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

Sintesi Tecnica: Una Classe di Campi Casuali INAR di Ordine Superiore per Conteggi di Poisson e Oltre

Enunciato del Problema
I modelli esistenti di autoregressione a valori interi (INAR) per campi casuali di conteggio, come l'INAR(1, 1) e le sue estensioni di ordine superiore (INAR($p_1, p_2$)), presentano limitazioni teoriche e computazionali significative. Nello specifico, tali modelli soffrono di difficoltà nella caratterizzazione della distribuzione marginale stazionaria e nel calcolo delle probabilità condizionate, elementi essenziali per l'inferenza basata sulla verosimiglianza. La questione centrale nasce dalle multiple operazioni di diradamento binomiale applicate in ogni punto della griglia $(s, t)$ nelle ricorsioni INAR standard. Questa complessità impedisce la derivazione di espressioni in forma chiusa per la distribuzione marginale, rendendo incerto come specificare le innovazioni per raggiungere marginali target specifici (ad esempio, Poisson o Binomiale Negativa) mantenendo al contempo la struttura di dipendenza autoregressiva desiderata. Sebbene i modelli di Media Mobile a Valori Interi (INMA) possano accommodare marginali Poisson, mancano della graduale decadenza della memoria caratteristica dei processi autoregressivi, che spesso si adatta meglio ai dati spaziali reali.

Metodologia
Per affrontare queste limitazioni, gli autori propongono una nuova classe di modelli denominata campi casuali INAR Combinati (CINAR). Questo approccio adatta il concetto CINAR dall'analisi delle serie temporali (Weiß, 2008b; Zhu e Joe, 2006) al dominio spaziale.

Il modello CINAR($p_1, p_2$) è definito dalla ricorsione:
$$X_{s,t} = \sum_{(i,j) \in S} D_{s,t;i,j} \cdot (\alpha \circ X_{s-i,t-j}) + \varepsilon_{s,t}$$
dove:

• $S$ è l'insieme degli indici di ritardo che esclude $(0,0)$.
• $\alpha \in (0, 1)$ è un parametro di diradamento costante.
• $\circ$ denota l'operatore di diradamento binomiale.
• $(D_{s,t})$ è un campo casuale i.i.d. di vettori "decisionali" che seguono una distribuzione multinomiale. In ogni posizione $(s, t)$, esattamente un termine di ritardo è selezionato per subire il diradamento, mentre gli altri sono ignorati.
• $\varepsilon_{s,t}$ rappresenta innovazioni di conteggio i.i.d.

Questo meccanismo di "singolo diradamento" per posizione distingue il CINAR dai modelli INAR standard, che applicano il diradamento a tutti i termini di ritardo simultaneamente.

Contributi Chiave e Risultati Teorici

1. Distribuzione Marginale Stazionaria: Gli autori derivano un'espressione in forma chiusa per la funzione generatrice di probabilità (pgf) della distribuzione marginale stazionaria. Dimostrano che i modelli CINAR possono essere equipaggiati con qualsiasi distribuzione discretamente auto-decomponibile (DSD) (inclusi Poisson e Binomiale Negativa) come distribuzione marginale. La distribuzione delle innovazioni richiesta è determinata esplicitamente dalla relazione $pgf_\varepsilon(u) = pgf_X(u) / pgf_X(1 - \alpha + \alpha u)$.
2. Struttura di Autocorrelazione: La funzione di autocorrelazione spaziale (ACF) del modello CINAR soddisfa un insieme di equazioni di Yule–Walker identiche per forma a quelle del modello INAR($p_1, p_2$) standard, a condizione che i coefficienti siano riparametrizzati come $\theta_{ij} = \alpha \phi_{ij}$. Pertanto, il CINAR mantiene la classica struttura di autocorrelazione di tipo AR.
3. Probabilità Condizionate: Un vantaggio computazionale maggiore è la derivazione di un'espressione semplice per la distribuzione condizionata $P(X_{s,t} = x | P_{s,t})$. A differenza dei modelli INAR standard, che richiedono complesse convoluzioni multiple (ad esempio, triple per l'INAR(1, 1)), la distribuzione condizionata CINAR coinvolge una singola convoluzione. Questo semplifica significativamente il calcolo delle funzioni di verosimiglianza.
4. Estensioni: Il documento delinea potenziali estensioni verso modelli CINAR multilaterali (che incorporano ritardi futuri) e modelli CINAR Tobit (per gestire dipendenze negative tramite censura a zero), sebbene questi siano indicati come argomenti per ricerche future.

Stima dei Parametri e Risultati di Simulazione
Il documento sviluppa tre approcci di stima:

• Yule–Walker (YW): Basato sulle autocorrelazioni campionarie.
• Minimi Quadrati Condizionati (CLS): Minimizzazione delle deviazioni quadrate della media condizionata.
• Massima Verosimiglianza Condizionata (CML): Massimizzazione della verosimiglianza basata sulle probabilità condizionate derivate.

Uno studio di simulazione completo sui modelli CINAR(1, 1) e CINAR(2, 2) Poisson e Binomiale Negativa rivela:

• Prestazioni: Lo stimatore CML supera costantemente YW e CLS in termini di bias e deviazione standard, in particolare quando i parametri di dipendenza sono grandi.
• Bias nei Competitori: Gli stimatori YW e CLS mostrano un forte bias negativo per parametri di dipendenza grandi, portando a un bias positivo nella media delle innovazioni stimate.
• Specificazione Errata del Modello: Il CML è altamente sensibile alla specificazione errata del modello (ad esempio, adattare un modello Poisson a dati Binomiali Negativi), risultando in un bias non vanificante. In tali casi, il CLS può performare meglio. Gli autori notano che una discrepanza sostanziale tra le stime CLS e CML può servire come avvertimento diagnostico per una specificazione errata del modello.

Applicazione Empirica
La rilevanza pratica della famiglia CINAR è dimostrata utilizzando dati sulla resa del grano agricolo (Iyer, 1942). I dati mostrano un comportamento marginale vicino al Poisson e una dipendenza spaziale positiva.

• Un modello CINAR(1, 1) semplificato (escludendo la dipendenza diagonale) ha fornito un buon adattamento, confermato da criteri di informazione (AIC/BIC) e strumenti diagnostici (residui di Pearson e istogrammi della Trasformata Integrale di Probabilità).
• Un modello CINAR(2, 2) semplificato ha ulteriormente migliorato l'adattamento catturando le dipendenze residue a ritardi specifici, superando tutti i candidati del primo ordine.
• L'applicazione evidenzia la capacità del modello di gestire dati reali a griglia di conteggio con distribuzioni marginali interpretabili.

Significato e Affermazioni
Il documento afferma che la famiglia CINAR offre un'alternativa "utile" ai campi casuali INAR esistenti risolvendo il compromesso tra distribuzioni marginali flessibili e inferenza trattabile. Combinando la classica struttura di autocorrelazione di tipo AR con la capacità di specificare marginali Poisson o Binomiale Negativa, i modelli CINAR superano lo "svantaggio di avere una distribuzione marginale incerta" intrinseco nei modelli INAR standard. Inoltre, il calcolo semplificato delle probabilità condizionate facilita l'inferenza basata sulla verosimiglianza, che in precedenza era computazionalmente proibitiva per i campi INAR di ordine superiore. Gli autori concludono che, sebbene il CML sia il metodo di stima preferito per modelli correttamente specificati, sono essenziali rigorosi diagnostici di modello per evitare le insidie della specificazione errata.