近日，由西南财经大学统计研究中心张晨琳博士、周岭教授、郭斌教授和林华珍教授合作完成的论文“Spatial effect detection regression for large scale spatio-temporal covariates”被统计学国际顶级学术期刊《Journal of the Royal Statistical Society: Series B (Statistical Methodology)》正式发表。
 
内容简介
尽管深度神经网络模型可基于时空数据做高精度预测，但不具有解释性且需要大量样本，在一些专业领域，比如医学较难适用。时空数据分析的关键在于理解并刻画时间空间上变化对结果的影响，目前有部分的工作描述时空数据的规范化变化影响。但在实际问题中，空间相连的区域可能有完全不同的表达，比如相连的脑区可能有不同的功能。为了自动检测及描述超高维大尺度时空变量的规范及不规范影响，我们提出时空效应检测回归模型。一方面，我们利用变量之间潜在的空间和时间相关信息，假设空间效应中的分量函数和系数函数是位置和时间的未知光滑函数，同时引入一组0-1回归系数来自动识别空间效应的边界。我们在理论上探讨了估计量在不同维数下的性能，证明该模型能够将高维时空协变量的维度灾难转化为维度福利，并证明提出的方法可以自动检测规范及不规范的空间效应。模拟研究评估了所提方法的优越性能，验证了所得的理论结果。最后，我们将方法应用于分析环境监测数据和阿尔茨海默病检测，结果显示样本外预测误差均显著优于现存方法，特别在有限数据量下，预测精度明显优于深度神经网络，并且我们的结果可清楚解释影响方式及影响强度。具体地，基于提出的方法，我们发现了各个城市的空气污染模式如何受地理环境的影响，及影响阿尔茨海默症的重要脑区域。

作者简介
张晨琳，西南财经大学统计研究中心博士研究生，研究方向包括函数型数据分析、非参数统计、高维数据，迁移学习等。
周岭（共同一作），西南财经大学统计研究中心教授，研究领域包括深度学习，大数据分析，数据集成，迁移学习，亚组分析等。
郭斌，西南财经大学统计研究中心教授，研究领域包括高维数据的假设检验，高维时间序列的降维，时空数据等。
林华珍（通讯作者），西南财经大学统计研究中心教授，研究领域包括深度学习理论、非参数方法、生存数据分析、函数型数据分析等。