A Class of Higher-Order INAR Random Fields for Poisson Counts and Beyond

Résumé technique : Une classe de champs aléatoires INAR d'ordre supérieur pour des comptes de Poisson et au-delà

Énoncé du problème
Les modèles autorégressifs à valeurs entières (INAR) existants pour les champs aléatoires de comptes, tels que l'INAR(1, 1) et ses extensions d'ordre supérieur (INAR($p_1, p_2$)), présentent des limitations théoriques et computationnelles significatives. Plus précisément, ces modèles souffrent de difficultés dans la caractérisation de la distribution marginale stationnaire et dans le calcul des probabilités conditionnelles, qui sont essentielles pour l'inférence basée sur la vraisemblance. Le problème central découle des multiples opérations d'amincissement binomial appliquées à chaque point de la grille $(s, t)$ dans les récursions INAR standards. Cette complexité empêche la dérivation d'expressions en forme close pour la distribution marginale, rendant incertaine la manière de spécifier les innovations pour atteindre des marginales cibles spécifiques (par exemple, Poisson ou Binomiale Négative) tout en maintenant la structure de dépendance autorégressive souhaitée. Bien que les modèles à moyenne mobile à valeurs entières (INMA) puissent accommoder des marginales de Poisson, ils manquent de la décroissance progressive de la mémoire caractéristique des processus autorégressifs, qui correspond souvent mieux aux données spatiales réelles.

Méthodologie
Pour remédier à ces limitations, les auteurs proposent une nouvelle classe de modèles appelée champs aléatoires CINAR combinés (Combined INAR). Cette approche adapte le concept CINAR de l'analyse des séries temporelles (Weiß, 2008b ; Zhu and Joe, 2006) au domaine spatial.

Le modèle CINAR($p_1, p_2$) est défini par la récursion :
$$X_{s,t} = \sum_{(i,j) \in S} D_{s,t;i,j} \cdot (\alpha \circ X_{s-i,t-j}) + \varepsilon_{s,t}$$
où :

• $S$ est l'ensemble des indices de retard excluant $(0,0)$.
• $\alpha \in (0, 1)$ est un paramètre d'amincissement constant.
• $\circ$ désigne l'opérateur d'amincissement binomial.
• $(D_{s,t})$ est un champ aléatoire i.i.d. de vecteurs de « décision » suivant une loi multinomiale. À chaque emplacement $(s, t)$, exactement un terme de retard est sélectionné pour subir un amincissement, tandis que les autres sont ignorés.
• $\varepsilon_{s,t}$ représente des innovations de comptes i.i.d.

Ce mécanisme d'« amincissement unique » par emplacement distingue le CINAR des modèles INAR standards, qui appliquent un amincissement à tous les termes de retard simultanément.

Contributions clés et résultats théoriques

1. Distribution marginale stationnaire : Les auteurs dérivent une expression en forme close pour la fonction génératrice de probabilité (pgf) de la distribution marginale stationnaire. Ils démontrent que les modèles CINAR peuvent être équipés de n'importe quelle distribution discrète auto-décomposable (DSD) (y compris Poisson et Binomiale Négative) comme distribution marginale. La distribution d'innovation requise est explicitement déterminée par la relation $pgf_\varepsilon(u) = pgf_X(u) / pgf_X(1 - \alpha + \alpha u)$.
2. Structure d'autocorrélation : La fonction d'autocorrélation spatiale (ACF) du modèle CINAR satisfait un ensemble d'équations de Yule-Walker identiques en forme à celles du modèle INAR($p_1, p_2$) standard, à condition que les coefficients soient reparamétrés comme $\theta_{ij} = \alpha \phi_{ij} Ainsi, le CINAR conserve la structure d'autocorrélation de type AR classique.
3. Probabilités conditionnelles : Un avantage computationnel majeur réside dans la dérivation d'une expression simple pour la distribution conditionnelle $P(X_{s,t} = x | P_{s,t})$. Contrairement aux modèles INAR standards, qui nécessitent des convolutions multiples complexes (par exemple, triple convolution pour INAR(1, 1)), la distribution conditionnelle CINAR n'implique qu'une seule convolution. Cela simplifie considérablement le calcul des fonctions de vraisemblance.
4. Extensions : L'article décrit des extensions potentielles vers des modèles CINAR multilatéraux (incorporant des retards futurs) et des modèles CINAR Tobit (pour gérer les dépendances négatives via la censure à zéro), bien que ceux-ci soient notés comme sujets de recherche future.

Estimation des paramètres et résultats de simulation
L'article développe trois approches d'estimation :

• Yule-Walker (YW) : Basée sur les autocorrélations empiriques.
• Moindres carrés conditionnels (CLS) : Minimisation des écarts quadratiques de la moyenne conditionnelle.
• Vraisemblance maximale conditionnelle (CML) : Maximisation de la vraisemblance basée sur les probabilités conditionnelles dérivées.

Une étude de simulation complète sur des modèles CINAR(1, 1) et CINAR(2, 2) de Poisson et de Binomiale Négative révèle :

• Performance : L'estimateur CML surpasse systématiquement YW et CLS en termes de biais et d'écart-type, en particulier lorsque les paramètres de dépendance sont grands.
• Biais chez les concurrents : Les estimateurs YW et CLS présentent un fort biais négatif pour les grands paramètres de dépendance, conduisant à un biais positif dans la moyenne estimée des innovations.
• Mauvaise spécification du modèle : Le CML est très sensible à la mauvaise spécification du modèle (par exemple, ajuster un modèle de Poisson à des données de Binomiale Négative), entraînant un biais non nul. Dans de tels cas, le CLS peut mieux performer. Les auteurs notent qu'un écart substantiel entre les estimations CLS et CML peut servir d'avertissement diagnostique pour une mauvaise spécification du modèle.

Application empirique
La pertinence pratique de la famille CINAR est démontrée à l'aide de données de rendement en blé agricole (Iyer, 1942). Les données présentent un comportement marginal proche de Poisson et une dépendance spatiale positive.

• Un modèle CINAR(1, 1) simplifié (excluant la dépendance diagonale) a fourni un bon ajustement, confirmé par des critères d'information (AIC/BIC) et des outils diagnostiques (résidus de Pearson et histogrammes de la transformation intégrale de probabilité).
• Un modèle CINAR(2, 2) simplifié a encore amélioré l'ajustement en capturant les dépendances résiduelles à des retards spécifiques, surpassant tous les candidats d'ordre un.
• L'application met en évidence la capacité du modèle à gérer des données de grille de comptes réelles avec des distributions marginales interprétables.

Signification et affirmations
L'article affirme que la famille CINAR offre une alternative « utile » aux champs aléatoires INAR existants en résolvant le compromis entre des distributions marginales flexibles et une inférence traitable. En combinant la structure d'autocorrélation de type AR classique avec la capacité de spécifier des marginales de Poisson ou de Binomiale Négative, les modèles CINAR surmontent le « défaut d'avoir une distribution marginale incertaine » inhérent aux modèles INAR standards. De plus, le calcul simplifié des probabilités conditionnelles facilite l'inférence basée sur la vraisemblance, qui était auparavant computationnellement prohibitive pour les champs INAR d'ordre supérieur. Les auteurs concluent que, bien que le CML soit la méthode d'estimation préférée pour les modèles correctement spécifiés, des diagnostics rigoureux du modèle sont essentiels pour éviter les pièges de la mauvaise spécification.