Multidimensional Integral Fractional Ornstein--Uhlenbeck Process with an Application to Animal Movement

Resumen Técnico: Proceso de Ornstein–Uhlenbeck Fraccionario Integral Multidimensional con una Aplicación al Movimiento Animal

Planteamiento del Problema
Los datos de telemetría animal presentan un desafío estadístico: las ubicaciones se registran en tiempos discretos, a menudo irregulares, mientras que el movimiento evoluciona de forma continua. Los modelos de velocidad de tiempo continuo (como el proceso de Ornstein–Uhlenbeck) abordan esto tratando la posición como la integral de la velocidad; sin embargo, los modelos clásicos asumen un decaimiento exponencial de la covarianza de la velocidad, lo que implica solo una dependencia temporal de corto alcance. Esta limitación es problemática para patrones de movimiento influenciados por la memoria o la dependencia de largo alcance. Un trabajo previo de Ramirez-Gonzalez y Sun (2026) introdujo el proceso de Ornstein–Uhlenbeck fraccionario integral (ifOU) para capturar la dependencia de largo alcance mediante un parámetro de Hurst ($H$). No obstante, esos análisis trataron las coordenadas espaciales (por ejemplo, longitud y latitud) de forma independiente, fallando al modelar la dependencia entre las coordenadas. Además, extender el proceso ifOU a un entorno multidimensional no es trivial; las correlaciones arbitrarias entre pares de coordenadas con diferentes parámetros de Hurst pueden conducir a estructuras de covarianza inválidas.

Metodología
Los autores proponen el proceso de Ornstein–Uhlenbeck fraccionario integral multidimensional (mifOU). El modelo define el vector de posición $\mu_H(t) \in \mathbb{R}^p$ como la integral temporal de un vector de velocidad $v_H(t)$, donde la velocidad de cada coordenada sigue un proceso de Ornstein–Uhlenbeck fraccionario impulsado por un movimiento browniano fraccionario multivariante (mfBm).

Componentes metodológicos clave:

1. Construcción de la Covarianza: El modelo utiliza una especificación "bien balanceada" para el mfBm impulsor, asegurando que las cocovarianzas sean simétricas en sus argumentos temporales. La cocovarianza de la posición se deriva mediante una transformación integral de la covarianza del ruido impulsor.
2. Región de Correlación Admisible: Los autores establecen que, para que la covarianza conjunta sea válida (semidefinida positiva), los parámetros de correlación deben satisfacer restricciones de dimensión finita específicas que dependen de los parámetros de Hurst ($H_i$) de cada coordenada. Caracterizan esta región admisible utilizando una condición de matriz que involucra funciones Gamma y términos de seno.
3. Parametrización: Para facilitar la optimización de la verosimilitud sin violar las restricciones de definición positiva, los autores introducen un mapeo biyectivo (una parametrización de correlación parcial de tipo LKJ) que transforma las variables no restringidas en la región de correlación admisible.
4. Inferencia y Simulación: La distribución de dimensión finita del proceso de posición es gaussiana. Esto permite:
   • Estimación de máxima verosimilitud (MLE) del vector completo de parámetros (amortiguamiento $\beta$, escala $\sigma$, Hurst $H$ y correlaciones $\rho$).
   • Simulación de dimensión finita mediante un algoritmo recursivo.
   • Reconstrucción de la velocidad condicional a partir de posiciones observadas utilizando la distribución gaussiana condicional.
5. Propiedades de Dependencia: El análisis teórico muestra que el proceso no es estacionario ni intrínsecamente estacionario. La dependencia de largo alcance (LRD) para incrementos separados ocurre cuando la suma de los parámetros de Hurst de un par de coordenadas ($H_i + H_j$) es distinta de 1. Específicamente, si $H_i + H_j > 1$, el par exhibe memoria larga; si $H_i + H_j \leq 1$, exhibe memoria corta.

Resultados
El artículo presenta dos conjuntos principales de resultados: experimentos numéricos y una aplicación a la telemetría animal.

• Experimentos Numéricos:

  • La estimación conjunta de todos los parámetros (escala, amortiguamiento, Hurst y correlaciones cruzadas) a partir de una única trayectoria 3D simulada arrojó estimaciones precisas con intervalos de confianza del 99% que contenían los valores reales.
  • La reconstrucción de la velocidad condicional recuperó con éxito las trayectorias de velocidad latentes a partir de datos de posición con ruido.
  • Los estudios de estimación de correlación mostraron que, si bien las correlaciones moderadas se estiman con un sesgo bajo, las correlaciones débiles son menos precisas. Bajo un refinamiento de la cuadrícula de horizonte fijo, el error cuadrático medio (RMSE) de las estimaciones de correlación disminuyó a medida que la cuadrícula de observación se volvía más fina.

• Aplicación a la Migración de Murciélagos:
  El modelo se aplicó a datos de telemetría de cinco murciélagos nocturnos comunes migrando en Alemania (tres de los cuales tenían mediciones de altitud).

  • Análisis Marginal: Los modelos marginales de mejor ajuste variaron según el individuo y la coordenada. Por ejemplo, la altitud del Murciélago 3 fue mejor ajustada por un movimiento browniano fraccionario (fBM), mientras que la altitud del Murciélago 4 fue mejor ajustada por un proceso $\zeta$ no estacionario.
  • Análisis de Dependencia:
    • Murciélagos 1 y 2: Se prefirieron modelos independientes (productos de ajustes univariantes) sobre modelos correlacionados para las coordenadas horizontales.
    • Murciélagos 3 y 4: Existe evidencia sólida que respalda un modelo ifOU correlacionado para el par Longitud–Latitud, con correlaciones estimadas de $\approx 0.64$ y $\approx 0.58$, respectivamente. Los modelos 3D completos siguieron siendo competitivos para el Murciélago 3, lo que sugiere una posible dependencia que involucra la altitud.
    • Murciélago 5: Se prefirió el modelo independiente, aunque un modelo correlacionado se mantuvo competitivo ($\Delta$AIC $\approx 2$).
  • Sensibilidad: Las clasificaciones de los modelos fueron generalmente estables a través de diferentes resoluciones temporales (30s, 1min, 2min), aunque la elección de las familias de covarianza marginal (por ejemplo, Confluente vs. fBM) mostró sensibilidad al criterio de penalización (AIC vs. BIC).

Contribuciones Clave

1. Extensión Teórica: El artículo extiende el proceso ifOU univariante a un entorno multidimensional, proporcionando un marco riguroso para modelar trayectorias animales dependientes con dependencia de largo alcance.
2. Validez y Parametrización: Establece las condiciones para la validez del núcleo de covarianza conjunta y proporciona una reparametrización práctica que asegura matrices de covarianza válidas durante la optimización de la verosimilitud, eliminando la necesidad de comprobaciones de definición positiva post-hoc.
3. Marco Computacional: Los autores desarrollan algoritmos para la simulación, la inferencia de verosimilitud y la reconstrucción de la velocidad condicional, haciendo que el modelo sea aplicable a datos de telemetría del mundo real con muestreo disperso.
4. Perspectiva Empírica: La aplicación demuestra que las estructuras temporales marginales y las dependencias entre coordenadas deben evaluarse por separado. El estudio revela que, mientras algunos murciélagos exhiben un movimiento coordinado (ifOU correlacionado), otros se mueven de forma independiente, y que la dependencia de la altitud es generalmente más débil que la de las coordenadas horizontales.

Significancia y Afirmaciones
Los autores afirman que el proceso mifOU proporciona una herramienta flexible y estadísticamente válida para analizar el movimiento animal que captura tanto la dependencia temporal de largo alcance como las correlaciones entre coordenadas. Enfatizan que su enfoque permite la estimación conjunta de la dinámica marginal y las estructuras de dependencia sin imponer supuestos uniformes en todas las coordenadas. El artículo concluye que, si bien el modelo identifica con éxito la dependencia fuerte en casos específicos (Murciélagos 3 y 4), la evidencia de dependencia no es universal, y la elección de las familias de covarianza marginal varía significamente entre individuos. El trabajo respalda la utilidad de los procesos fraccionarios en la telemetría animal, pero advierte contra el supuesto de estacionariedad o regímenes de memoria uniformes en todas las dimensiones espaciales. Los autores señalan modestamente que sus experimentos numéricos describen el rendimiento de muestras finitas y no establecen propiedades asintóticas del estimador conjunto.