Connecting reflective asymmetries in multivariate spatial and spatio-temporal covariances

Sintesi Tecnica: Connettere le Asimmetrie Riflettenti nelle Covarianze Spaziali e Spazio-Temporali Multivariate

Problematica
Nella l'analisi di dati spaziali multivariati e spazio-temporali univariati, si osservano frequentemente strutture di dipendenza asimmetriche che tuttavia risultano spesso difficili da modellare efficacemente. I comuni framework di processi gaussiani si basano su funzioni di covarianza simmetriche, mentre fenomeni reali come l'advezione atmosferica o le correnti oceaniche spesso esibiscono direzionalità. L'approccio prevalente per modellare tali asimmetrie nei dati spazio-temporali è il modello Lagrangiano, che interpreta l'asimmetria come un processo che evolve con una certa direzionalità (ad esempio, il trasporto del vento). Tuttavia, i modelli Lagrangiani presentano dei limiti: non includono naturalmente il modello separabile e simmetrico come caso speciale (ostacolando i test del rapporto di verosimiglianza per la simmetria), offrono un controllo limitato e indipendente sulle covarianze marginali spaziali e temporali, e richiedono un numero elevato di parametri, specialmente in dimensioni spaziali superiori. Inoltre, gli esistenti modelli spaziali asimmetrici multivariati sono stati ampiamente limitati a contesti monodimensionali o a specifiche forme funzionali.

Metodologia
Questo articolo introduce un nuovo paradigma denominato "asimmetria riflettente", sfruttando recenti costruzioni nel dominio spettrale per dati spaziali multivariati per sviluppare covarianze spazio-temporali asimmetriche.

1. Asimmetria Riflettente nei Dati Spaziali:
   I ricercatori estendono le covarianze incrociate spaziali asimmetriche a dimensioni arbitrarie $d$. Queste covarianze sono costruite moltiplicando la densità spettrale $f(x)$ di una covarianza spaziale simmetrica per il termine $-i \text{sign}(\langle x, \tilde{x} \rangle)$, dove $\tilde{x}$ è un vettore direzionale unitario. Questa operazione introduce una componente di funzione dispari alla covarianza incrociata, creando un'asimmetria "riflettente" rispetto all'origine.

• Il documento deriva espressioni in forma chiusa per le parti asimmetriche delle covarianze Squared-Exponential, Cauchy e Matérn in dimensioni generali $d$. Per i modelli Squared-Exponential e Cauchy, queste sono espresse utilizzando la funzione di errore immaginaria ($\text{erfi}$) e funzioni ipergeometriche, rispettivamente.
• Viene fornita una rappresentazione di miscela di scala per generare forme asimmetriche per una vasta classe di covarianze.

2. Modelli Spazio-Temporali Asimmetrici Riflettenti:
   Il contributo principale è l'estensione di queste costruzioni spaziali a contesti spazio-temporali univariati. Gli autori propongono una densità spettrale $f(x, \eta)$ per le covarianze spazio-temporali definita come:
   $$f(x, \eta) = \sigma f^*(\|x\|, |\eta|) \{1 + \xi \text{sign}(\langle x, \tilde{x} \rangle)\text{sign}(\eta)\}$$
   dove $f^*$ è una densità spettrale spazio-temporale simmetrica, $\xi \in (-1, 1)$ è un parametro di asimmetria, e $\eta$ è la frequenza temporale.

• Modelli di Tipo Separabile: Quando $f^*$ è separabile, la risultante covarianza spazio-temporale si decompone in una parte separabile simmetrica e una parte asimmetrica: $C(h, u) = \sigma [C_s^\Re(h)C_t^\Re(u) + \xi C_s^\Im(h)C_t^\Im(u)]$. Questa costruzione permette al modello separabile simmetrico di essere un caso speciale (quando $\xi=0$).
• Modelli di Tipo Gneiting: Gli autori costruiscono anche versioni non separabili di tipo Gneiting delle covarianze, fornendo forme chiuse per $d=1$ che coinvolgono la funzione di errore ($\text{erf}$).

3. Implementazione Computazionale e Pratica:

• Simulazione: Viene proposto un algoritmo di simulazione spettrale efficiente utilizzando il campionamento per rifiuto e identità trigonometriche per simulare campi con queste covarianze asimmetriche.
• Nonstazionarietà: Il framework accoglie l'anisotropia geometrica permettendo al vettore direzionale e ai parametri di range di variare spazialmente.
• Inferenza su Larga Scala: Per gestire grandi dataset dove la valutazione della verosimiglianza completa è proibitiva, il documento integra questi modelli nel framework dell'approssimazione Vecchia (specificamente all'interno del pacchetto R GpGp), utilizzando strutture di prodotto di Kronecker per i modelli di tipo separabile al fine di ridurre la complessità computazionale.

Risultati Chiave

• Proprietà Teoriche: I nuovi modelli mantengono il controllo sulle covarianze marginali spaziali e temporali, una caratteristica non garantita nei modelli Lagrangiani. Il modello asimmetrico riflettente annida il modello separabile simmetrico, consentendo test statistici rigorosi per la presenza di asimmetria tramite test del rapporto di verosimiglianza.
• Efficienza dei Parametri: I modelli riflettenti richiedono significativamente meno parametri rispetto al modello Lagrangiano completo (specificamente $1 + (d-1)$ parametri aggiuntivi per direzione e intensità rispetto a $O(d^2)$ per il Lagrangiano), offrendo una maggiore parsimonia.
• Studi di Simulazione:
  • Nelle simulazioni spaziali multivariate, i modelli asimmetrici hanno dimostrato una capacità di adattamento superiore (AIC inferiore) quando il vero processo generatore di dati era asimmetrico, mentre hanno performato in modo comparabile ai modelli simmetrici quando il processo reale era simmetrico.
  • Nelle simulazioni spazio-temporali, i modelli asimmetrici riflettenti hanno superato i modelli Lagrangiani quando il vero processo era simmetrico o asimmetrico riflettente. Al contrario, quando il processo reale era Lagrangiano, i modelli riflettenti hanno performato peggio, confermando che i due framework rappresentano classi di asimmetria sostanzialmente diverse.
• Analisi dei Dati del Vento Irlandese: Applicati al dataset di riferimento del vento irlandese (11 località, 1961–1978), i modelli asimmetrici riflettenti hanno costantemente superato i loro omologhi simmetrici e lo standard Lagrangiano in termini di AIC e log-verosimiglianza.
  • La direzione dell'asimmetria stimata ($\tilde{x}$) indicava verso Est, in linea con il noto flusso atmosferico da Ovest verso Est.
  • I modelli con covarianze temporali di tipo Cauchy hanno fornito il miglior adattamento.
  • Sebbene i tempi di stima siano stati leggermente superiori per alcuni modelli asimmetrici, essi sono stati generalmente più veloci del modello Lagrangiano, con l'eccezione dei casi che comportavano la stima complessa dei parametri di Cauchy.

Significato e Rivendicazioni
L'articolo sostiene che il framework dell'asimmetria riflettente offre un'alternativa flessibile, parsimoniosa e computazionalmente trattabile per catturare l'asimmetria di dipendenza nei dati spazio-temporali. I principali vantaggi evidenziati sono:

1. Flessibilità: La capacità di controllare indipendentemente le covarianze marginali e di incorporare l'asimmetria senza alterare la struttura marginale.
2. Testabilità: L'annidamento del modello simmetrico consente test statistici rigorosi per l'asimmetria.
3. Applicabilità: Si dimostra che i modelli migliorano l'adattamento del modello e le prestazioni di previsione sia nelle simulazioni che nei dati ambientali reali (vento irlandese).
4. Fattibilità Computazionale: L'integrazione con l'approssimazione di Vecchia rende questi modelli praticabili per dataset spazio-temporali su larga scala.

Gli autori segnalano alcune limitazioni, specificamente la mancanza di espressioni in forma chiusa per le covarianze incrociate asimmetriche di tipo Matérn in dimensioni $d > 1$ e l'attuale restrizione delle forme asimmetriche di tipo Gneiting a $d=1$. Suggeriscono che il lavoro futuro potrebbe esplorare la combinazione di approcci riflettenti e Lagrangiani o l'estensione del framework alle covarianze incrociate spazio-temporali multivariate.