Directional-Shift Dirichlet ARMA Models for Compositional Time Series with Structural Break Intervention

1. Problématique et Contexte

Les séries temporelles compositionnelles (vecteurs de proportions sommant à l'unité) sont omniprésentes dans des domaines tels que l'économie, la finance et la santé. Leur modélisation pose des défis uniques dus à la contrainte du simplexe, qui induit une dépendance négative parfaite entre les composantes et rend les hypothèses gaussiennes standards inadaptées.

Le problème central abordé dans cet article est la gestion des ruptures structurelles (chocs externes, changements de politique, perturbations de marché) dans ces séries. Les méthodes existantes présentent des limites majeures :

• Effets fixes par période : Offrent un ajustement parfait in-sample mais ne permettent pas d'extrapoler au-delà de l'échantillon d'estimation.
• Variables factices (dummies) en escalier : Permettent l'extrapolation mais imposent une transition instantanée, ce qui est souvent irréaliste pour des changements comportementaux graduels.
• Modèles DARMA standards : Supposent une dynamique stationnaire et peinent à capturer les transitions progressives, générant des prévisions médiocres pendant les périodes de transition.

L'objectif est de développer un modèle de prévision bayésien capable de gérer ces ruptures tout en respectant les contraintes géométriques du simplexe et en fournissant une décomposition interprétable de la rupture (direction, amplitude, timing).

2. Méthodologie : Le Modèle DARMA à Déplacement Directionnel

Les auteurs proposent une extension du modèle Dirichlet ARMA (DARMA) bayésien, intégrant un mécanisme d'intervention à déplacement directionnel.

A. Cadre Géométrique et Transformation

Le modèle opère dans l'espace des coordonnées log-ratio isométriques (ILR), qui est une isométrie entre le simplexe et l'espace euclidien $\mathbb{R}^{C-1}$. Cela permet d'appliquer des dynamiques ARMA tout en garantissant que les prévisions restent sur le simplexe.

B. Paramétrisation de l'Intervention

La rupture est modélisée par trois paramètres interprétables :

1. Vecteur de direction ($v$) : Un vecteur unitaire dans l'espace ILR spécifiant l'axe du changement compositionnel (quelles composantes gagnent ou perdent des parts).
2. Amplitude ($\Delta$) : Un scalaire contrôlant l'ampleur du déplacement le long de la direction $v$.
3. Porte logistique ($w_t$) : Une fonction de transition lisse (inspirée des modèles STAR) contrôlant le moment et la vitesse de la transition. Elle varie de 0 (avant la rupture) à 1 (après la transition complète).

La structure de la moyenne $\eta_t$ dans l'espace ILR est modifiée comme suit :
$$\eta_t = b + BX_t + \Delta \cdot w_t(\tau, \kappa) \cdot v + \text{dynamiques ARMA}$$
où $\tau$ est le lieu de transition et $\kappa$ la vitesse de transition.

C. Propriétés Théoriques

• Mouvement géodésique : La trajectoire d'intervention correspond à un mouvement géodésique sur le simplexe sous la géométrie d'Aitchison, représentant le chemin le plus court entre les compositions pré- et post-rupture.
• Invariance de base : Bien que le calcul utilise une base ILR spécifique (Helmert), la trajectoire sur le simplexe est invariante au choix de la base.
• Gestion de l'ambiguïté de signe : Une contrainte d'hémisphère ($v_1 > 0$) est imposée pour résoudre l'ambiguïté de signe inhérente au produit $\Delta \cdot v$.

D. Estimation

Le modèle est estimé via une inférence bayésienne utilisant l'échantillonnage NUTS (No-U-Turn Sampler) dans le logiciel Stan. Des priors faiblement informatifs sont utilisés pour les paramètres d'intervention et les coefficients DARMA (matrices diagonales pour la parcimonie).

3. Contributions Clés

1. Développement du Modèle : Création d'un modèle DARMA bayésien avec intervention à déplacement directionnel, offrant une décomposition interprétable (direction, amplitude, timing) et des transitions lisses.
2. Étude de Simulation Complexe : Réalisation de 400 ajustements sur 8 scénarios, démontrant une récupération précise des paramètres et une calibration nominale (80% de couverture des intervalles de crédibilité), même avec des vitesses de transition extrêmes.
3. Analyse de Réversibilité : Études supplémentaires montrant que le modèle se dégrade gracieusement sous des dynamiques non monotones (réversion partielle), bien que la calibration soit légèrement affectée.
4. Applications Empiriques (Airbnb) : Application à deux jeux de données réels de l'ère COVID :
   • Délais de reconnaissance des frais (Lead-times) : Rupture monotone et continue.
   • Durées de séjour (Stay-lengths) : Dynamique non monotone (pic suivi d'une réversion partielle).
5. Benchmark de Sensibilité : Comparaison avec une spécification à matrice pleine (non diagonale), démontrant que la restriction diagonale agit comme une régularisation utile dans des fenêtres glissantes avec peu de données post-rupture.

4. Résultats Principaux

A. Résultats de Simulation

• Récupération des paramètres : Dans 77,5 % des cas, la direction est correctement identifiée. L'amplitude est récupérée avec un biais quasi nul.
• Calibration : Les intervalles de crédibilité à 80 % pour la composition moyenne atteignent une couverture de 79,6 %, confirmant une quantification correcte de l'incertitude, même lorsque la direction est mal identifiée.
• Vitesse de transition : Le modèle reste bien calibré même pour des transitions très lentes ou très rapides, bien que l'estimation de la vitesse ($\kappa$) puisse être biaisée dans les cas extrêmes.

B. Application 1 : Délais de reconnaissance des frais (Lead-times)

• Contexte : Rupture monotone vers des délais plus courts durant le COVID.
• Performance : Le modèle d'intervention surpasse nettement le modèle à effet fixe en termes de calibration (79,6 % vs 66,1 %). Le modèle à effet fixe sous-estime largement l'incertitude car il suppose une transition instantanée.
• Précision ponctuelle : Comparable entre les deux modèles, bien que le modèle d'intervention soit légèrement meilleur sur la plupart des horizons.
• Benchmark Matrice Pleine : L'utilisation de matrices AR/MA non diagonales dégrade fortement la précision et la calibration (chute de la couverture à 44,6 %), validant l'approche diagonale comme une approximation de régularisation efficace.

C. Application 2 : Durées de séjour (Stay-lengths)

• Contexte : Dynamique non monotone (pic de séjours longs suivi d'une réversion).
• Performance : Les deux modèles (intervention et effet fixe) sont bien calibrés (environ 83-86 %). Le modèle à effet fixe est légèrement plus proche de la cible nominale (83,0 %) que le modèle d'intervention (85,7 %), car ce dernier surestime l'incertitude face à la réversion non modélisée.
• Précision ponctuelle : Le modèle à effet fixe surpasse le modèle d'intervention sur la précision ponctuelle globale, car sa prédiction de niveau plat correspond mieux à l'équilibre post-réversion que la porte logistique monotone.

5. Signification et Implications Pratiques

Ce travail fournit des directives claires pour la modélisation des ruptures dans les séries compositionnelles :

1. Choix du Modèle :

   • Privilégier le modèle à déplacement directionnel lorsque l'objectif principal est la quantification de l'incertitude (calibration) et que la rupture est attendue comme monotone (transition progressive vers un nouvel état).
   • Privilégier le modèle à effet fixe (ou des alternatives plus simples) lorsque l'objectif est la précision ponctuelle maximale ou lorsque les dynamiques post-rupture sont susceptibles d'être non monotones (réversions, oscillations).

2. Régularisation Diagonale : Dans des contextes de prévision en fenêtre glissante avec des échantillons post-rupture limités, l'hypothèse de matrices AR/MA diagonales (indépendance des coordonnées ILR) agit comme une régularisation cruciale. L'estimation de matrices pleines conduit à un surajustement et à une dégradation des performances de prévision.

3. Gestion de l'Incertitude : Le modèle proposé capture mieux la trajectoire de transition, propageant l'incertitude sur la dynamique de transition dans les intervalles de prévision, ce qui est crucial pour la planification financière et l'allocation de ressources.

En conclusion, ce papier établit un cadre robuste pour la prévision de séries compositionnelles soumises à des ruptures structurelles, en équilibrant l'interprétabilité, la contrainte géométrique et la performance prédictive, tout en identifiant précisément les conditions dans lesquelles l'approche d'intervention l'emporte sur les méthodes classiques.