Nonparametric regression of spatio-temporal data using infinite-dimensional covariates

1. Problématique et Contexte

L'article aborde le défi de l'analyse de données spatio-temporelles caractérisées par trois particularités complexes qui rendent les méthodes classiques inadaptées :

1. Échantillonnage irrégulier : Les observations sont enregistrées à des intervalles de temps non uniformes et à des emplacements spatiaux qui varient d'un instant à l'autre (ex. : défaillance de capteurs, déploiement de nouveaux capteurs).
2. Covariates de dimension infinie : Les variables explicatives sont souvent fonctionnelles ou de haute dimension (ex. : champs météorologiques, historiques de pollution, trajectoires GPS), évoluant dans le temps et accumulant de l'information.
3. Dépendance temporelle et spatiale : Les données présentent des structures de dépendance complexes qui ne peuvent pas être modélisées par des hypothèses de mélange (mixing) classiques, souvent trop restrictives pour les processus fonctionnels.

L'objectif est de développer un cadre de régression non paramétrique pour estimer les surfaces de moyenne ($\mu$) et de volatilité ($\sigma$) d'un processus spatio-temporel $Y_t(s)$, conditionné par des covariables $X_t$ de dimension infinie, en l'absence de grilles régulières.

2. Cadre Mathématique et Méthodologie

Le modèle proposé est défini par l'équation :
$$Y_t(s) = \mu(X_t, s) + \sigma(X_t, s) \epsilon_t(s)$$
où $t \in \mathcal{T}$ (temps), $s \in \mathcal{S}$ (espace compact), et $X_t$ est une covariable stationnaire d'ordre 2 à valeurs dans un espace abstrait de dimension infinie $\chi \subseteq \mathbb{R}^\infty$.

Hypothèses Clés

• Condition de Contraction des Moments Polynomiaux (PMC) : Au lieu des hypothèses de mélange ($\alpha$-mixing, $\beta$-mixing) standard, les auteurs imposent une condition PMC plus faible. Elle suppose que la dépendance temporelle de $X_t$ décroît polynomialement (taux $O(m^{-\tau})$ avec $\tau > 2$) lorsque l'on remplace les valeurs passées par des copies indépendantes. Cela permet de traiter des processus non-mélangeants.
• Approximation par Série Tronquée : Les fonctions de moyenne et de covariance sont décomposées sur une base orthonormée $\{b_k(s)\}$ (ex. : polynômes de Legendre) :
  $$\mu(x, s) = \sum_{k=1}^\infty \mu_k(x) b_k(s)$$
  L'estimation se fait en estimant les composantes scalaires $\mu_k(x)$ via une méthode de noyau.

Algorithme d'Estimation

1. Estimation des composantes spatiales : Pour chaque composante $k$, on définit une variable agrégée $Y^*_{tk} = \int_{\mathcal{S}} Y_t(s) b_k(s) ds$.
2. Monte-Carlo Modifié : Comme les observations spatiales sont irrégulières, une simple moyenne Monte-Carlo peut être biaisée ou avoir une variance infinie. Les auteurs proposent un algorithme (Algorithme 1) qui discrétise l'espace en une grille fine, sélectionne un point représentatif par cellule, et calcule la moyenne pondérée sur ces points pour obtenir un estimateur cohérent de $Y^*_{tk}$.
3. Estimation par Noyau : Les composantes $\mu_k(x)$ sont estimées par un estimateur de Nadaraya-Watson adapté à la dimension infinie, utilisant une métrique pondérée et une fonction de noyau de type I (support borné).
4. Inférence Simultanée : Une fois les estimateurs de la moyenne et de la variance obtenus, les auteurs construisent des bandes de confiance simultanées pour la fonction de régression complète en utilisant un théorème central limite et des résultats de théorie des valeurs extrêmes (distribution de Gumbel).

3. Contributions Principales

1. Modèle Unifié : C'est la première étude proposant un modèle de régression non linéaire avec covariables de dimension infinie pour des données spatio-temporelles dépendantes et échantillonnées de manière irrégulière.
2. Relâchement des Hypothèses de Dépendance : Le remplacement des conditions de mélange par la condition PMC permet d'inclure une classe beaucoup plus large de processus (y compris ceux avec une dépendance à décroissance lente ou non-mélangeante) tout en nécessitant des moments d'ordre inférieur (seulement l'existence de moments d'ordre 2 pour les covariables, contre des moments d'ordre 4 dans la littérature précédente).
3. Théorie Asymptotique Complète :
   • Preuve de la consistance des estimateurs de la moyenne et de la variance.
   • Établissement de la normalité asymptotique pour les estimateurs de la moyenne.
   • Construction de bandes de confiance simultanées valides pour la fonction de régression entière.
4. Gestion de l'Irrégularité Spatiale : Introduction d'une procédure de discrétisation spatiale (grille adaptative) pour garantir la consistance des estimateurs malgré l'absence de design spatial fixe.

4. Résultats et Validation

Les résultats sont validés à travers des études de simulation et deux applications sur données réelles :

• Études de Simulation : Elles confirment la convergence des estimateurs (biais, erreur quadratique moyenne) et la validité des bandes de confiance, même lorsque les covariables sont inconnues et doivent être estimées à partir de valeurs retardées (lagged values).
• Application 1 : Pollution de l'air à New Delhi :
  • Données : Mesures de PM2.5 provenant de 38 stations avec des données manquantes et des horaires irréguliers.
  • Covariables : Historique des polluants (dimension infinie).
  • Résultats : Le modèle capture efficacement la structure spatiale non isotrope (niveaux plus élevés au centre et au nord-ouest) et la variation temporelle. L'analyse montre que les stations centrales nécessitent moins de covariables spatiales pour la prédiction que les stations périphériques, révélant des hétérogénéités dans l'usage des sols.
• Application 2 : Analyse de tirs de football (Soccer) :
  • Données : Positions de tirs et "Expected Goals" (xG) de trois équipes (Arsenal, Liverpool, Manchester City) sur plusieurs saisons.
  • Résultats : Le modèle identifie des surfaces de probabilité de but conditionnelles spécifiques aux équipes et aux saisons, dépassant les simples cartes de chaleur descriptives pour révéler des effets systématiques liés au contexte du match.

5. Signification et Impact

Cet article comble un vide important dans la littérature statistique en offrant un cadre rigoureux pour l'analyse de données spatio-temporelles modernes, qui sont souvent irrégulières et fonctionnelles.

• Avance Théorique : En évitant les hypothèses de mélange, la méthode devient applicable à des processus complexes (comme les séries temporelles fonctionnelles avec dépendance à long terme) que les méthodes précédentes ne pouvaient pas traiter.
• Utilité Pratique : La capacité à fournir des bandes de confiance simultanées permet aux analystes de tester des hypothèses sur la forme globale de la surface de régression (ex. : "La pollution est-elle significativement plus élevée dans cette zone ?"), ce qui est crucial pour la prise de décision politique ou stratégique.
• Flexibilité : La méthode s'adapte aux designs d'échantillonnage réels (capteurs défaillants, données manquantes) sans nécessiter d'imputation complexe ou de régularisation forcée des données.

En résumé, cette recherche fournit des outils d'inférence fréquentiste robustes pour un large éventail d'applications, de la surveillance environnementale à l'analyse sportive, en passant par l'épidémiologie.