M-SGWR: Multiscale Similarity and Geographically Weighted Regression

M-SGWR（マルチスケール類似性および地理的加重回帰）の技術要約

問題提起
地理的加重回帰（GWR）やマルチスケールGWR（MGWR）といった従来の局所回帰モデルは、トブラーの地理学の第一法則に従い、空間的関係を定量化するために地理的な近接性（物理的距離）のみに依存しています。しかし、グローバル化とデジタル接続が進む現代において、地理的な距離だけでは場所間の相互接続性を捉えるには不十分な場合が多くあります。疾病の拡散、ソーシャルネットワークの結びつき、経済フローなどの現象は、物理的な近接性よりも、「機能的な連結性」や属性の類似性（例：共通の言語、移動ルート、社会経済的文脈）によって駆動されることが頻繁にあります。さらに、既存のMGWRのようなモデルは、変数固有の空間スケール（バンド幅）を許容しているものの、依然として空間依存性を単一の次元（地理的空間）に限定しています。著者らは、一様なスケールを仮定したり、ユークリッド距離のみに依存したりすることは、特に「属性空間における類似性（リモート・クロースネス）」が重要な役割を果たす場合に、推定値のバイアスや空間的相互作用の誤認を招く可能性があると主張しています。

手法
本論文では、M-SGWR（Multiscale Similarity and Geographically Weighted Regression）を提案しています。これは、地理的空間と属性（変数）空間という2つの次元にわたって空間的相互作用を特徴付ける、新しい局所回帰フレームワークです。

1. 二重重み行列： 各説明変数 $j$ に対して、モデルは2つの独立した重み行列を構築します。
   • 距離減衰に基づく地理的重み行列 ($W_G^{(j)}$)（適応型バイスクエアカーネルを使用）。
   • 説明変数の値の類似性に基づく属性類似性重み行列 ($W_S^{(j)}$)（局所標準偏差によって正規化）。
2. 変数固有の混合パラメータ ($\alpha$)： すべての変数に単一のグローバルな混合パラメータ ($\alpha$) を適用するSGWRモデルとは異なり、M-SGWRは各独立変数に対して個別の $\alpha_j$ を割り当てます。このパラメータは0から1の範囲をとり、地理的な近接性と属性の類似性の相対的な寄与度を制御します。
   • $\alpha_j \approx 1$：関係性が主に地理的な近接性によって駆動されている。
   • $\alpha_j \approx 0$：関係性が主に属性の類似性によって駆動されている。
   • $0 < \alpha_j < 1$：両方の次元が寄与する混合効果。
3. マルチスケール最適化： モデルはバックフィッティング・アルゴリズムを用いて、各予測変数に対して2組のパラメータを同時に最適化します。
   • バンド幅 ($bw_j$)： 各変数の空間スケール（局所的変動 vs 全域的変動）を制御する。
   • 混合パラメータ ($\alpha_j$)： 地理的重みと属性重みのバランスを制御する。
   • 最適化はAICcまたは交差検証（CV）スコアを用いて行われ、候補となる各バンド幅に対して最適な $\alpha$ を見つけるために、分割統治法または貪欲なヒルクライミング戦略を利用します。
4. 数学的定式化： 位置 $i$ における局所係数 $\beta_j$ は、$\alpha_j$ と $(1-\alpha_j)$ によって重み付けされた $W_G^{(j)}$ と $W_S^{(j)}$ の線形結合である結合重み行列 $W_{GS}^{(j)}$ を用いた重み付き最小二乗法を用いて推定されます。

主な貢献

• SGWRのマルチスケールへの拡張： 本論文は、変数固有のバンド幅と混合パラメータを導入することで、SGWRフレームワークを拡張し、純粋に地理的なプロセス、純粋に属性駆動型のプロセス、あるいはその混合型のプロセスを区別することを可能にしました。
• 統一されたフレームワーク： M-SGWRは、GWR、SGWR、およびMGWRを特殊なケースとして包含する統一されたモデルとして提示されています。最適化されたパラメータに応じて、標準的なGWR（単一バンド幅、$\alpha=1$）、SGWR（単一バンド幅、混合 $\alpha$）、またはMGWR（変数バンド幅、$\alpha=1$）に還元されます。
• 非平滑な空間プロセスの処理： 属性の類似性を組み込むことで、従来の距離ベースのカーネルが過度に平滑化してしまうような「リモート・クロースネス」や断片的な空間パターンを捉えることができます。

結果
本研究は、2つのシミュレーション実験と1つの実証的適用（米国南東部におけるCOVID-19症例数）を用いてM-SGWRを評価しています。

1. 混合効果シミュレーション： 一部の係数が滑らかな地理的曲面に従い、他の係数が不規則な属性駆動型のパターンに従うデータセットにおいて、M-SGWRはMGWRを大幅に上回りました。
   • M-SGWRはすべての係数において、より低い平方根平均二乗誤差（RMSE）を達成しました。
   • M-SGWRは、純粋に地理的な変数に対しては $\alpha=1$ を、混合変数に対しては $\alpha < 1$ を正しく特定しましたが、MGWRは非平滑な属性駆動型の変動を捉えることができず、過度に平滑化された推定値を生み出しました。
   • 適合度指標（調整済み $R^2$、AICc、RSS）は、M-SGWRにおいて優れていました。
2. 純粋な地理的シミュレーション： データが純粋に地理的な近接性によって生成された場合、M-SGWRはMGWRの解に収束しました（すべての $\alpha_j = 1$）。これは、M-SGWRが必要でない場合には属性による重み付けを強制せず、確立された地理的加重手法と整合していることを示しています。
3. 実証的適用（COVID-19）： カウンティレベルのデータに適用したところ、M-SGWRはすべての指標においてOLS、GWR、SGWR、およびMGWRを上回りました（調整済み $R^2$ はMGWRの0.701からM-SGWRの0.782に上昇。AICcおよびRMSEは最小化）。
   • モデルは、ヒスパニック人口比率や所得中央値のような予測変数が低い $\alpha$ 値（例：0.143および0.205）を持つことを明らかにしました。これは、これらの変数がCOVID-19症例に与える影響が、物理的な近接性よりも社会経済的な類似性によって駆動されていることを示しています。
   • 残差の空間的自己相関（Moran's I）は、他のモデルと比較してM-SGWRにおいて減少しました。

意義と主張
本論文は、M-SGWRが、複雑でグローバルに接続された世界において、より微細で正確な空間的相互作用の表現を提供すると主張しています。地理的な距離のみという制約を超えることで、本モデルは「近い」ことと「関連している」ことが多次元的な概念であることを認めています。著者らは、M-SGWRが、各予測子が空間的重みと属性ベースの重みのバランスを自ら「学習」することを可能にすることで、モデルの適合度、推論、および解釈性を向上させると主張しています。この柔軟性により、従来のモデルが見落としがちな「リモート・クロースネス」を含む複雑な空間パターンを捉えることができます。結論として、地理的な距離は純粋に物理的なプロセスには依然として有効ですが、現代の社会的相互作用を完全に理解するには、空間依存性を把握するために属性空間の統合が必要であるとしています。

著者らが認める限界
著者らは、M-SGWRが $\alpha$ の追加的な最適化と属性重みの計算を行うため、MGWRよりも計算負荷が高いことを指摘しています。今後の課題として、バンド幅と $\alpha$ の同時最適化、局所解を避けるための代替的なメタヒューリスティック探索手法、および大規模なデータセットを扱うための並列コンピューティングの適用などが挙げられています。また、より幅広いデータセットやカーネル関数を用いてモデルをテストすることも求めています。