Generalised Linear Models Driven by Latent Processes: Asymptotic Theory and Applications

A continuación presento un resumen técnico detallado del artículo "Generalised Linear Models Driven by Latent Processes: Asymptotic Theory and Applications" (Modelos Lineales Generalizados impulsados por procesos latentes: Teoría asintótica y aplicaciones), escrito por Wagner Barreto-Souza y Ngai Hang Chan.

---

1. Planteamiento del Problema

Los modelos de series temporales para datos de conteo, continuos reales, binarios y positivos continuos a menudo requieren capturar la dependencia temporal no observada. La literatura previa, como los trabajos de Zeger (1988), Davis et al. (2000) y Davis & Wu (2009), ha utilizado Modelos Lineales Generalizados (GLM) impulsados por procesos latentes.

Sin embargo, las formulaciones existentes presentan limitaciones significativas:

• Estructura aditiva: Suelen asumir que el efecto latente entra en el modelo de forma aditiva en el logaritmo de la media (ej. $E(Y_t|\nu_t) = h(x_t^\top \beta + \nu_t)$). Esto restringe la flexibilidad, haciendo difícil o imposible modelar series temporales positivas continuas (como distribuciones Gamma) bajo ciertas funciones de enlace.
• Parámetros de dispersión: A menudo asumen un parámetro de dispersión conocido o fijo, limitando la flexibilidad del modelo.
• Inferencia incorrecta: Los estimadores de GLM que ignoran el proceso latente pueden tener errores estándar incorrectos si no se ajusta la matriz de información para tener en cuenta la dependencia temporal.
• Falta de métodos de predicción: La literatura carece de un enfoque principista para la predicción y el pronóstico en este contexto específico.

2. Metodología Propuesta

Los autores proponen una nueva clase de GLM donde la respuesta condicional al proceso latente sigue una familia exponencial de dos parámetros.

Especificación del Modelo

Sea $\{Y_t\}$ la serie temporal de interés y $\{\nu_t\}$ un proceso latente estacionario y fuertemente mezclante (strongly mixing) con $E(\nu_t) = 1$. El modelo se define como:
$$Y_t | \nu_t \sim EF(\mu_t \nu_t, \phi)$$
Donde:

• $\mu_t = h(x_t^\top \beta)$ es la media condicional marginal.
• $h(\cdot)$ es la inversa de una función de enlace canónica.
• $\nu_t$ entra en la media de forma multiplicativa ($\mu_t \nu_t$), a diferencia de la estructura aditiva en el logaritmo de modelos anteriores.
• $\phi$ es un parámetro de dispersión que puede ser desconocido y estimado.

Procesos Latentes Considerados

El estudio evalúa tres tipos de procesos latentes $\{\nu_t\}$:

1. Log-normal AR(1): $\nu_t = \exp(Z_t)$ donde $Z_t$ es un proceso AR(1) gaussiano.
2. Gamma AR(1) (GAR): Un proceso autoregresivo gamma definido por Sim (1990), que permite modelar directamente datos positivos continuos.
3. ARCH(1) al cuadrado: $\nu_t = Z_t^2$ donde $Z_t$ sigue un proceso ARCH(1).

Estimación e Inferencia Asintótica

• Estimación de $\beta$: Se utiliza la función de verosimilitud pseudo-GLM (ignorando $\nu_t$) para obtener el estimador $\hat{\beta}$.
• Estimación de parámetros latentes y dispersión: Se emplea el método de momentos para estimar los parámetros del proceso latente ($\rho, \sigma^2$) y el parámetro de dispersión $\phi$.
• Teorema de Límite Central: Los autores establecen la normalidad asintótica del estimador $\hat{\beta}$ utilizando el Teorema del Límite Central para procesos fuertemente mezclantes de Peligrad y Utev (1997).
• Matriz de Información Correcta: Se deriva una matriz de información asintótica correcta que incluye un término adicional ($\Omega_{II}$) que captura la varianza debida a la dependencia temporal del proceso latente. Esto corrige los errores estándar que serían subestimados si se ignorara la latencia.

Predicción y Pronóstico

Se propone un método para calcular la esperanza condicional $E(Y_{t+h} | Y_t)$, aprovechando la estructura del modelo.

• Para procesos Log-normal y GAR, se obtienen expresiones explícitas o semi-explicitas.
• Para procesos ARCH, donde no hay forma cerrada, se utiliza una aproximación mediante simulación Monte Carlo para estimar la distribución condicional del proceso latente dado el dato observado.

3. Contribuciones Clave

1. Flexibilidad Estructural: Al introducir el efecto latente de forma multiplicativa en la media, el modelo permite naturalmente el uso de distribuciones Gamma para datos positivos continuos, algo que las formulaciones aditivas de Davis & Wu (2009) no soportan fácilmente sin restricciones severas en la función de enlace.
2. Estimación de Dispersión: Permite estimar el parámetro de dispersión $\phi$ mediante momentos, aumentando la aplicabilidad a datos reales donde la varianza no es conocida.
3. Fundamento Teórico Sólido: Proporciona la prueba de normalidad asintótica y la matriz de información correcta para la inferencia, validando el uso de la verosimilitud GLM estándar incluso cuando existe un proceso latente no observado.
4. Marco de Predicción: Desarrolla y justifica teóricamente un enfoque para la predicción en estos modelos, llenando un vacío en la literatura existente.
5. Comparación de Procesos: Demuestra empíricamente que procesos latentes alternativos, como el GAR(1), pueden ofrecer un mejor ajuste y predicción que el tradicional Log-normal AR(1).

4. Resultados Empíricos

Los autores aplican el modelo a dos conjuntos de datos reales:

A. Infecciones de Sarampión (Alemania)

• Datos: Conteos semanales de casos de sarampión (2001-2013).
• Modelos: Poisson GLM con procesos latentes LNAR(1), GAR(1) y ARCH(1).
• Hallazgos:
  • La inferencia basada únicamente en GLM (ignorando la latencia) subestima significativamente los errores estándar, llevando a conclusiones erróneas sobre la significancia de las covariables estacionales.
  • Los modelos con procesos latentes (especialmente GAR y LNAR) proporcionan errores estándar correctos.
  • En términos de predicción (RMSE), los modelos con procesos latentes superan drásticamente al GLM estándar. El modelo GLM-GAR mostró el mejor rendimiento.

B. Varves Glaciares Paleoclimáticas (Massachusetts)

• Datos: Espesores de depósitos sedimentarios anuales (634 años).
• Modelos: Gamma GLM (con enlace inverso) con procesos latentes LNAR(1) y GAR(1).
• Hallazgos:
  • Similar al caso anterior, el GLM estándar indica que la tendencia es significativa, mientras que al corregir por la dependencia temporal (mediante la matriz de información correcta), la tendencia pierde significancia estadística.
  • Los modelos con procesos latentes mejoran sustancialmente la capacidad predictiva (RMSE reducido y mayor correlación) en comparación con el GLM estándar.
  • El modelo GLM-GAR nuevamente mostró un ligero优势 sobre el LNAR.

5. Significado e Impacto

Este trabajo es significativo porque:

• Amplía el alcance de los GLM: Permite modelar una gama más amplia de tipos de datos (especialmente positivos continuos) bajo un marco unificado de procesos latentes.
• Corrige la inferencia: Proporciona las herramientas teóricas necesarias para realizar inferencias estadísticas válidas (intervalos de confianza, pruebas de hipótesis) en presencia de dependencia temporal no observada, evitando falsos positivos comunes en la práctica.
• Ofrece alternativas robustas: Sugiere que la suposición estándar de procesos latentes log-normales no siempre es la óptima, y que procesos como el Gamma AR(1) pueden ser superiores para ciertos tipos de datos.
• Completa el ciclo de modelado: Al abordar la predicción, el artículo ofrece una solución completa desde la especificación del modelo hasta la inferencia y el pronóstico.

En resumen, los autores presentan un marco teórico y práctico robusto que supera las limitaciones de los enfoques anteriores, ofreciendo mayor flexibilidad y precisión en el análisis de series temporales complejas.