Bayesian Effect Selection for Additive Quantile Regression with an Application to Air Pollution Thresholds

Resumen Técnico: Selección de Efectos Bayesianos para la Regresión de Cuantiles Aditiva con una Aplicación a los Umbrales de Contaminación Atmosférica

Planteamiento del Problema
Los límites regulatorios de la contaminación atmosférica se definen mediante excedencias de umbrales de concentración, los cuales corresponden a los cuantiles superiores de las distribuciones de contaminantes. Si bien los métodos estadísticos existentes pueden modelar relaciones no lineales entre covariables y contaminación atmosférica, a menudo no logran abordar simultáneamente tres necesidades críticas: (1) seleccionar qué covariables afectan a la respuesta, (2) determinar la forma funcional de estos efectos (lineal, no lineal o ambos), y (3) hacerlo específicamente para cuantiles condicionales en lugar de solo para la media.

Los enfoques comunes, como la Representación de Modelos Mixtos (MMR por sus siglas en inglés) de los splines penalizados, permiten efectos no lineales flexibles pero fallan al no proporcionar una separación significativa entre los componentes lineales y no lineales. Esta falta de descomposición ortogonal conduce a una estimación inconsistente de estas distintas partes del efecto. Además, los métodos tradicionales de selección de variables (por ejemplo, LASSO, COSSO) suelen operar en contextos de regresión lineal o de la media y no se extienden naturalmente para la descomposición de efectos dentro de los marcos de regresión de cuantiles.

Metodología
Los autores proponen QDReSS (Quantile Distributional Regression with Effect Selection and Structure), un marco bayesiano para la regresión de cuantiles aditiva que integra la selección de efectos con la descomposición de efectos.

1. Expansión de Base de Demmler-Reinsch (DR):
   Para resolver la inconsistencia de la MMR, los autores emplean una expansión de base DR. Este enfoque realiza una proyección $L^2$ de los B-splines cúbicos sobre el espacio de las funciones lineales. Las funciones de base resultantes son empíricamente ortogonales al componente lineal y mutuamente ortogonales. Esto permite una descomposición limpia de cualquier efecto aditivo $f(x)$ en una parte lineal ($f_{lin}$) y una parte no lineal ($f_{nonlin}$), asegurando que estos componentes puedan estimarse de manera consistente.

2. Inferencia Bayesiana con Priores NBPSS:
   El marco utiliza una Distribución de Laplace Asimétrica (ALD) como verosimilitud de trabajo para facilitar la regresión de cuantiles bayesiana. Para lograr la selección de variables y de efectos, los autores colocan priores Normal Beta Prime Spike and Slab (NBPSS) sobre los parámetros de importancia asociados con los componentes lineales y no lineales de cada covariable.

   • La estructura de prior jerárquica permite la contracción (shrinkage) a nivel de grupo.
   • Distingue entre cuatro estados para cada covariable: sin efecto, efecto únicamente lineal, efecto únicamente no lineal, o ambos.
   • Las probabilidades de inclusión se aprenden de los datos mediante hiperparámetros, evitando la necesidad de ajustes específicos para cada cuantil.

3. Estimación de la Posterior:
   La inferencia de la posterior se lleva a cabo mediante un muestreador de Gibbs eficiente. La estructura conjugada del modelo (facilitada por la representación de mezcla de escalas de la ALD y los priores gaussianos) permite obtener distribuciones condicionales completas de forma cerrada para todos los parámetros, incluyendo los pesos latentes, los componentes de varianza y los indicadores de inclusión.

Contribuciones Clave

• Consistencia Teórica: El artículo proporciona una prueba teórica de que la expansión de base DR produce estimadores consistentes tanto para los componentes de efecto lineal como para los no lineales en la regresión de cuantiles aditiva, una propiedad que no se garantiza en las MMR estándar.
• Selección y Descomposición Integradas: A diferencia de los métodos existentes que seleccionan funciones completas o que operan solo en entornos lineales, QDReSS selecciona simultáneamente las covariables y determina si sus efectos son lineales, no lineales o ambos, específicamente en cuantiles definidos por el usuario.
• Eficiencia Computacional: La naturaleza ortogonal de la base DR simplifica la estructura de penalización (reduciendo las penalizaciones de rugosidad a matrices identidad), lo que resulta en una computación más rápida en comparación con los enfoques basados en MMR.
• Implementación Práctica: Los autores proporcionan un flujo de trabajo bayesiano completo, incluyendo una estrategia simplificada de elicitación de priores basada en las propiedades de escala de la distribución beta prime, y una implementación de código abierto.

Resultos y Aplicación
El método se aplicó a datos de contaminación atmosférica diaria de Madrid, España (2016–2019), modelando las concentraciones de Dióxido de Nitrógeno ($NO_2$) en los cuantiles $\tau \in \{0.6, 0.8, 0.9\}$.

• Desempeño Predictivo: En un estudio de validación cruzada de 10 pliegues, QDReSS logró consistentemente una menor pérdida de cuantil (mejor precisión predictiva fuera de la muestra) en comparación con el enfoque competidor de MMR en todos los cuantiles probados.
• Hallazgos de la Descomposición de Efectos:
  • Ozono ($O_3$): Exhibió un efecto negativo no lineal fuerte y consistente sobre el $NO_2$ en todos los cuantiles, confirmando interacciones químicas complejas.
  • Tráfico: Contrario a las suposiones lineales univariantes iniciales, se encontró que el flujo de tráfico tiene un efecto no lineal significativo sobre el $NO_2$, particularmente en los cuantiles más altos (eventos de contaminación extrema).
  • Variables Climatológicas: Los efectos de la temperatura, la velocidad del viento y la precipitación variaron según el cuantil. Por ejemplo, la precipitación mostró una fuerza no lineal creciente en los cuantiles más altos, mientras que los efectos de la velocidad del viento pasaron de ser lineales (en cuantiles bajos) a no lineales (en cuantiles altos).
  • Monóxido de Carbono (CO): Mostró un efecto lineal fuerte solo en el cuantil inferior ($\tau=0.6$), volviéndose insignificante en los umbrales más altos.

Significancia y Reivindicaciones
Los autores afirman que QDReSS ofrece un avance necesario en el modelado de la contaminación atmosférica al permitir decisiones basadas en datos sobre la forma funcional de los efectos de las covariables en umbrales de contaminación específicos. El estudio destaca que los eventos de contaminación extrema (cuantiles altos) son impulsados de manera diferente por las variables climatológicas y las estructuras de tráfico en comparación con las condiciones promedio.

El artículo argumenta que estos hallazgos subrayan la necesidad de modelos estadísticos avanzados que apoyen la toma de decisiones a corto plazo. Al modelar con precisión los impulsores no lineales de las excedencias de umbral, las autoridades locales pueden mitigar o prevenir mejor las violaciones de los límites de concentración de $NO_2$. Los autores señalan modestamente que, aunque este estudio se centra en una sola estación para dilucidar mecanismos intrínsecos, el marco es generalizable a otras ciudades y puede extenderse para incluir efectos espaciales o la estimación simultánea de cuantiles para evitar el cruce de cuantiles.