Analyzing directional errors in spatial orientation using nonparametric circular regression with mixed covariates

这是一篇关于**非参数圆回归（Nonparametric Circular Regression）**的学术论文，主要解决了在混合协变量（连续型和分类型）存在的情况下，如何对空间定向中的方向性误差进行建模、带宽选择及不确定性量化的问题。

以下是对该论文的详细技术总结：

1. 研究背景与问题定义 (Problem)

• 核心问题：空间定向（Spatial Orientation）是人类利用感官信息更新感知方向的关键认知技能。对于视障人士或在感官受限环境下，方向估计往往会出现系统性偏差和不确定性增加。
• 数据特征：
  • 响应变量：方向误差（Angular Error）。这是一个圆形数据（Circular Data），取值范围在 $(-\pi, \pi]$ 或 $[0, 2\pi)$ 之间。传统的线性回归不适用，因为圆形数据具有周期性（例如 $359^\circ$ 和 $1^\circ$ 非常接近）。
  • 协变量：混合类型。包括连续型协变量（如目标距离、距离估计误差）和分类型协变量（如感官条件：控制组、预览、面向前方、听觉、剥夺）。
• 现有挑战：
  • 现有的圆回归方法多针对单一连续协变量，缺乏处理混合协变量（连续 + 分类）的成熟非参数方法。
  • 带宽选择（Bandwidth Selection）：在非参数平滑中，带宽的选择至关重要。现有的数据驱动方法（如交叉验证）在圆回归混合协变量场景下计算复杂且不稳定，缺乏针对圆形损失函数（Cosine Loss）的专用自助法（Bootstrap）选择准则。
  • 不确定性量化：缺乏针对圆回归函数的**同时置信带（Simultaneous Confidence Bands）**构建方法。

2. 方法论 (Methodology)

论文提出了一套完整的非参数圆回归框架，主要包含以下核心组件：

2.1 模型与估计量

• 模型设定：假设响应变量 $\Theta_i$ 满足 $\Theta_i = [m(X_i, Z_i) + \epsilon_i] \pmod{2\pi}$，其中 $X$ 为连续协变量，$Z$ 为分类协变量。回归函数 $m(x, z)$ 定义为最小化角风险（Angular Risk）的解。
• 估计器：采用乘积核 Nadaraya-Watson (NW) 估计器。
  • 利用乘积核结构 $K_h(x, X_i) L_\lambda(z, Z_i)$ 分别处理连续和分类变量。
  • 通过 $\text{atan2}$ 函数将正弦和余弦分量的加权平均转换回角度，从而保持圆形的几何特性。
  • 该方法不假设协变量独立，允许连续变量效应随分类水平变化（即存在交互作用）。

2.2 渐近理论

• 推导了估计量的**渐近偏差（Bias）和方差（Variance）**表达式。
• 关键发现：
  • 偏差由两部分组成：连续变量的平滑项（$O(h^2)$）和分类变量的平滑项（$O(\lambda)$）。
  • 分类平滑项涉及汉明距离（Hamming distance）为 1 的类别间的信息借用。
  • 方差项受局部设计密度和圆形残差离散度的影响。

2.3 带宽选择策略

针对混合协变量和圆形响应，提出了三种带宽选择方法并进行比较：

1. 留一交叉验证 (Leave-One-Out Cross-Validation, CV)：最小化圆形预测损失。
2. 基于自助法的带宽选择 (Bootstrap-based Selection)：
   • 专门针对**余弦损失（Cosine Loss）**设计。
   • 通过残差重采样生成伪响应，利用自助法估计全局风险。
   • 在模拟中表现出比 CV 更稳定的性能。
3. 经验法则 (Rule-of-Thumb, RoT)：基于样本量和边际标准差的启发式公式，作为快速基准。

2.4 同时置信带 (Simultaneous Confidence Bands)

• 提出了一种基于自助法的算法，用于构建回归函数的同时置信带。
• 通过迭代校准（Iterative Calibration）调整置信水平，以在圆形尺度上实现全局覆盖（Global Coverage），避免点wise区间或保守的 Bonferroni 校正带来的过宽问题。

3. 主要贡献 (Key Contributions)

1. 理论推导：首次为非参数圆回归在混合协变量下的 NW 估计器推导了渐近偏差和方差公式。
2. 方法创新：
   • 开发了针对圆形数据的自助法带宽选择准则，解决了混合协变量下带宽选择的难题。
   • 构建了圆回归函数的同时置信带，提供了更严谨的不确定性量化。
3. 软件实现：所有方法已封装在 R 语言包 circMixedReg 中，便于复现和应用。
4. 实证应用：将方法应用于真实的室内导航实验数据，揭示了不同感官条件下方向误差的非线性模式。

4. 实验结果 (Results)

4.1 模拟研究 (Simulation Study)

• 设置：在不同样本量（$n=100, 200, 500$）和噪声水平下，比较 CV、Bootstrap 和 RoT 三种方法。
• 发现：
  • Bootstrap 方法在平均误差（CASE）上表现最佳，特别是在小样本和复杂回归函数下。
  • CV 方法波动较大，对样本变异敏感。
  • RoT 方法计算最快，但倾向于过度平滑（Oversmoothing）。
  • Bootstrap 方法在偏差 - 方差权衡上表现最稳定。

4.2 真实数据分析 (Spatial Orientation Data)

• 数据：Legge et al. (2016b) 的实验数据，包含 64 名参与者（视力正常、低视力、全盲）在 5 种感官条件下的 679 次试验。
• 主要发现：
  • 控制组 (Control)：误差分布紧密集中在 0 附近，方向更新最准确。
  • 感官受限组：
    • 听觉 (Auditory)：误差随距离增加而呈现正偏差（顺时针漂移），表明仅靠听觉时方向感随距离逐渐偏离。
    • 剥夺 (Deprivation)：表现出最大的平均方向偏差和分散度。
    • 非单调性：某些条件（如 Preview）显示出非单调的误差模式。
  • 置信带：同时置信带清晰地展示了不同距离下误差显著偏离 0 的区间，量化了感官限制带来的系统性偏差。
  • 扩展分析：引入“距离估计误差”作为第二个连续协变量后，模型拟合度进一步提升，揭示了物理距离和主观感知偏差对方向误差的联合影响。

5. 意义与结论 (Significance & Conclusion)

• 认知科学意义：该研究量化了感官限制如何导致非线性的、距离依赖的方向性偏差。证实了非视觉模态（听觉、本体感觉）虽能支持空间更新，但精度较低且存在系统性漂移，这对理解人类空间认知机制至关重要。
• 应用价值：
  • 辅助技术设计：为视障人士的导航辅助系统（如听觉或触觉反馈）提供了设计依据，特别是在长距离导航中需补偿特定的方向偏差。
  • 康复策略：帮助制定针对特定感官缺失的定向训练方案。
• 方法论贡献：填补了混合协变量圆回归领域的空白，提供了一种灵活、非参数且能处理复杂交互效应的统计工具，避免了传统参数模型或简单分层分析的局限性。

总结：本文通过结合非参数统计理论与圆形数据分析，提出了一套稳健的混合协变量圆回归框架。该方法不仅在理论上完善了渐近性质，更通过创新的自助法带宽选择和置信带构建，成功解析了复杂感官环境下的空间定向误差模式，为相关领域的实证研究提供了强有力的统计工具。