A Class of Higher-Order INAR Random Fields for Poisson Counts and Beyond

Technische Zusammenfassung: Eine Klasse höherer INAR-Zufallsfelder für Poisson-Zählungen und darüber hinaus

Problemstellung
Bestehende ganzzahlige autoregressive (INAR) Modelle für Zähl-Zufallsfelder, wie das INAR(1, 1) und seine Erweiterungen höherer Ordnung (INAR($p_1, p_2$)), weisen erhebliche theoretische und rechnerische Einschränkungen auf. Insbesondere leiden diese Modelle unter Schwierigkeiten bei der Charakterisierung der stationären Randverteilung und bei der Berechnung bedingter Wahrscheinlichkeiten, die für likelihood-basierte Inferenz unerlässlich sind. Das Kernproblem ergibt sich aus den multiplen binomialen Verdünnungsoperationen, die in Standard-INAR-Rekursionen an jedem Gitterpunkt $(s, t)$ angewendet werden. Diese Komplexität verhindert die Herleitung geschlossener Ausdrücke für die Randverteilung, sodass unklar bleibt, wie Innovationen spezifiziert werden müssen, um bestimmte Zielrandverteilungen (z. B. Poisson oder Negativ-binomial) zu erreichen, während die gewünschte autoregressive Abhängigkeitsstruktur erhalten bleibt. Während Integer-Valued Moving Average (INMA) Modelle Poisson-Randverteilungen aufnehmen können, fehlt ihnen der für autoregressive Prozesse charakteristische allmähliche Gedächtnisabbau, der oft besser zu realen räumlichen Daten passt.

Methodik
Um diese Einschränkungen zu adressieren, schlagen die Autoren eine neue Klasse von Modellen vor, die als kombinierte INAR (CINAR) Zufallsfelder bezeichnet wird. Dieser Ansatz adaptiert das CINAR-Konzept aus der Zeitreihenanalyse (Weiß, 2008b; Zhu und Joe, 2006) auf den räumlichen Bereich.

Das CINAR($p_1, p_2$)-Modell ist durch die Rekursion definiert:
$$X_{s,t} = \sum_{(i,j) \in S} D_{s,t;i,j} \cdot (\alpha \circ X_{s-i,t-j}) + \varepsilon_{s,t}$$
wobei:

• $S$ die Menge der Lag-Indizes außer $(0,0)$ ist.
• $\alpha \in (0, 1)$ ein konstanter Verdünnungsparameter ist.
• $\circ$ den binomialen Verdünnungsoperator bezeichnet.
• $(D_{s,t})$ ein i.i.d. Zufallsfeld von „Entscheidungs"-Vektoren ist, das einer multinomialen Verteilung folgt. An jedem Ort $(s, t)$ wird genau ein Lag-Term zur Verdünnung ausgewählt, während die anderen ignoriert werden.
• $\varepsilon_{s,t}$ i.i.d. Zähl-Innovationen darstellt.

Dieser Mechanismus der „einzelnen Verdünnung" pro Ort unterscheidet CINAR von Standard-INAR-Modellen, die Verdünnung auf alle Lag-Terme gleichzeitig anwenden.

Hauptbeiträge und theoretische Ergebnisse

1. Stationäre Randverteilung: Die Autoren leiten einen geschlossenen Ausdruck für die erzeugende Funktion (pgf) der stationären Randverteilung her. Sie zeigen, dass CINAR-Modelle mit jeder diskreten selbstzerlegbaren (DSD) Verteilung (einschließlich Poisson und Negativ-binomial) als Randverteilung ausgestattet werden können. Die erforderliche Innovationsverteilung wird explizit durch die Beziehung $pgf_\varepsilon(u) = pgf_X(u) / pgf_X(1 - \alpha + \alpha u)$ bestimmt.
2. Autokorrelationsstruktur: Die räumliche Autokorrelationsfunktion (ACF) des CINAR-Modells erfüllt einen Satz von Yule-Walker-Gleichungen, die in ihrer Form identisch mit denen des Standard-INAR($p_1, p_2$)-Modells sind, sofern die Koeffizienten als $\theta_{ij} = \alpha \phi_{ij}$ neu parametrisiert werden. Somit behält CINAR die klassische AR-artige Autokorrelationsstruktur bei.
3. Bedingte Wahrscheinlichkeiten: Ein wesentlicher rechnerischer Vorteil ist die Herleitung eines einfachen Ausdrucks für die bedingte Verteilung $P(X_{s,t} = x | P_{s,t})$. Im Gegensatz zu Standard-INAR-Modellen, die komplexe mehrfache Faltungen erfordern (z. B. dreifach für INAR(1, 1)), beinhaltet die CINAR-bedingte Verteilung nur eine einzelne Faltung. Dies vereinfacht die Berechnung von Likelihood-Funktionen erheblich.
4. Erweiterungen: Der Artikel skizziert potenzielle Erweiterungen zu multilateralen CINAR-Modellen (die zukünftige Lags einbeziehen) und Tobit-CINAR-Modellen (zur Behandlung negativer Abhängigkeiten durch Zensierung bei Null), wobei diese jedoch als Gegenstand zukünftiger Forschung gekennzeichnet sind.

Parameterschätzung und Simulationsergebnisse
Der Artikel entwickelt drei Schätzansätze:

• Yule-Walker (YW): Basierend auf Stichproben-Autokorrelationen.
• Bedingte Kleinste-Quadrate (CLS): Minimierung der quadrierten Abweichungen des bedingten Mittelwerts.
• Bedingte Maximum-Likelihood (CML): Maximierung der Likelihood basierend auf den hergeleiteten bedingten Wahrscheinlichkeiten.

Eine umfassende Simulationsstudie an Poisson- und Negativ-binomialen CINAR(1, 1)- und CINAR(2, 2)-Modellen zeigt:

• Leistung: Der CML-Schätzer übertrifft YW und CLS konsistent in Bezug auf Verzerrung und Standardabweichung, insbesondere wenn Abhängigkeitsparameter groß sind.
• Verzerrung bei Konkurrenten: YW- und CLS-Schätzer weisen bei großen Abhängigkeitsparametern eine starke negative Verzerrung auf, was zu einer positiven Verzerrung im geschätzten Innovationsmittelwert führt.
• Modellfehlspezifikation: CML ist hochsensibel gegenüber Modellfehlspezifikation (z. B. Anpassung eines Poisson-Modells an Negativ-binomiale Daten), was zu einer nicht verschwindenden Verzerrung führt. In solchen Fällen kann CLS besser abschneiden. Die Autoren stellen fest, dass eine erhebliche Diskrepanz zwischen CLS- und CML-Schätzungen als diagnostische Warnung vor Modellfehlspezifikation dienen kann.

Empirische Anwendung
Die praktische Relevanz der CINAR-Familie wird anhand von landwirtschaftlichen Weizenertragsdaten (Iyer, 1942) demonstriert. Die Daten zeigen ein nahezu Poisson-artiges Randverhalten und positive räumliche Abhängigkeit.

• Ein vereinfachtes CINAR(1, 1)-Modell (ohne diagonale Abhängigkeit) lieferte eine gute Anpassung, bestätigt durch Informationskriterien (AIC/BIC) und Diagnosewerkzeuge (Pearson-Residuen und Histogramme der Wahrscheinlichkeitsintegraltransformation).
• Ein vereinfachtes CINAR(2, 2)-Modell verbesserte die Anpassung weiter, indem es Restabhängigkeiten bei spezifischen Lags erfasst, und übertraf dabei alle Kandidaten erster Ordnung.
• Die Anwendung unterstreicht die Fähigkeit des Modells, reale Zähl-Gitterdaten mit interpretierbaren Randverteilungen zu behandeln.

Bedeutung und Behauptungen
Der Artikel behauptet, dass die CINAR-Familie eine „nützliche" Alternative zu bestehenden INAR-Zufallsfeldern bietet, indem sie den Zielkonflikt zwischen flexiblen Randverteilungen und handhabbarer Inferenz auflöst. Durch die Kombination der klassischen AR-artigen Autokorrelationsstruktur mit der Möglichkeit, Poisson- oder Negativ-binomiale Randverteilungen zu spezifizieren, überwinden CINAR-Modelle den „Nachteil einer unklaren Randverteilung", der Standard-INAR-Modellen inhärent ist. Darüber hinaus erleichtert die vereinfachte Berechnung bedingter Wahrscheinlichkeiten die likelihood-basierte Inferenz, die für INAR-Felder höherer Ordnung zuvor rechnerisch untragbar war. Die Autoren schließen, dass CML zwar die bevorzugte Schätzmethode für korrekt spezifizierte Modelle ist, aber rigorose Modelldiagnostik unerlässlich ist, um die Fallstricke der Fehlspezifikation zu vermeiden.