Copula-based models for spatially dependent cylindrical data

Sintesi Tecnica: Modelli basati su Copula per Dati Cilindrici con Dipendenza Spaziale

Definizione del Problema
I dati cilindrici, composti da coppie di variabili angolari (angolo) e lineari (intensità), sono comuni in campi quali la meteorologia, l'oceanografia e l'ecologia. Una sfida primaria nell'analisi di questi dati è la modellazione congiunta della dipendenza angolare-lineare e dell'autocorrelazione spaziale, mantenendo al contempo flessibilità nelle specifiche marginali. La letteratura esistente si basa spesso su costruzioni basate su copula, ma tipicamente tratta i parametri delle copule come costanti non correlate a covariate e limita la regressione marginale a predittori lineari, ignorando così la correlazione spaziale. Inoltre, gli approoli standard basati sulla distribuzione Gaussiana spesso non riescono ad adattarsi a margini non gaussiani o a dipendenze non lineari tra le componenti circolari e lineari.

Metodologia
Gli autori propongono un Modello di Regressione a Copula Condizionale Additiva Strutturata per dati cilindrici, denominato modello Partially Wrapped Copula (PWC). La metodologia si basa sui seguenti componenti:

• Approccio Parzialmente Avvolto (Partially Wrapped): Invece di definire direttamente la distribuzione congiunta sullo spazio cilindrico $S^1 \times \mathbb{R}$, il modello adotta un approccio "avvolto" (wrapped). La risposta circolare $\phi_1(s)$ è trattata come il modulo $2\pi$ di un processo lineare spaziale latente sottostante $Y_1(s)$. Viene introdotto un processo di numero di avvolgimento (winding number) latente $k(s) \in \mathbb{Z}$ tale che $Y_1(s) = \phi_1(s) + 2\pi k(s)$, permettendo al modello di operare sullo spazio lineare non avvolto $\mathbb{R}^2$ prima di avvolgere la componente circolare.
• Framework di Copula Condizionale: Sfruttando il teorema di Sklar, la distribuzione condizionale congiunta viene scomposta in distribuzioni marginali e una funzione di copula che governa la dipendenza. Il parametro della copula $\rho$ è consentito di variare in funzione delle covariate e dello spazio, affrontando il vuoto nei modelli cilindrici esistenti dove i parametri delle copule sono spesso statici.
• Distribuzioni Marginali:
  • La componente circolare è modellata utilizzando una distribuzione Wrapped Gaussian (WG), indotta da un processo Gaussiano (GP) sottostante.
  • La componente lineare segue una distribuzione Log-Normale, anch'essa guidata da un processo Gaussiano (GP) sottostante.
• Dipendenza Spaziale e Non Stazionarietà: Gli effetti spaziali sono modellati utilizzando Campi Casuali di Markov Gaussiani (GMRF) derivati da Equazioni Differenziali Parziali Stocastiche (SPDE). Questo approccio approssima i Campi Casuali Gaussiani (GRF) per garantire l'efficienza computazionale tramite matrici di precisione sparse. Fondamentalmente, il modello consente la non stazionarietà sia nelle strutture di media che di covarianza, permettendo ai parametri SPDE (range e varianza) di variare uniformemente nello spazio tramite predittori log-lineari.
• Inferenza Bayesiana: La stima a posteriori è eseguita tramite simulazione Markov Chain Monte Carlo (MCMC). Gli autori impiegano un approccio in due fasi: prima vengono adattati i modelli marginali (campionando i numeri di avvolgimento latenti e i parametri GP), e in secondo luogo vengono stimati i coefficienti di regressione della copula condizionatamente ai marginali adattati. Questa strategia riduce il carico computazionale rispetto alla stima congiunta, pur mantenendo una quantificazione valida dell'incertezza.

Contributi Chiave

1. Copule Dipendenti da Covariate per Dati Cilindrici: Il lavoro estende l'applicazione delle copule dipendenti da covariate agli scenari cilindrici, permettendo alla struttura di dipendenza tra direzione e velocità del vento (o variabili simili) di variare in base alle covariate ambientali.
2. Modellazione Marginale e Spaziale Flessibile: Combinando processi Gaussiani avvolti con la regressione distributiva, il modello accoglie margini non gaussiani ed effetti spaziali non lineari.
3. Processi Spaziali Non Stazionari: Il framework modella esplicitamente la dipendenza spaziale non stazionaria sia nella media che nella covarianza dei processi latenti, utilizzando il framework SPDE-GMRF per gestire la complessità computazionale di grandi dataset spaziali.
4. Recupero del Numero di Avvolgimento Latente: L'introduzione di un processo di numero di avvolgimento latente facilita l'uso di tecniche standard di modellazione spaziale lineare per i dati circolari, evitando le complessità della periodicità parziale nella verosimiglianza congiunta.

Risultati

• Studio di Simulazione: Uno studio di simulazione ha valutato la capacità del modello di identificare la dipendenza nelle code (copule Gaussian, Clayton e Gumbel) e gli effetti delle covariate. I risultati hanno indicato che i criteri di informazione (DIC e WAIC) sono stati generalmente efficaci nella selezione della corretta famiglia di copule. Le copule asimmetriche (Clayton e Gumbel) sono state distinte più facilmente dalla copula Gaussiana grazie alle loro distinte proprietà di coda, in particolare all'aumentare delle dimensioni del campione.
• Applicazione ai Dati del Vento Tedeschi: Il modello è stato applicato a dati orari di direzione e velocità del vento da 289 stazioni meteorologiche in Germania durante un evento temporalesco (gennaio 2025).
  • Selezione del Modello: La copula Gumbel con un parametro dipendente da covariate ha fornito il miglior adattamento, superando i modelli con parametri costanti o assunzioni di indipendenza. Ciò ha indicato la presenza di dipendenza nella coda superiore tra direzione e velocità del vento durante la tempesta.
  • Effetti delle Covariate: L'analisi ha rivelato che una pressione atmosferica più elevata era associata a velocità del vento inferiori e direzioni alterate, mentre la temperatura dell'aria e l'umidità aumentavano le velocità del vento. Il parametro di dipendenza $\rho$ era positivamente associato alla pressione atmosferica e alla visibilità, suggerendo una dipendenza più forte in condizioni atmosferiche stabili.
  • Predizione Spaziale: Il modello ha catturato con successo la dinamica del vento nel nord e nel centro della Germania. Le prestazioni predittive sono risultate leggermente ridotte nelle regioni montuose meridionali (Alpi), a causa degli effetti orografici complessi e della risoluzione attuale della mesh. La media a posteriori del parametro della copula ha mostrato un gradiente spaziale, con una dipendenza più forte nel nord rispetto al sud.

Significatività e Rivendicazioni
Gli autori affermano che il modello PWC proposto offre un framework flessibile per l'analisi di dati cilindrici spazialmente dipendenti, superando i limiti degli approcci esistenti. Integrando gli effetti delle covariate nella struttura di dipendenza e permettendo processi spaziali non stazionari, il modello fornisce una rappresentazione più accurata di fenomeni ambientali complessi come il comportamento del vento. Il lavoro sottolinea che, sebbene l'applicazione si concentri sul vento, il framework è generalizzabile a qualsiasi dato spaziale circolare-lineare. Il lavoro evidenzia l'importanza di andare oltre le assunzioni di dipendenza statica e i predittori lineari per catturare le relazioni sfumate tra direzione e intensità in dataset spazialmente correlati. Si suggerisce che il lavoro futuro possa estendere il framework a contesti spazio-temporali completi ed esplorare distribuzioni marginali più flessibili (ad esempio, wrapped skew-normal) e formulazioni di copula semi-parametriche.