Copula-based models for spatially dependent cylindrical data

Resumen Técnico: Modelos basados en Cópulas para Datos Cilíndricos con Dependencia Espacial

Planteamiento del Problema
Los datos cilíndricos, que consisten en variables emparejadas de ángulo (circular) e intensidad (lineal), son frecuentes en campos como la meteorología, la oceanografía y la ecología. Un desafío principal al analizar estos datos es modelar conjuntamente la dependencia angular-lineal y la autocorrelación espacial, manteniendo la flexibilidad en las especificaciones marginales. La literatura existente suele apoyarse en construcciones basadas en cópulas, pero típicamente trata los parámetros de la cópula como constantes no relacionadas con covariables y restringe la regresión marginal a predictores lineales, ignorando así la correlación espacial. Además, los enfoques estándar basados en la distribución Gaussiana suelen fallar al no poder acomodar márgenes no gaussianos o dependencias no lineales entre los componentes circulares y lineales.

Metodología
Los autores proponen un Modelo de Regresión de Cópula Condicional Aditiva Estructurada para datos cilíndricos, denominado modelo de Cópula Parcialmente Envuelta (PWC, por sus siglas en inglés). La metodología se construye sobre los siguientes componentes:

• Enfoque Parcialmente Envuelto: En lugar de definir la distribución conjunta directamente en el cilindro $S^1 \times \mathbb{R}$, el modelo adopta un enfoque de "envoltura" (wrapped). La respuesta circular $\phi_1(s)$ se trata como el módulo $2\pi$ de un proceso espacial lineal latente subyacente $Y_1(s)$. Se introduce un proceso de número de vueltas (winding number) latente $k(s) \in \mathbb{Z}$ tal que $Y_1(s) = \phi_1(s) + 2\pi k(s)$, lo que permite al modelo operar en el espacio lineal no envuelto $\mathbb{R}^2$ antes de envolver el componente circular.
• Marco de Cópula Condicional: Aprovechando el teorema de Sklar, la distribución condicional conjunta se desacopla en distribuciones marginales y una función de cópula que gobierna la dependencia. Se permite que el parámetro de la cópula $\rho$ varíe en función de las covariables y el espacio, abordando la brecha en los modelos cilíndricos existentes donde los parámetros de la cópula suelen ser estáticos.
• Distribuciones Marginales:
  • El componente circular se modela utilizando una distribución Gaussiana Envuelta (WG), inducida por un Proceso Gaussiano (GP) subyacente.
  • El componente lineal sigue una distribución Log-Normal, también impulsada por un GP subyacente.
• Dependencia Espacial y No Estacionariedad: Los efectos espaciales se modelan mediante Campos Aleatorios de Markov Gaussianos (GMRF) derivados de Ecuaciones Diferenciales Parciales Estocásticas (SPDE). Este enfoque aproxima los Campos Aleatorios Gaussianos (GRF) para asegurar la eficiencia computacional mediante matrices de precisión dispersas. Crucialmente, el modelo permite la no estacionariedad tanto en las estructuras de media como de covarianza, permitiendo que los parámetros de la SPDE (rango y varianza) varíen suavemente en el espacio a través de predictores log-lineales.
• Inferencia Bayesiana: La estimación posterior se realiza mediante simulación de Monte Carlo por Cadenas de Markov (MCMC). Los autores emplean un enfoque de dos etapas: primero, se ajustan los modelos marginales (muestreando los números de vueltas latentes y los parámetros del GP) y, segundo, se estiman los coeficientes de la regresión de la cópula condicionados a los marginales ajustados. Esta estrategia reduce la carga computacional en comparación con la estimación conjunta, manteniendo al mismo tiempo una cuantificación válida de la incertidumbre.

Contribuciones Clave

1. Cópulas Dependientes de Covariables para Datos Cilíndricos: El artículo extiende la aplicación de las cópulas dependientes de covariables a entornos cilíndricos, permitiendo que la estructura de dependencia entre la dirección y la velocidad del viento (o variables similares) varíe según las covariables ambientales.
2. Modelado Espacial y Marginal Flexible: Al combinar procesos gaussianos envueltos con regresión de distribución, el modelo acomoda márgenes no gaussianos y efectos espaciales no lineales.
3. Procesos Espaciales No Estacionarios: El marco modela explícitamente la dependencia espacial no estacionaria tanto en la media como en la covarianza de los procesos latentes, utilizando el marco SPDE-GMRF para manejar la complejidad computacional de grandes conjuntos de datos espaciales.
4. Recuperación del Número de Vueltas Latente: La introducción de un proceso de número de vueltas latente facilita el uso de técnicas estándar de modelado espacial lineal para datos circulares, evitando las complejidades de la periodicidad parcial en la verosimilitud conjunta.

Resultos

• Estudio de Simulación: Un estudio de simulación evaluó la capacidad del modelo para identificar la dependencia de cola (cópulas Gaussiana, Clayton y Gumbel) y los efectos de las covariables. Los resultados indicaron que los criterios de información (DIC y WAIC) fueron generalmente efectivos para seleccionar la familia de cópulas correcta. Las cópulas asimétricas (Clayton y Gumbel) se distinguieron más fácilmente de la cópula Gaussiana debido a sus propiedades de cola distintivas, particularmente a medida que aumentaban los tamaños de muestra.
• Aplicación a Datos de Viento Alemanes: El modelo se aplicó a datos horarios de dirección y velocidad del viento de 289 estaciones meteorológicas en Alemania durante un evento de tormenta (enero de 2025).
  • Selección del Modelo: La cópula de Gumbel con un parámetro dependiente de la covariable proporcionó el mejor ajuste, superando a los modelos con parámetros constantes o supuestos de independencia. Esto indicó la presencia de dependencia de cola superior entre la dirección y la velocidad del viento durante la tormenta.
  • Efectos de las Covariables: El análisis reveló que una mayor presión atmosférica estaba asociada con velocidades de viento más bajas y direcciones alteradas, mientras que la temperatura del aire y la humedad aumentaban las velocidades del viento. El parámetro de dependencia $\rho$ se asoció positivamente con la presión atmosférica y la visibilidad, sugiriendo una dependencia más fuerte bajo condiciones atmosféricas estables.
  • Predicción Espacial: El modelo capturó con éxito la dinámica del viento en el norte y el centro de Alemania. El rendimiento predictivo fue ligeramente menor en las regiones montañosas del sur (Alpes), atribuido a efectos orográficos complejos y a la resolución actual de la malla. La media posterior del parámetro de la cópula mostró un gradiente espacial, con una dependencia más fuerte en el norte en comparación con el sur.

Significancia y Reivindicaciones
Los autores afirman que el modelo PWC propuesto ofrece un marco flexible para el análisis de datos cilíndricos con dependencia espacial que supera las limitaciones de los enfoques actuales. Al integrar los efectos de las covariables en la estructura de dependencia y permitir procesos espaciales no estacionarios, el modelo proporciona una representación más precisa de fenómenos ambientales complejos como el comportamiento del viento. El trabajo enfatiza que, si bien la aplicación se centra en el viento, el marco es generalizable a cualquier dato espacial circular-lineal. El estudio destaca la importancia de ir más allá de los supuestos de dependencia estática y los predictores lineales para capturar las relaciones matizadas entre la dirección y la intensidad en conjuntos de datos con correlación espacial. Se sugiere como trabajo futuro extender el marco a entornos espacio-temporales completos y explorar distribuciones marginales más flexibles (por ejemplo, Gaussianas envueltas sesgadas) y formulaciones de cópula semiparamétricas.