Connecting reflective asymmetries in multivariate spatial and spatio-temporal covariances

Resumen Técnico: Conectando Asimetrías Reflectivas en Covarianzas Espaciales y Espacio-Temporales Multivariantes

Planteamiento del Problema
En el análisis de datos espaciales multivariantes y de datos espacio-temporales univariantes, se observan frecuentemente estructuras de dependencia asimétricas que, sin embargo, suelen ser difíciles de modelar eficazmente. Los marcos estándar de procesos gaussianos dependen de funciones de covarianza simétricas, mientras que los fenómenos del mundo real, como la advección atmosférica o las corrientes oceánicas, a menudo exhiben direccionalidad. El enfoque predominante para modelar tales asimetrías en datos de espacio-tiempo es el modelo Lagrangiano, que interpreta la asimetría como un proceso que evoluciona con direccionalidad (por ejemplo, el transporte por viento). Sin embargo, los modelos Lagrangianos presentan limitaciones: no incluyen naturalmente el modelo separable y simétrico como un caso especial (lo que dificulta las pruebas de razón de verosimilitud para la simetría), ofrecen un control independiente limitado sobre las covarianzas espaciales y temporales marginales, y requieren un gran número de parámetros, particularmente en dimensiones espaciales superiores. Además, los modelos espaciales multivariantes asimétricos existentes se han restringido mayoritariamente a entornos de una dimensión o a formas funcionales específicas.

Metodología
Este artículo introduce un nuevo paradigma denominado "asimetría reflectiva", aprovechando construcciones recientes en el dominio espectral para datos espaciales multivariantes para desarrollar covarianzas espacio-temporales asimétricas.

1. Asimetría Reflectiva en Datos Espaciales:
   Los autores extienden las covarianzas cruzadas espaciales multivariantes asimétricas a dimensiones arbitrarias $d$. Estas covarianzas se construyen multiplicando la densidad espectral $f(x)$ de una covarianza espacial simétrica por el término $-i \text{sign}(\langle x, \tilde{x} \rangle)$, donde $\tilde{x}$ es un vector direccional unitario. Esta operación introduce un componente de función impar a la cocovarianza, creando una asimetría "reflectiva" a través del origen.

• El artículo deriva expresiones de forma cerrada para las partes asimétricas de las covarianzas de tipo Exponencial al Cuadrado, Cauchy y Matérn en dimensiones generales $d$. Para los modelos de Exponencial al Cuadrado y Cauchy, estas se expresan utilizando la función de error imaginaria ($\text{erfi}$) y funciones hipergeométricas, respectivamente.
• Se proporciona una representación de mezcla de escalas para generar formas asimétricas para una amplia clase de covarianzas.

2. Modelos Espacio-Temporales de Asimetría Reflectiva:
   La contribución central es la extensión de estas construcciones espaciales a entornos espacio-temporales univariantes. Los autores proponen una densidad espectral $f(x, \eta)$ para covarianzas espacio-temporales definida como:
   $$f(x, \eta) = \sigma f^*(\|x\|, |\eta|) \{1 + \xi \text{sign}(\langle x, \tilde{x} \rangle)\text{sign}(\eta)\}$$
   donde $f^*$ es una densidad espectral espacio-temporal simétrica, $\xi \in (-1, 1)$ es un parámetro de asimetría, y $\eta$ es la frecuencia temporal.

• Modelos de Tipo Separable: Cuando $f^*$ es separable, la covariancia espacio-temporal resultante se descompone en una parte separable simétrica y una parte asimétrica: $C(h, u) = \sigma [C_s^\Re(h)C_t^\Re(u) + \xi C_s^\Im(h)C_t^\Im(u)]$. Esta construcción permite que el modelo separable simétrico sea un caso especial (cuando $\xi=0$).
• Modelos de Tipo Gneiting: Los autores también construyen versiones no separables de tipo Gneiting de las covarianzas, proporcionando formas cerradas para $d=1$ que involucran la función de error ($\text{erf}$).

3. Implementación Computacional y Práctica:

• Simulación: Se propone un algoritmo de simulación espectral eficiente utilizando el muestreo de rechazo e identidades trigonométricas para simular campos con estas covarianzas asimétricas.
• No Estacionariedad: El marco acomoda la anisotropía geométrica permitiendo que el vector direccional y los parámetros de rango varíen espacialmente.
• Inferencia a Gran Escala: Para manejar grandes conjuntos de datos donde la evaluación de la verosimilitud completa es prohibitiva, el artículo integra estos modelos en el marco de aproximación Vecchia (específicamente dentro del paquete de R GpGp), utilizando estructuras de producto de Kronecker para los modelos de tipo separable para reducir la complejidad computacional.

Resultados Clave

• Propiedades Teóricas: Los nuevos modelos mantienen el control sobre las covarianzas marginales espaciales y temporales, una característica no garantizada en los modelos Lagrangianos. El modelo de asimetría reflectiva contiene al modelo separable simétrico, lo que permite realizar pruebas estadísticas rigurosas de la presencia de asimetría mediante pruebas de razón de verosimilitud.
• Eficiencia de Parámetros: Los modelos reflectivos requieren significativamente menos parámetros que el modelo Lagrangiano completo (específicamente $1 + (d-1)$ parámetros adicionales para la dirección y la fuerza de la asimetría frente a $O(d^2)$ para el Lagrangiano), ofreciendo mayor parsimonia.
• Estudios de Simulación:
  • En simulaciones espaciales multivariantes, los modelos asimétricos demostraron un ajuste superior (menor AIC) cuando el proceso generador de datos real era asimétrico, mientras que funcionaron de manera comparable a los modelos simétricos cuando el proceso real era simétrico.
  • En simulaciones espacio-temporales, los modelos de asimetría reflectiva superaron a los modelos Lagrangianos cuando el proceso real era simétrico o de asimetría reflectiva. Por el contrario, cuando el proceso real era Lagrangiano, los modelos reflectivos funcionaron peor, confirmando que ambos marcos representan clases de asimetría sustancialmente diferentes.
• Análisis de Datos de Viento Irlandés: Aplicado al conjunto de datos de referencia de viento irlandés (11 ubicaciones, 1961–1978), los modelos de asimetría reflectiva superaron consistentemente a sus contrapartes simétricas y al modelo Lagrangiano estándar en términos de AIC y log-verosimilitud.
  • La dirección de asimetría estimada ($\tilde{x}$) apuntaba al Este, consistente con el flujo atmosférico conocido de Oeste a Este.
  • Los modelos con covarianzas temporales de tipo Cauchy proporcionaron el mejor ajuste.
  • Aunque los tiempos de estimación fueron ligeramente mayores para algunos modelos asimétricos, fueron generalmente más rápidos que el modelo Lagrangiano, con la excepción de los casos que involucraban la estimación de parámetros complejos de Cauchy.

Significancia y Reivindicaciones
El artículo afirma que el marco de asimetría reflectiva ofrece una alternativa flexible, parsimoniosa y computacionalmente tratable para capturar la dependencia asimétrica en datos espacio-temporales. Las principales ventajas destacadas son:

1. Flexibilidad: La capacidad de controlar independientemente las covarianzas marginales e incorporar asimetría sin alterar la estructura marginal.
2. Capacidad de Prueba: El anidamiento del modelo simétrico permite la realización de pruebas estadísticas rigurosas de asimetría.
3. Aplicabilidad: Se demuestra que los modelos mejoran el ajuste del modelo y el rendimiento de la predicción tanto en simulaciones como en datos ambientales del mundo real (viento irlandés).
4. Viabilidad Computacional: La integración con la aproximación de Vecchia hace que estos modelos sean viables para conjuntos de datos espacio-temporales a gran escala.

Los autores señalan limitaciones, específicamente la falta de expresiones de forma cerrada para las covariocas cruzadas de tipo Matérn asimétricas en dimensiones $d > 1$ y la restricción actual de las formas asimétricas de tipo Gneiting a $d=1$. Sugieren que trabajos futuros podrían explorar la combinación de enfoques reflectivos y Lagrangios o extender el marco a covarianzas cruzadas espacio-temporales multivariantes.