Multidimensional Integral Fractional Ornstein--Uhlenbeck Process with an Application to Animal Movement

Résumé technique : Processus d'Ornstein–Uhlenbeck fractionnaire intégral multidimensionnel avec une application au mouvement animal

Énoncé du problème
Les données de télémétrie animale présentent un défi statistique : les localisations sont enregistrées à des moments discrets, souvent irréguliers, tandis que le mouvement évolue de manière continue. Bien que les modèles de vitesse en temps continu (tels que le processus d'Ornstein–Uhlenbeck) traitent cela en considérant la position comme l'intégrale de la vitesse, les modèles classiques supposent une décroissance exponentielle de la covariance de la vitesse, impliquant une dépendance temporelle à courte portée uniquement. Cette limitation est problématique pour les schémas de mouvement influencés par la mémoire ou une dépendance à longue portée. Des travaux antérieurs par Ramirez-Gonzalez et Sun (2026) ont introduit le processus d'Ornstein–Uhlenbeck fractionnaire intégral (ifOU) pour capturer la dépendance à longue portée via un paramètre de Hurst ($H$). Cependant, ces analyses traitaient les coordonnées spatiales (par exemple, la longitude et la latitude) de manière indépendante, échouant ainsi à modéliser la dépendance entre les coordonnées. De plus, l'extension de l'ifOU à un cadre multidimensionnel est non triviale ; des corrélations par paires arbitraires entre des coordonnées ayant des paramètres de Hurst différents peuvent conduire à des structures de covariance invalides.

Méthodologie
Les auteurs proposent le processus d'Ornstein–Uhlenberg fractionnaire intégral multidimensionnel (mifOU). Le modèle définit le vecteur de position $\mu_H(t) \in \mathbb{R}^p$ comme l'intégrale temporelle d'un vecteur de vitesse $v_H(t)$, où la vitesse de chaque coordonnée suit un processus d'Ornstein–Uhlenbeck fractionnaire piloté par un mouvement brownien fractionnaire multivarié (mfBm).

Composantes méthodologiques clés :

1. Construction de la covariance : Le modèle utilise une spécification « bien équilibrée » pour le mfBm moteur, garantissant que les co-variances croisées sont symétriques dans leurs arguments temporels. La co-variance de position est dérivée via une transformation intégrale de la covariance du bruit moteur.
2. Région de corrélation admissible : Les auteurs établissent que pour que la covariance jointe soit valide (semi-définie positive), les paramètres de corrélation doivent satisfaire des contraintes spécifiques de dimension finie dépendant des paramètres de Hurst ($H_i$) de chaque coordonnée. Ils caractérisent cette région admissible à l'aide d'une condition matricielle impliquant des fonctions Gamma et des termes sinus.
3. Paramétrage : Pour faciliter l'optimisation du vraisemblance sans violer les contraintes de définition positive, les auteurs introduisent un mappage bijectif (un paramétrage de type corrélation partielle LKJ) qui transforme les variables non contraintes en la région de corrélation admissible.
4. Inférence et simulation : La distribution de dimension finie du processus de position est gaussienne. Cela permet :
   • L'estimation du maximum de vraisemblance (MLE) du vecteur complet de paramètres (amortissement $\beta$, échelle $\sigma$, Hurst $H$, et corrélations $\rho$).
   • La simulation de dimension finie via un algorithme récursif.
   • La reconstruction de la vitesse conditionnelle à partir des positions observées en utilisant la distribution gaussienne conditionnelle.
5. Propriétés de dépendance : L'analyse théorique montre que le processus n'est ni stationnaire ni intrinsèquement stationnaire. Une dépendance à longue portée (LRD) pour les incréments séparés survient lorsque la somme des paramètres de Hurst d'une paire de coordonnées ($H_i + H_j$) diffère de 1. Plus précisément, si $H_i + H_j > 1$, la paire présente une mémoire longue ; si $H_i + H_j \leq 1$, elle présente une mémoire courte.

Résultats
L'article présente deux ensembles principaux de résultats : des expériences numériques et une application à la télémétrie animale.

• Expériences numériques :

  • L'estimation conjointe de tous les paramètres (échelle, amortissement, Hurst et corrélations croisées) à partir d'une seule trajectoire 3D simulée a produit des estimations précises avec des intervalles de confiance à 99 % contenant les valeurs réelles.
  • La reconstruction de la vitesse conditionnelle a réussi à récupérer les trajectoires de vitesse latentes à partir de données de position bruitées.
  • Les études d'estimation de corrélation ont montré que si les corrélations modérées sont estimées avec un faible biais, les corrélations faibles restent moins précises. Sous un raffinement de la grille à horizon fixe, l'erreur quadratique moyenne (RMSE) des estimations de corrélation a diminué à mesure que la grille d'observation devenait plus fine.

• Application à la migration des chauves-souris :
  Le modèle a été appliqué aux données de télémétrie de cinq chauves-souris noctules communes migrant en Allemagne (dont trois possédaient des mesures d'altitude).

  • Analyse marginale : Les meilleurs modèles marginaux variaient selon l'individu et la coordonnée. Par exemple, l'altitude de la Chauve-souris 3 était mieux ajustée par un mouvement brownien fractionnaire (fBM), tandis que l'altitude de la Chauve-souris 4 était mieux ajustée par un processus $\zeta$ non stationnaire.
  • Analyse de dépendance :
    • Chauves-souris 1 & 2 : Des modèles indépendants (produits de l'ajustement univarié) ont été préférés aux modèles corrélés pour les coordonnées horizontales.
    • Chauves-souris 3 & 4 : Un modèle ifOU corrélé a soutenu de fortes preuves pour la paire Longitude–Latitude, avec des corrélations estimées d'environ 0,64 et 0,58, respectivement. Les modèles 3D complets restaient compétitifs pour la Chauve-souris 3, suggérant une potentielle dépendance impliquant l'altitude.
    • Chauve-souris 5 : Le modèle indépendant a été préféré, bien qu'un modèle corrélé soit resté compétitif ($\Delta$AIC $\approx 2$).
  • Sensibilité : Le classement des modèles est resté généralement stable à travers différentes résolutions temporelles (30s, 1min, 2min), bien que le choix spécifique des familles de covariance marginales (ex. Confluent vs fBM) ait montré une sensibilité au critère de pénalité (AIC vs BIC).

Contributions clés

1. Extension théorique : L'article étend le processus ifOU univarié à un cadre multidimensionnel, fournissant un cadre rigoureux pour modéliser les trajectoires animales dépendantes avec une dépendance à longue portée.
2. Validité et paramétrage : Il établit les conditions de validité du noyau de covariance jointe et fournit un reparamétrage pratique qui garantit des matrices de covariance valides lors de l'optimisation de la vraisemblance, éliminant ainsi le besoin de vérifications de définition positive a posteriori.
3. Cadre computationnel : Les auteurs développent des algorithmes pour la simulation, l'inférence de vraisemblance et la reconstruction de la vitesse conditionnelle, rendant le modèle applicable aux données de télémétrie réelles et faiblement échantillonnées.
4. Aperçu empirique : L'application démontre que les structures temporelles marginales et les dépendances entre coordonnées doivent être évaluées séparément. L'étude révèle que si certaines chauves-souris présentent un mouvement coordonné (ifOU corrélé), d'autres se déplacent de manière indépendante, et que la dépendance de l'altitude est généralement plus faible que celle des composantes horizontales.

Signification et affirmations
Les auteurs affirment que le processus mifOU constitue un outil flexible et statistiquement valide pour analyser le mouvement animal, capturant à la fois la dépendance temporelle à longue portée et les corrélations entre coordonnées. Ils soulignent que leur approche permet l'estimation conjointe de la dynamique marginale et des structures de dépendance sans imposer d'hypothèses uniformes entre les coordonnées. L'article conclut que si le modèle identifie avec succès une dépendance forte dans des cas spécifiques (Chauves-souris 3 et 4), la preuve de la dépendance n'est pas universelle, et que le choix des familles de covariance marginales varie considérablement d'un individu à l'autre. Le travail soutient l'utilité des processus fractionnaires en télémétrie animale mais met en garde contre l'hypothèse de stationnarité ou de régimes de mémoire uniformes à travers les différentes dimensions spatiales. Les auteurs notent modestement que leurs expériences numériques décrivent des performances en échantillon fini et n'établissent pas les propriétés asymptotiques de l'estimateur conjoint.