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

Título: RESAPLE: Um Estimador de Verossimilhança Restrita Aproximada de Um Passo para Dependência Espacial em Análise Exploratória Espacial

1. O Problema

A análise de dados espaciais frequentemente envolve a detecção e quantificação da autocorrelação espacial (dependência espacial) em dados de áreas (lattice), especialmente após o ajuste de modelos de regressão que incluem covariáveis (tendências de grande escala).

• Limitações dos Métodos Atuais:
  • Índice de Moran ($I_M$): Amplamente utilizado para diagnóstico, mas é um estimador enviesado do parâmetro de dependência espacial ($\rho$), exceto quando $\rho \approx 0$. É excelente para detecção, mas inadequado para estimação precisa.
  • Estimador de Perfil de Verossimilhança Aproximado (APLE): Oferece uma estimativa de $\rho$ mais precisa e mantém a interpretabilidade do Índice de Moran. No entanto, o APLE padrão é derivado da verossimilhança de perfil completa (ML), que trata os coeficientes de regressão ($\beta$) como parâmetros de interesse dentro da mesma função de verossimilhança.
  • A Incompatibilidade Prática: Na prática, os analistas geralmente removem as covariáveis primeiro (estimando $\beta$ via mínimos quadrados) e depois aplicam o APLE ou Moran nos resíduos. O APLE padrão não é construído especificamente para esse espaço residual, podendo ser sensível à especificação das covariáveis e não alinhar-se perfeitamente com a inferência sobre a estrutura de covariância após o "detrending".

2. Metodologia: O Estimador RESAPLE

Os autores propõem o RESAPLE (Restricted Spatial Approximate Profile Likelihood Estimator), um novo estatístico projetado especificamente para o espaço residual.

• Fundamentação Teórica:

  • O método baseia-se na Verossimilhança Restrita (REML), que elimina os efeitos fixos ($\beta$) antes de estimar os parâmetros de covariância ($\rho$).
  • O espaço de dados é projetado no subespaço residual ortogonal às covariáveis ($Im(X)^\perp$), utilizando projeções ortogonais ($M = I - P$).
  • Define-se contrastes residualizados $e = H^\top Z$, onde $H$ é uma base ortonormal do espaço residual.

• Definição do Estimador:
  O RESAPLE é derivado como uma solução de um passo (one-step) da equação de pontuação da verossimilhança restrita perfilada em torno de $\rho = 0$. A fórmula é dada por:
  $$\hat{\rho}_{RESAPLE} = \frac{e^\top (K_r - \mu_r I_r) e}{e^\top (W_r^\top W_r + \nu_r I_r) e}$$
  Onde:

  • $W_r$ e $K_r$ são as matrizes de pesos espaciais e seus simetrizados projetados no espaço residual.
  • $\mu_r$ e $\nu_r$ são termos de correção baseados no traço das matrizes projetadas.
  • O estimador é uma razão de formas quadráticas, mantendo a simplicidade computacional do APLE e do Índice de Moran.

• Propriedades Chave:

  • Invariância: O estimador é invariante a reparametrizações da matriz de design $X$ e à escolha da base ortonormal $H$.
  • Viés Reduzido: Por ser baseado na REML, reduz o viés de estimação de $\rho$ em amostras finitas, especialmente quando covariáveis estão presentes.
  • Interpretabilidade: Mantém a estrutura de "coeficiente de Rayleigh", permitindo visualizações intuitivas (como gráficos de dispersão).

3. Contribuições Principais

1. Novo Estimador (RESAPLE): Preenche a lacuna entre a prática comum de análise de resíduos e a teoria de verossimilhança, fornecendo um estimador de $\rho$ que é matematicamente consistente com a abordagem de resíduos.
2. Diagnóstico para Seleção de Pesos Espaciais ($W$):
   • Os autores derivam uma expressão analítica para a Informação de Fisher Restrita no Nulo ($\mathcal{I}_r(0)$).
   • Esta métrica serve como um critério objetivo para selecionar a matriz de pesos espaciais $W$ que oferece maior poder local para detectar dependência espacial após o ajuste de covariáveis.
3. Ferramentas de ESDA (Análise Exploratória de Dados Espaciais):
   • Gráfico de Dispersão RESAPLE: Uma generalização do gráfico de dispersão de Moran, onde os eixos são definidos intrinsecamente no espaço residual, permitindo identificar contribuições locais e alavancagem (leverage) ajustadas às covariáveis.
   • Testes de Hipótese: Propõe três métodos de teste para $\rho=0$: teste exato (Gaussiano), teste de permutação (Freedman-Lane) e teste assintótico $z$.

4. Resultados (Estudos de Simulação e Caso Real)

Os autores validaram o método através de simulações extensivas e um estudo de caso com dados reais.

• Simulações (Desempenho como Estimador):

  • O RESAPLE apresentou o Menor Erro Quadrático Médio (RMSE) na maioria dos cenários, superando o Moran, APLE (em resíduos), MAPLE e REML completo em termos de equilíbrio entre viés e variância.
  • A vantagem é mais pronunciada em amostras pequenas e quando o número de covariáveis é alto (reduzindo os graus de liberdade residuais).
  • Embora tenha variabilidade amostral ligeiramente maior que alguns concorrentes em casos extremos, seu viés significativamente menor resulta em maior precisão global.

• Simulações (Desempenho como Estatística de Teste):

  • O RESAPLE demonstrou maior poder estatístico para detectar autocorrelação espacial residual em comparação com Moran e APLE, especialmente em topologias irregulares e com poucos graus de liberdade residuais.
  • A métrica de informação restrita ($\mathcal{I}_r(0)$) mostrou-se um preditor eficaz do poder do teste: matrizes de pesos com maior $\mathcal{I}_r(0)$ geraram testes mais poderosos.
  • Testes exatos e de permutação mantiveram o tamanho do teste (size) correto, enquanto testes assintóticos $z$ podem ser conservadores em amostras pequenas ou topologias irregulares.

• Estudo de Caso (King County, EUA):

  • Aplicado a dados de renda média domiciliar (ACS) com múltiplas covariáveis socioeconômicas.
  • O RESAPLE rastreou mais de perto a estimativa REML completa do que os métodos baseados em ML (APLE/MAPLE), confirmando sua adequação para dados ajustados.
  • A visualização (gráfico de dispersão e mapa de contribuições locais) identificou corretamente áreas de alta renda (Seattle) como outliers positivos, alinhando-se com a intuição geográfica.

5. Significado e Conclusão

O artigo RESAPLE representa um avanço significativo na estatística espacial aplicada ao:

• Resolver a Lacuna Teórico-Prática: Alinha a metodologia de estimação com o fluxo de trabalho padrão dos analistas (ajuste de tendência seguido de análise de resíduos).
• Melhorar a Precisão: Oferece um estimador mais confiável de dependência espacial em cenários de dados reais, onde covariáveis são essenciais.
• Guiar a Seleção de Modelos: Fornece uma ferramenta analítica ($\mathcal{I}_r(0)$) para resolver a ambiguidade comum na escolha da matriz de pesos espaciais, permitindo que os analistas escolham a estrutura de vizinhança que maximiza a capacidade de detectar dependência residual.

Em suma, o RESAPLE é uma ferramenta robusta, computacionalmente eficiente e teoricamente fundamentada para Análise Exploratória de Dados Espaciais (ESDA) em modelos de erro espacial com covariáveis.