (ESDA)، يحتاج الباحثون بشكل متكرر إلى تقييم قوة الاعتماد المكاني (الارتباط الذاتي) في البيانات، لا سيما بعد التعديل لمراعاة الاتجاهات واسعة النطاق والمتغيرات المصاحبة.

• القيود الحالية: الأداتان الأكثر شيوعاً هما مؤشر موران ($I$) ومقدر الاحتمالية المقطعية التقريبي (APLE).
  • مؤشر موران ($I$): رغم كونه ممتازاً في اكتشاف وجود الارتباط الذاتي، إلا أنه مقدر منحاز لمعلمة الاعتماد المكاني ($\rho$) عندما تكون $\rho \neq 0$. وغالباً ما يُطبق عملياً على بقايا الانحدار، لكن اشتقاقه النظري لا يأخذ في الحسبان صراحةً إزالة التأثيرات الثابتة (المتغيرات المصاحبة) بطريقة سليمة إحصائياً.
  • APLE: مشتق كتقريب لخطوة واحدة لدرجة الاحتمالية المقطعية القصوى (ML profile score)، وهو يتميز بالكفاءة الحسابية والقابلية للتفسير. ومع ذلك، فإن صيغ APLE القياسية تعتمد على الاحتمالية الكاملة، والتي تعامل معاملات الانحدار ($\beta$) كمعلمات مزعجة (nuisance parameters) يجب تقديرها بشكل مشترك مع $\rho$. وفي سير العمل التطبيقي، يقوم الممارسون عادةً بتقدير $\beta$ أولاً (مثلاً عبر طريقة المربعات الصغرى العادية OLS) ثم تحليل البقايا الناتجة. وهذا يخلق عدم اتساق: فالمقدرات من نوع APLE الموجودة لا تتوافق بدقة مع سير العمل القائم على "البقايا" المستخدم في الممارسة العملية، مما يؤدي إلى انحياز محتمل وحساسية تجاه توصيف مصفوفة التصميم $X$.
• الفجوة: هناك نقص في وجود مقدر ذي صيغة مغلقة ومنخفض التكلفة حسابياً، مشتق صراحةً من إطار الاحتمالية القصوى المقيدة (REML). ويُعد REML المعيار لتقدير معاملات التباين في النماذج الخطية المختلطة لأنه يلغي التأثيرات الث ثابتة، مما يقلل الانحياز ويضمن الثبات تجاه إعادة توصيف المتغيرات المصاحبة.

2. المنهجية: مقدر RESAPLE

يقترح المؤلفون RESAPLE (مقدر الاحتمالية المقطعية التقريبية المقيد)، وهو إحصاء جديد مصمم لسد الفجوة بين الأمثلية النظرية وسير العمل العملي القائم على البقايا.

المفهوم الجوهري

يتم بناء RESAPLE في فضاء البقايا الناتج عن إسقاط البيانات على المتمم العمودي لفضاء المتغيرات المصاحبة.

1. النموذج: يفترض المؤلفون نموذج خطأ مكاني غاوسي (SEM):
   $$Z = X\beta + U, \quad U = \rho W U + \epsilon$$
   حيث $Z$ هو الاستجابة، و$X$ هي المتغيرات المصاحبة، و$W$ هي مصفوفة الأوزان المكانية، و$\epsilon \sim N(0, \sigma^2 I)$.
2. بناء فضاء البقايا:
   • ليكن $P = X(X^\top X)^{-1}X^\top$ هو الإسقاط على الفضاء العمودي لـ $X$.
   • ليكن $M = I - P$ هو الإسقاط على فضاء البقايا (بأبعاد $r = n - p$).
   • ليكن $H$ أساساً متعامداً للفضاء المتبقي ($H^\top H = I_r, HH^\top = M$).
   • تُعرف التباينات المتبقية (residualized contrasts) بـ: $e = H^\top Z$. تحتوي هذه التباينات على كل المعلومات في $Z$ التي تكون متعامدة مع $X$ ومستقلة عن $\beta$.
3. الاشتقاق:
   • تم اشتقاق RESAPLE كـ تقريب لخطوة واحدة لمعادلة درجة الاحتمالية المقطعية المقيدة عند $\rho = 0$.
   • يتخذ شكل نسبة رايلي (Rayleigh quotient) (نسبة بين أشكال تربيعية):
     \hat{\rho}_{RESAPLE} = \frac{e^\top (K_r - \mu_r I_r) e}{e^\top (W_r^\\top W_r + \nu_r I_r) e}
     حيث $W_r = H^\top W H$، و$K_r = (W_r + W_r^\top)/2$، و$\mu_r, \nu_r$ هي ثوابت تطبيع تعتمد على الأثر (trace).
4. الخصائص الرئيسية:
   • الثبات (Invariance): يتميز RESAPLE بالثبات تجاه إعادة توصيف مصفوفة التصميم $X واختيار الأساس المتعامد$H$.
   • عدم الانحياز: هو غير منحاز محلياً تقريباً لـ $\rho$ حول الصفر، مع أخطاء انحياز من الرتبة $O(|\rho|^2)$.
   • التعميم: عندما لا توجد متغيرات مصاحبة ($p=0$)، يتقلص RESAPLE تماماً إلى APLE القياسي.

3. المساهمات الرئيسية

1. التوافق النظري: يوفر RESAPLE تبريراً إحصائياً سليماً للممارسة الشائعة لتحليل البقايا. فهو يربط المقدر بإطار REML، الذي يعد المعيار الذهبي لتقدير معاملات التباين في وجود تأثيرات ثابتة.
2. أداة تشخيص لمصفوفات الأوزان: اشتق المؤلفون تعبيراً تحليلياً لـ معلومات فيشر المقيدة عند نقطة الصفر، $\mathcal{I}_r(0)$. تعمل هذه الكمية كأداة تشخيص لاختيار مصفوفات الأوزان المكانية ($W$). وهي تسمح للمحللين بمقارنة مصفوفات الأوزان المرشحة بناءً على "إخباريتها المحلية" وقدرتها على اكتشاف الاعتماد المكاني بعد تعديل المتغيرات المصاحبة.
3. توسيعات ESDA:
   • المخطط المبعثر (Scatterplot): تم تعريف مخطط مبعثر لـ RESAPLE بشكل مشابه لمخطط موران. وعلى عكس مخطط موران، يتم تعريف محاورها جوهرياً في فضاء البقايا المقيد، مما يوفر تفكيكاً للاعتماد العالمي إلى مساهمات على مستوى الوحدة تأخذ في الاعتبار المتغيرات المصاحبة.
   • الإحصاءات المحلية: يتم تعريف المساهمات المحلية ($C_i$) لتحديد البؤر الساخنة والباردة في فضاء البقايا.
4. إطار الاختبار: يحدد الورق ثلاثة إجراءات اختبارية لـ RESAPLE:
   • الاختبار الدقيق (Exact Test): يعتمد على توزيع الأشكال التربيعية (باستخدام طريقة Imhof).
   • اختبار التبديل (Permutation Test): باستخدام إجراء Freedman-Lane، وهو قوي تجاه الافتراضات التوزيعية.
   • اختبار Z التقاربي (Asymptotic Z-test): يعتمد على بناء الخطوة الواحدة، وهو مناسب للعينات الكبيرة.

4. النتائج

تحقق المؤلفون من صحة RESAPLE من خلال دراسات محاكاة مكثفة ودراسة حالة من الواقع.

دراسات المحاكاة

• دقة التقدير: عبر مختلف أحجام العينات ($n$)، وأبعاد المتغيرات المصاحبة ($p$)، والتوبولوجيا المكانية (شبكات Queen المنتظمة والرسوم البيانية B07 غير المنتظمة)، حقق RESAPLE باستمرار أدنى جذر متوسط مربع الخطأ (RMSE) مقارنة بـ Moran's $I$ وAPLE وMAPLE وREML.
  • ينبع هذا التحسن بشكل أساسي من تقليل الانحياز، خاصة عندما تكون $n$ صغيرة أو $p$ كبيرة (مما يترك درجات حرية متبقية قليلة).
  • بينما قد يظهر RESAPLE أحياناً تباين عينات أعلى قليلاً من البدائل، إلا أن تقليل الانحياز يؤدي إلى مقايضة أفضل بشكل عام.
• قوة الاختبار: أظهرت الاختبارات القائمة على RESAPLE قوة إحصائية أعلى من Moran's $I$ وAPLE/MAPLE، خاصة في السيناريوهات ذات درجات الحرية المتبقية الصغيرة ($r = n-p$) والتوبولوجيا المكانية غير المنتظمة.
• اختيار مصفوفة الأوزان: تؤكد الدراسة أن معلومات فيشر المقيدة $\mathcal{I}_r(0)$ هي متنبئ قوي لقوة الاختبار. مصفوفات الأوزان ذات $\mathcal{I}_r(0)$ الأعلى تعطي قوة اختبار أعلى.
• المعايرة:
  • حافظت اختبارات التبديل والاختبارات الدقيقة على معدلات خطأ النوع الأول (الحجم) الصحيحة عبر جميع السيناريوهات.
  • يمكن أن يكون اختبار Z التقاربي متحفظاً للغاية أو غير دقيق في العينات الصغيرة أو التوبولوجيا غير المنتظمة (مثل B07)، مما يسلط الض الضوء على الحاجة إلى المعايرة القائمة على الاختبارات الدقيقة أو التبديل.

دراسة حالة بيانات واقعية

• البيانات: متوسط دخل الأسرة في مقاطعة كينغ، واشنطن، الولايات المتحدة الأمريكية (494 منطقة تعداد)، معدلاً وفقاً لمتغيرات اجتماعية واقتصادية (التعليم، البطالة، إلخ).
• النتائج:
  • تتبعت تقديرات $\rho$ لـ RESAPLE تقديرات REML (المكلفة حسابياً) بشكل وثيق أكثر من APLE أو MAPLE عبر "سلم" من نماذج المتوسط المتزايدة التعقيد.
  • نجح مخطط موران لـ RESAPLE وخرائط المساهمة المحلية في تحديد القيم المتطرفة للدخل المرتفع (مثل منطقة سياتل) وتوفير تشخيصات قابلة للتفسير للاعتماد المكاني في البقايا.

5. الأهمية والخاتمة

• الأثر العملي: يحل RESAPLE عدم الاتساق الحرج في سير عمل التحليل المكاني. فهو يقدم مُقدراً ذا صيغة مغلقة ومنخفض التكلفة حسابياً، ويتوافق نظرياً مع نهج "البقايا أولاً" المستخدم من قبل الممارسين.
• المتانة: هو متين تجاه اختيار المتغيرات المصاحبة، ويوفر ملخصاً أكثر دقة للاعتماد المكاني مقارنة بالمؤشرات الموجودة، لا سيما في العينات المحدودة مع وجود العديد من المتغيرات المصاحبة.
• التوجيه للممارسة: يوفر البحث طريقة تحليلية ملموسة ($\mathcal{I}_r(0)$) لحل غموض اختيار مصفوفة الوزن المكاني، متجاوزاً الخيارات التجريبية نحو معايير قائمة على نظرية المعلومات.
• الاتجاهات المستقبلية: يقترح المؤلفون توسيع الإطار ليشمل نماذج SAR-lag واستقصاء المتانة تجاه التباين وتوصيف التوزيع الخاطئ.

باختصار، يمثل RESAPLE تقدماً كبيراً في ESDA من خلال توحيد السهولة الحسابية لإحصاءات الصيغة التربيعية مع الصرامة الإحصائية لتقدير الاحتمالية المقيدة، مما يوفر أداة متفوقة لتشخيص واختبار الاعتماد المكاني في وجود متغيرات مصاحبة.