Data-Driven Spatial Weight Matrices for Space-Time Autoregressive Models: A Similarity-Based Framework with an Application to Global Temperature Dynamics

Imagina que estás tratando de predecir cómo se moverá una multitud de personas a través de un centro comercial gigante y caótico. La forma antigua de adivinar su trayectoria es mirar un mapa y asumir que las personas solo chocan con o siguen a quienes están justo al lado de ellos. Si estás en la zapatería, solo te importan las personas en la tienda de ropa de al lado. Así es como los científicos han estudiado tradicionalmente cosas que suceden en todo el mundo, como el clima o las enfermedades. Dibujan líneas en un mapa y dicen: "Si son vecinos, están conectados".

Pero, ¿qué pasa si ese mapa te está mintiendo? ¿Qué pasa si la persona en la zapatería está en realidad bailando en un ritmo perfecto con alguien en la panadería tres pisos arriba, mientras ignora a la persona que tiene justo al lado? En el mundo de la ciencia de datos, esta es la diferencia entre "vecinos geográficos" (personas cercanas en el espacio) y "vecinos estadísticos" (personas que actetúan de la misma manera a lo largo del tiempo). Durante décadas, los investigadores han asumido que estar cerca en un mapa significa que se influyen mutuamente. Pero a veces, la conexión real no se trata de qué tan lejos estás, sino de qué tan similar es tu historia. Este artículo profundiza en esa idea, planteando una pregunta simple: Si dejamos de mirar el mapa y empezamos a mirar el comportamiento, ¿podemos predecir el futuro de nuestro planeta mucho mejor?

---

El Mapa vs. El Espejo: Una Nueva Forma de Ver el Mundo

Durante mucho tiempo, los científicos que estudian la temperatura de la Tierra han utilizado una herramienta llamada "matriz de pesos espaciales". Piensa en esto como un libro de reglas gigante que le dice a una computadora cuánto debe escuchar un país a otro. El libro de reglas tradicional es muy rígido: dice, "Solo escuchas a tus vecinos inmediatos". Si Francia está al lado de Alemania, hablan. Si Francia está lejos de Japón, son extraños. Es como asumir que solo aprendes de las personas sentadas en tu mesa del almuerzo, y nunca de tu YouTuber favorito al otro lado del mundo.

El autor de este artículo, Edoardo Otrato, sugiere que este viejo libro de reglas está perdiendo el hilo de la historia. Argumenta que los países a menudo se mueven en sincronía no porque sean vecinos, sino porque comparten "personalidades" similares en la forma en que cambian sus temperaturas. Tal vez un país en Europa y un país en Asia se calientan a la misma velocidad cada año, aunque estén separados por océanos. Si los tratamos como vecinos debido a su comportamiento, nuestras predicciones deberían ser mucho más precisas.

El Experimento: Agrupando el Mundo por su "Vibe"

Para probar esto, el investigador reunió un conjunto de datos masivo: 122 años de registros de temperatura (de 1901 a 2022) para 168 países. ¡Eso es más de 20,000 puntos de datos! En lugar de agrupar a los países por dónde viven en un mapa, los agrupó por cómo actúan. Utilizó tres diferentes "chequeos de vibra" para ver qué países eran similares:

1. El Chequeo de Velocidad (Tasas de Calentamiento): Observó qué tan rápido se está calentando cada país. ¿Es un aumento lento y suave, o un pico rápido? Descubrió que los países con velocidades de calentamiento similares a menudo terminaban en el mismo grupo, independientemente de si eran vecinos. Por ejemplo, Rusia y Japón resultaron ser calentadores de velocidad "muy alta", mientras que Bolivia era casi plana.
2. El Chequeo de la Montaña Rusa (Variaciones de Temperatura): Esto observaba los altibajos anuales. ¿Las temperaturas saltan de forma salvaje o son suaves? Descubrió que los países del Medio Oriente y Asia Central a menudo compartían patrones "accidentados" similares, mientras que un grupo enorme y mixto de otros países compartía un patrón "suave".
3. El Chequeo del Estado de Ánimo (Patrones de Persistencia): Este fue el más ingenioso. En lugar de mirar cuánto cambió la temperatura, simplemente miró la dirección. ¿Subió o bajó este año? Utilizó una herramienta matemática especial llamada "distancia de Hamming" (inventada originalmente para corregir errores en el código de computadoras) para contar cuántas veces dos países discreparon sobre si se calentaban o se enfriaban. Si dos países generalmente coinciden en la dirección del cambio, son "vecinos estadísticos".

La Gran Revelación: El Mapa Estaba Equivocado

Una vez que tuvo estos nuevos grupos, construyó un nuevo tipo de modelo computacional llamado modelo Autorregresivo Espacio-Temporal (STAR). Este modelo es como un motor de superpronóstico que intenta predecir la temperatura del próximo año basándose en lo que sucedió este año y en lo que sucedió a sus "vecinos".

Corrió dos carreras:

• Carrera A: El modelo antiguo, que solo escuchaba a los vecinos geográficos (el libro de reglas basado en el mapa).
• Carrera B: Los nuevos modelos, que escuchaban a los "vecinos estadísticos" (los libros de reglas basados en la vibra).

Los resultados fueron claros. Los nuevos modelos, especialmente el que utilizaba el "Chequeo del Estado de Ánimo" (distancia de Hamming), fueron mucho mejores para predecir las temperaturas. Cuando los investigadores probaron estos modelos con datos de 2001 a 2022 (datos que los modelos no habían visto antes), el modelo del "Chequeo del Estado de Ánimo" cometió la menor cantidad de errores. Superó al viejo modelo basado en el mapa por un margen significativo.

Por Qué Esto Importa

El artículo sugiere que para tendencias a largo plazo como el cambio climático, la geografía no es el mejor predictor de quién influye en quién. Las grandes corrientes atmosféricas y los patrones oceánicos pueden hacer que países distantes bailen al mismo ritmo, mientras que los vecinos podrían estar haciendo su propia cosa. Al construir una "lista de amistad" basada en el comportamiento real en lugar de solo la distancia en el mapa, los científicos pueden construir mejores herramientas para pronosticar nuestro futuro clima.

El autor es cuidadoso al señalar que esto no es solo un truco de una sola vez para la temperatura. Este enfoque de "similitud" es una estrategia general. Podría usarse para predecir cómo se propagan las enfermedades, cómo colapsan las economías o cómo se mueven las tendencias sociales, siempre que las personas o los lugares involucrados estén conectados por su comportamiento en lugar de solo su ubicación. El artículo no afirma haber resuelto el cambio climático, pero sí sugiere que, si queremos entender el mundo, debemos dejar de mirar el mapa y empezar a escuchar el ritmo.