Nonparametric regression of spatio-temporal data using infinite-dimensional covariates

1. Planteamiento del Problema

El artículo aborda un desafío fundamental en el análisis de datos espacio-temporales modernos: la necesidad de modelar respuestas observadas en momentos temporales irregulares y en ubicaciones espaciales variables (que cambian entre tiempos), utilizando covariables de dimensión infinita (funcionales).

• Limitaciones de los métodos existentes:
  • Los métodos de regresión funcional estándar suelen asumir independencia entre observaciones (i.i.d.), ignorando la dependencia temporal.
  • Los métodos de series temporales funcionales suelen requerir rejillas temporales y espaciales regulares.
  • La regresión no paramétrica espacio-temporal tradicional se limita a covariables de dimensión finita.
• Contexto real: El problema surge en escenarios como el monitoreo de contaminación del aire (donde los sensores fallan o se desplazan) o el análisis de eventos deportivos (ubicaciones de tiros en fútbol), donde los datos son irregulares y la información contextual acumulada a lo largo del tiempo forma procesos de dimensión infinita.
• El Modelo: Se propone un modelo de regresión no lineal condicional:
  $$Y_t(s) = \mu(X_t, s) + \sigma(X_t, s)\epsilon_t(s)$$
  Donde $Y_t(s)$ es la respuesta en el tiempo $t$ y ubicación $s$, $X_t$ es una covariable estacionaria de segundo orden en un espacio abstracto de dimensión infinita $\chi$, y $\epsilon_t(s)$ captura la variación idiosincrásica con correlación espacial.

2. Metodología Propuesta

Los autores desarrollan un marco de estimación no paramétrica basado en núcleos (kernel estimation) adaptado a la irregularidad del diseño y la alta dimensionalidad.

A. Marco Matemático y Supuestos

• Estructura de Dimensión Infinita: El espacio de covariables $\chi$ se define como un subespacio afín de un espacio de Banach $L^2$ ponderado, permitiendo el uso de normas escaladas para manejar la dimensión infinita.
• Condición de Dependencia (PMC): En lugar de las estrictas condiciones de mezcla ($\alpha$-mixing o $\beta$-mixing) requeridas por la literatura previa, los autores introducen una Condición de Contracción de Momentos Polinomialmente Decaída (PMC). Esta condición es más débil y permite modelar dependencias de orden superior o procesos que no son mezclables, asumiendo que la dependencia decae polinomialmente en lugar de exponencialmente.
• Descomposición Funcional: Las funciones de media $\mu$ y desviación estándar $\sigma$ se representan mediante una expansión en serie de funciones base ortonormales (tipo Karhunen-Loève):
  $$\mu(x, s) = \sum_{k=1}^\infty \mu_k(x)b_k(s)$$
  Esto reduce el problema de estimar una superficie infinita a la estimación de un número finito de componentes $\mu_k(x)$.

B. Algoritmo de Estimación

1. Procedimiento de Monte Carlo Modificado: Dado que las ubicaciones espaciales son irregulares y pueden concentrarse en ciertas áreas, un promedio simple introduciría sesgo. Los autores proponen dividir el dominio espacial en una cuadrícula, seleccionar puntos representativos y calcular una estimación agregada espacialmente ($\hat{Y}^*_{tik}$) para cada tiempo $t_i$.
2. Estimador de Núcleo: Se utiliza un estimador de tipo Nadaraya-Watson para estimar cada componente $\mu_k(x)$:
   $$\hat{\mu}_k(x) = \frac{\sum_{i=1}^n \mathcal{K}(H_n^{-1}(x - X_{t_i})) \hat{Y}^*_{t_i k}}{\sum_{i=1}^n \mathcal{K}(H_n^{-1}(x - X_{t_i}))}$$
   Donde $\mathcal{K}$ es una función de núcleo de tipo I y $H_n$ es una matriz de ancho de banda escalada.
3. Construcción de Intervalos de Confianza: Se derivan intervalos de confianza simultáneos para la función de media completa utilizando el Teorema del Límite Central para estimadores dependientes y teoría de valores extremos (distribución Gumbel).

3. Contribuciones Clave

1. Modelo Unificado: Es el primer modelo de regresión no lineal que combina simultáneamente: (a) covariables de dimensión infinita, (b) dependencia espacio-temporal, y (c) diseño de muestreo irregular en tiempo y espacio.
2. Relajación de Supuestos de Dependencia: Sustituye las condiciones de mezcla clásicas por la condición PMC. Esto permite inferencia válida para procesos con estructuras de dependencia más fuertes o de decaimiento más lento, bajo supuestos de momentos más débiles (solo se requiere estacionariedad de segundo orden y momentos de orden 2+ para las covariables, en lugar de momentos de orden 4 requeridos por trabajos previos como Hong & Linton, 2020).
3. Inferencia Simultánea: Proporciona herramientas teóricas para construir bandas de confianza simultáneas sobre la superficie de media, permitiendo pruebas de especificación de la función de regresión en todo el dominio.
4. Consistencia y Normalidad Asintótica: Establecen la consistencia del estimador y su distribución asintótica normal, incluso con la aproximación de series truncadas necesaria para la implementación computacional.

4. Resultados Principales

A. Resultados Teóricos

• Consistencia: Se demuestra que el estimador $\hat{\mu}_k(x)$ converge en probabilidad a la función verdadera $\mu_k(x)$ a medida que el tamaño de la muestra $n \to \infty$.
• Normalidad Asintótica: Bajo condiciones de ancho de banda adecuadas, el estimador normalizado converge a una distribución normal estándar.
• Bandas de Confianza: Se deriva la distribución asintótica del supremo del error de estimación, permitiendo la construcción de bandas de confianza simultáneas con cobertura asintótica correcta.

B. Aplicaciones de Datos Reales

1. Contaminación del Aire en Nueva Delhi:
   • Datos: Medidas de PM2.5 de 38 estaciones con datos faltantes y horarios irregulares (2015-2020).
   • Covariables: Historial de múltiples contaminantes y condiciones meteorológicas (dimensión infinita).
   • Hallazgos: El modelo capturó patrones espaciales no isotrópicos (mayor contaminación en el centro y noroeste) y temporales (picos en invierno). El análisis de sensibilidad mostró que el modelo predice bien incluso en ubicaciones no incluidas en el entrenamiento (validación cruzada espacial).
2. Análisis de Tiros en Fútbol (Premier League):
   • Datos: Ubicación y calidad de tiros (xG) de equipos como Arsenal, Liverpool y Manchester City.
   • Hallazgos: El modelo identificó diferencias sistemáticas en los perfiles de ataque. Por ejemplo, Arsenal mostró una mayor probabilidad de tiros de media distancia en la temporada 2024/25, correlacionado con su mejora en la tabla de posiciones, mientras que Liverpool mantuvo un patrón más concentrado en el área central.

C. Estudios de Simulación

• Se validó el método mediante simulaciones con datos generados bajo el modelo propuesto.
• Los resultados mostraron que el estimador es consistente y que el error de predicción (MAPE) disminuye a medida que aumenta la densidad de puntos espaciales, confirmando la teoría de consistencia.

5. Significado e Impacto

Este trabajo es significativo porque cierra una brecha metodológica importante en la estadística espacial y funcional. Permite a los investigadores analizar sistemas complejos del mundo real donde:

1. Los datos no siguen una rejilla regular (común en sensores IoT y observaciones biológicas).
2. La información predictiva es acumulativa y de alta dimensión (series temporales funcionales).
3. Las suposiciones de mezcla fuerte no son realistas o verificables.

Al ofrecer un marco de inferencia frecuentista robusto sin depender de condiciones de mezcla estrictas, el método amplía el alcance de la regresión no paramétrica a aplicaciones en ciencias ambientales, epidemiología, economía y ciencias del deporte, proporcionando no solo estimaciones puntuales sino también medidas de incertidumbre rigurosas (bandas de confianza simultáneas).