Connecting reflective asymmetries in multivariate spatial and spatio-temporal covariances

Résumé Technique : Connexion des asymétries réfléchissantes dans les covariances spatio-temporelles et spatiales multivariées

Énoncé du problème
Dans l'analyse des données spatiales multivariées et des données spatio-temporelles univariées, des structures de dépendance asymétriques sont fréquemment observées mais souvent difficiles à modéliser efficacement. Les cadres de processus gaussiens standards, qui reposent sur des fonctions de covariance symétriques, ne permettent pas de capturer ces phénomènes. Les phénomènes réels tels que l'advection atmosphérique ou les courants océaniques présentent souvent une directionnalité. L'approche prédominante pour modéliser de telles asymétries dans les données espace-temps est le modèle lagrangien, qui interprète l'asymétrie comme un processus évoluant avec une directionnalité (par exemple, le transport par le vent). Cependant, les modèles lagrangiens présentent des limites : ils n'incluent pas naturellement le modèle séparable et symétrique comme un cas particulier (ce qui entrave les tests de rapport de vraisemblance pour la symétrie), ils offrent un contrôle limité et indépendant sur les covariances spatiales et temporelles marginales, et nécessitent un grand nombre de paramètres, particulièrement dans les dimensions spatiales supérieures. De plus, les modèles spatiaux multivariés asymétriques existants ont été largement restreints aux contextes unidimensionnels ou à des formes fonctionnelles spécifiques.

Méthodologie
Cet article introduit un nouveau paradigme nommé « asymétrie réfléchissante », exploitant les récentes constructions dans le domaine spectral pour les données spatiales multivariées afin de développer des covariances spatio-temporelles asymétriques.

1. Asymétrie réfléchissante dans les données spatiales :
   Les auteurs étendent les autocovariances spatiales multivariées asymétriques à des dimensions $d$ arbitraires. Ces covariances sont construites en multipliant la densité spectrale $f(x)$ d'une covariance spatiale symétrique par le terme $-i \text{sign}(\langle x, \tilde{x} \rangle)$, où $\tilde{x}$ est un vecteur directionnel unitaire. Cette opération introduit une composante de fonction impaire à la cross-covariance, créant une asymétrie « réfléchissante » par rapport à l'origine.

• Le papier dérive des expressions en forme fermée pour les parties asymétriques des covariances Exponentielle Carrée, de Cauchy et de Matérn dans des dimensions générales $d$. Pour les modèles Exponentielle Carrée et de Cauchy, celles-ci sont exprimées à l'aide de la fonction d'erreur imaginaire ($\text{erfi}$) et de fonctions hypergéométriques, respectivement.
• Une représentation par mélange d'échelles est fournie pour générer des formes asymétriques pour une large classe de covariances.

2. Modèles spatio-temporels à asymétrie réfléchissante :
   La contribution centrale est l'extension de ces constructions spatiales aux contextes spatio-temporels univariés. Les auteurs proposent une densité spectrale $f(x, \eta)$ pour les covariances spatio-temporelles définie par :
   $$f(x, \eta) = \sigma f^*(\|x\|, |\eta|) \{1 + \xi \text{sign}(\langle x, \tilde{x} \rangle)\text{sign}(\eta)\}$$
   où $f^*$ est une densité spectrale spatio-temporelle symétrique, $\xi \in (-1, 1)$ est un paramètre d'asymétrie, et $\eta$ est la fréquence temporelle.

• Modèles de type séparable : Lorsque $f^*$ est séparable, la covariance spatio-temporelle résultante se décompose en une partie séparable symétrique et une partie asymétrique : $C(h, u) = \sigma [C_s^\Re(h)C_t^\Re(u) + \xi C_s^\Im(h)C_t^\Im(u)]$. Cette construction permet au modèle séparable symétrique d'être un cas particulier (lorsque $\xi=0$).
• Modèles de type Gneiting : Les auteurs construisent également des versions non séparables de covariances de type Gneiting, fournissant des formes fermées pour $d=1$ impliquant la fonction d'erreur ($\text{erf}$).

3. Implémentation computationnelle et pratique :

• Simulation : Un algorithme de simulation spectrale efficace est proposé en utilisant l'échantillonnage par rejet et des identités trigonométriques pour simuler des champs avec ces covariances asymétriques.
• Non-stationnarité : Le cadre accepte l'anisotropie géométrique en permettant aux paramètres de vecteur directionnel et de portée de varier spatialement.
• Inférence à grande échelle : Pour traiter de grands ensembles de données où l'évaluation de la vraisemblance complète est prohibitive, l'article intègre ces modèles dans le cadre de l'approximation de Vecchia (spécifiquement au sein du package R GpGp), utilisant des structures de produit de Kronecker pour les modèles de type séparable afin de réduire la complexité computationnelle.

Résultats clés

• Propriétés théoriques : Les nouveaux modèles maintiennent le contrôle sur les covariances marginales spatiales et temporelles, une caractéristique qui n'est pas garantie dans les modèles lagrangiens. Le modèle asymétrique réfléchissant contient le modèle séparable symétrique, permettant des tests statistiques rigoureux de la présence d'asymétrie via des tests de rapport de vraisemblance.
• Efficacité des paramètres : Les modèles réfléchissants nécessitent nettement moins de paramètres que le modèle lagrangien complet (spécifiquement $1 + (d-1)$ paramètres supplémentaires pour la direction et la force de l'asymétrie contre $O(d^2)$ pour le modèle lagrangien), offrant une plus grande parcimonie.
• Études de simulation :
  • Dans les simulations spatiales multivariées, les modèles asymétriques ont démontré une supériorité d'ajustement (AIC plus faible) lorsque le processus générateur de données était asymétrique, tout en performant de manière comparable aux modèles symétriques lorsque le processus était symétrique.
  • Dans les simulations spatio-temporelles, les modèles asymétriques réfléchissants ont surpassé les modèles lagrangiens lorsque le processus réel était symétrique ou asymétrique réfléchissant. Inversement, lorsque le processus était lagrangien, les modèles réfléchissants ont moins bien performé, confirmant que les deux cadres représentent des classes d'asymétrie substantiellement différentes.
• Analyse des données de vent irlandais : Appliqués à l'ensemble de données de référence du vent irlandais (11 localisations, 1961–1978), les modèles asymétriques réfléchissants ont systématiquement surpassé leurs homologues symétriques et le modèle lagrangien standard en termes d'AIC et de log-vraisemblance.
  • La direction de l'asymétrie estimée ($\tilde{x}$) pointait vers l'Est, ce qui est cohérent avec le flux atmosphérique connu de l'Ouest vers l'Est.
  • Les modèles avec des covariances temporelles de Cauchy ont fourni le meilleur ajustement.
  • Bien que les temps d'estimation aient été légèrement plus élevés pour certains modèles asymétriques, ils étaient généralement plus rapides que le modèle lagrangien, à l'exception des cas impliquant l'estimation complexe du paramètre de Cauchy.

Signification et revendications
L'article affirme que le cadre de l'asymétrie réfléchissante offre une alternative flexible, parcimonieuse et calculablement traitable pour capturer l'asymétrie de dépendance dans les données spatio-temporelles. Les principaux avantages mis en évidence sont :

1. Flexibilité : La capacité de contrôler indépendamment les covariances marginales et d'incorporer l'asymétrie sans altérer la structure marginale.
2. Testabilité : L'imbrication du modèle symétrique permet des tests statistiques rigoureux de l'asymétrie.
3. Applicabilité : Les modèles démontrent une amélioration de l'ajustement du modèle et de la performance de prédiction tant dans les simulations que dans les données environnementales réelles (vent irlandais).
4. Faisabilité computationnelle : L'intégration avec l'approximation de Vecchia rend ces modèles viables pour les ensembles de données spatio-temporelles à grande échelle.

Les auteurs notent des limites, spécifiquement l'absence d'expressions en forme fermée pour les cross-covariances de Matérn asymétriques dans les dimensions $d > 1$ et la restriction actuelle des formes asymétriques de type Gneiting aux dimensions $d=1$. Ils suggèrent que des travaux futurs pourraient explorer la combinaison des approches réfléchissantes et lagrangiennes ou l'extension du cadre aux cross-covariances spatio-temporelles multivariées.