📊 statistics

Modelling multivariate ordinal time series using pairwise likelihood

Il paper propone un metodo per modellare serie temporali ordinali multivariate utilizzando le copule e la verosimiglianza composita a coppie, sintetizzando le stime individuali tramite una media ponderata per gestire la complessità computazionale e analizzare sia dati simulati che reali, come lo stato di disoccupazione nei paesi dell'Unione Europea.

Autori originali: Anna Nalpantidi, Dimitris Karlis

Pubblicato 2026-02-16

📖 4 min di lettura☕ Lettura da pausa caffè

CC BY 4.0

Autori originali: Anna Nalpantidi, Dimitris Karlis

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di dover prevedere il futuro di sei amici diversi (Portogallo, Slovacchia, Finlandia, Grecia, Spagna e Italia) basandoti su un unico indicatore: il loro stato di disoccupazione. Ma c'è un problema: non possiamo usare numeri precisi come "5,3%", perché i dati che abbiamo sono "a scatti", come livelli di una scala: Basso, Medio, Alto, Molto Alto.

Inoltre, questi amici non vivono isolati: quando uno ha una crisi, spesso ne influenza un altro. E ognuno di loro ha una sua storia passata che influenza il suo futuro immediato.

Il paper di Anna Nalpantidi e Dimitris Karlis è come un manuale di istruzioni per un "oracolo statistico" che riesce a prevedere questi stati futuri, tenendo conto di tutte queste complessità, senza impazzire per i calcoli.

Ecco come funziona, spiegato con metafore semplici:

1. Il Problema: L'Orchestra Troppo Complessa

Immagina di voler scrivere una sinfonia per sei strumenti (le sei serie temporali). Ogni strumento ha il suo ritmo (autocorrelazione) e deve suonare in armonia con gli altri (correlazione incrociata).
Se provi a scrivere la partitura completa per tutti e sei gli strumenti contemporaneamente, la musica diventa un caos matematico impossibile da gestire. È come cercare di risolvere un puzzle di un milione di pezzi tutti insieme: ci vorrebbe un'eternità e il computer andrebbe in crash.

2. La Soluzione: Il Metodo "A Coppie" (Pairwise Likelihood)

Gli autori dicono: "Non scriviamo la sinfonia completa subito. Analizziamo prima le coppie".
Invece di guardare tutti e sei gli amici insieme, guardiamo due alla volta.

Come si comporta il Portogallo quando la Slovacchia cambia stato?
Come reagisce la Grecia quando la Spagna cambia?

Usano una "colla" matematica chiamata Copula. Immagina la copula come un elastico magico che tiene insieme due palloncini (due paesi). Puoi scegliere elastici diversi per coppie diverse: un elastico forte per chi si muove insieme (Grecia e Spagna), uno debole per chi non si influenza (Finlandia e Portogallo).

3. Il Trucco della "Sintesi" (Stima dei Parametri)

Qui arriva la parte geniale. Dopo aver analizzato tutte le possibili coppie (ce ne sono 15 per 6 paesi), abbiamo 15 versioni diverse di "quanto pesa" ogni influenza.

La coppia Portogallo-Slovacchia dice: "L'influenza è X".
La coppia Portogallo-Grecia dice: "L'influenza è Y".

Come facciamo a trovare un numero unico per il Portogallo?
Invece di fare una semplice media (come mescolare 15 bicchieri d'acqua), usano una media pesata.
Immagina di avere 15 esperti che danno un parere. Se l'esperto della coppia A è molto sicuro di sé (la sua stima è precisa, come un tiro al bersaglio), il suo parere vale di più. Se l'esperto della coppia B è incerto (la sua stima è vaga), il suo parere conta meno.
Il loro metodo calcola automaticamente "quanto fidarsi" di ogni coppia basandosi sulla solidità matematica dei dati, e poi fonde tutto in un'unica previsione coerente.

4. La Previsione (Forecasting): Il Voto a Maggioranza

Ora, come prevediamo lo stato del Portogallo tra un anno?
Poiché abbiamo analizzato il Portogallo in coppia con gli altri 5 paesi, abbiamo 5 previsioni diverse per lui.

La coppia con la Slovacchia dice: "Sarà Basso".
La coppia con la Grecia dice: "Sarà Medio".
...e così via.

Come decidiamo il futuro finale? Hanno proposto due metodi:

Il Voto a Maggioranza: Chiediamo a tutte le "coppie" di votare per lo stato futuro. Lo stato che vince la maggioranza delle votazioni diventa la previsione ufficiale.
La Media delle Probabilità: Calcoliamo la probabilità media che il Portogallo sia in uno stato specifico, sommando tutte le opinioni delle coppie, e scegliamo lo stato più probabile.

5. Il Risultato Reale

Hanno applicato questo metodo ai dati reali della disoccupazione in Europa dal 1998 al 2023.

Cosa hanno scoperto? Il metodo funziona bene. Riesce a prevedere che paesi come la Finlandia rimarranno stabili (non saliranno mai al livello "Molto Alto"), mentre paesi come la Grecia e la Spagna tendono a rimanere bloccati nello stesso stato per lunghi periodi (come se avessero una "inerzia" economica).
Il limite: Per paesi che cambiano molto lentamente o rimangono fermi per anni, il modello a volte fatica a prevedere i piccoli cambiamenti, ma nel complesso è molto più efficiente e veloce dei metodi tradizionali.

In Sintesi

Questo paper ci insegna che quando il problema è troppo grande per essere risolto tutto insieme (come prevedere 6 economie complesse), la soluzione è spezzarlo in piccoli pezzi gestibili (le coppie), risolverli singolarmente con cura, e poi ricucirli insieme dando più peso a chi ha fatto un lavoro migliore.

È come costruire un muro: invece di cercare di posare 1000 mattoni in un secondo, ne posiamo 10 alla volta, controlliamo che siano dritti, e poi li uniamo per formare una struttura solida e resistente.

1. Il Problema

L'articolo affronta la sfida di modellare serie temporali multivariate ordinali. In molti settori (economia, salute, ambiente), le osservazioni sono variabili categoriche con un ordinamento naturale (es. livelli di disoccupazione, gravità di una malattia).
Le difficoltà principali nell'analisi di tali dati sono:

Complessità della distribuzione congiunta: Costruire una distribuzione di probabilità multivariata per variabili ordinarie è difficile, specialmente quando si devono considerare sia l'autocorrelazione interna di ciascuna serie sia le dipendenze incrociate (cross-correlation) tra le diverse serie.
Limitazioni computazionali: I metodi esistenti basati su copule multivariate complete diventano intrattabili computazionalmente all'aumentare della dimensionalità ( $K$ ), poiché il calcolo delle probabilità congiunte richiede termini esponenziali ( $2^K$ ).
Mancanza di modelli flessibili: La letteratura esistente è limitata per quanto riguarda le serie temporali multivariate, con pochi approcci che gestiscono efficacemente sia la struttura temporale che quella trasversale.

2. Metodologia Proposta

Gli autori propongono un framework basato su copule e likelihood a coppie (pairwise likelihood) per circumvenire i problemi computazionali.

A. Modellazione Marginale

Ogni serie temporale $Z_{kt}$ (dove $k=1,\dots,K$ ) segue un modello logit autoregressivo ordinale di ordine $p$ .

La distribuzione marginale condizionata è multinomiale.
Il logit delle probabilità cumulative dipende dai valori passati di tutte le serie del sistema (non solo della serie stessa), catturando così sia l'autocorrelazione che la dipendenza incrociata dinamica.

B. Struttura di Dipendenza tramite Copule

Per modellare la dipendenza simultanea (lag-0) tra le serie, si utilizza una copula.

Invece di specificare una copula multivariata complessa per tutte le $K$ serie, l'approccio si basa sulla likelihood composta (composite likelihood).
Si considerano tutte le possibili distribuzioni marginali bivariate $(Z_{rt}, Z_{st})$ .
La funzione di probabilità congiunta bivariate è costruita usando una copula $C(\cdot, \cdot, \phi)$ applicata alle funzioni di distribuzione cumulative marginali.

C. Stima tramite Pairwise Likelihood

L'obiettivo è massimizzare la log-likelihood condizionata a coppie:
$\ell_{prw}(\theta; z) = \sum_{t=2}^T \sum_{r=1}^{K-1} \sum_{s=r+1}^K \log f_{Z_{rt}, Z_{st}}(z_{rt}, z_{st} | F_{t-1})$
Dove $f$ è la funzione di massa di probabilità bivariate derivata dalla copula.

Procedura di Stima in Due Fasi:

Stima Individuale: Si massimizza separatamente la log-likelihood per ciascuna delle $K(K-1)/2$ coppie bivariate. Questo evita l'ottimizzazione di un modello ad alta dimensionalità.
Sintesi degli Stimatori: Poiché i parametri possono essere stimati più volte (una volta per ogni coppia in cui appaiono), si aggregano le stime individuali.
- Gli autori suggeriscono di non usare una semplice media aritmetica, ma una media pesata.
- I pesi sono derivati dalla matrice Hessiana negativa (inversa della varianza asintotica) di ciascun modello bivariate. Questo metodo, basato su Hui et al. (2018), massimizza una funzione obiettivo quadratica approssimata, producendo stime finali più efficienti.

D. Inferenza e Errori Standard

Gli errori standard sono calcolati utilizzando la teoria asintotica della Maximum Composite Likelihood Estimator (MCLE). La varianza asintotica è data da $J^{-1} K J^{-1}$ , dove $J$ è la matrice di informazione attesa e $K$ è la matrice di varianza delle funzioni di punteggio.

3. Contributi Chiave

Approccio Computazionalmente Efficiente: Sostituisce la stima di una copula multivariata complessa con la stima di modelli bivariate semplici, rendendo fattibile l'analisi di serie temporali con molte dimensioni.
Flessibilità: Permette di utilizzare famiglie di copule diverse per coppie diverse (sebbene nello studio siano state usate copule uniformi per semplicità), adattandosi a strutture di dipendenza eterogenee.
Metodo di Sintesi Pesato: Introduce un metodo di combinazione delle stime basato sulla matrice Hessiana, che migliora l'efficienza rispetto alla media semplice.
Strategia di Previsione: Propone due metodi per la previsione in assenza di una distribuzione congiunta completa:
1. Regola della maggioranza (Mode): Si generano previsioni da ogni modello bivariate e si sceglie lo stato più frequente.
2. Media delle probabilità: Si calcola la media delle probabilità condizionate da tutti i modelli bivariate e si sceglie lo stato con la probabilità aggregata più alta.

4. Risultati

Studio di Simulazione

Sono stati simulati campioni di dimensioni $T = 100, 500, 1000$ per un sistema trivariato con copula di Gumbel.
Risultati: Gli stimatori sono risultati non distorti (le mediane delle scatole dei boxplot coincidono con i valori veri) e consistenti (la varianza diminuisce all'aumentare di $T$ ).
Confronto Media vs Media Pesata: La media pesata ha mostrato prestazioni leggermente superiori, specialmente nella stima del parametro di dipendenza ( $\phi$ ), con un errore quadratico medio (MSE) inferiore.

Applicazione Reale: Tassi di Disoccupazione UE

Dati: Tassi di disoccupazione trimestrali (1998-2023) per 6 paesi (Portogallo, Slovacchia, Finlandia, Grecia, Spagna, Italia). I dati continui sono stati discretizzati in 4 stati ordinali basati sui quantili.
Modello: Copula di Frank (adatta a dipendenze positive e negative) e modello logit ordinale di ordine 1.
Risultati:
- Il modello ha catturato efficacemente le correlazioni incrociate (es. forte associazione tra Spagna, Grecia e Italia).
- Le previsioni per il periodo 2021-2023 sono state confrontate con i dati reali.
- Il metodo ha funzionato bene per paesi con dinamiche stabili (Portogallo, Slovacchia, Finlandia), mentre ha mostrato limiti per paesi con lunghi periodi di stallo nello stesso stato (Grecia, Spagna), suggerendo che modelli specifici per "run" (come i modelli DAR) potrebbero essere necessari in quei casi.
- Le due strategie di previsione (A e B) hanno prodotto risultati simili.

5. Significato e Conclusioni

Il paper offre una soluzione pratica e robusta per l'analisi di serie temporali ordinali multivariate, un'area spesso trascurata a causa della complessità computazionale.

Impatto: Consente agli analisti di modellare sistemi complessi (es. indicatori economici di più paesi) senza dover ricorrere a semplificazioni eccessive o metodi approssimati che perdono informazioni strutturali.
Estendibilità: Il framework è flessibile e può essere esteso includendo covariate, utilizzando diversi modelli marginali per ciascuna serie, o permettendo famiglie di copule diverse per coppie diverse.
Limiti: La previsione rimane una sfida a causa della natura frammentata dell'inferenza (basata su coppie), ma le strategie proposte offrono un compromesso accettabile tra accuratezza e fattibilità.

In sintesi, l'approccio proposto bilancia efficacemente la complessità statistica e la fattibilità computazionale, fornendo uno strumento potente per l'analisi e la previsione di sistemi di variabili ordinarie interconnesse.