exdqlm: An R Package for Estimation and Analysis of Flexible Dynamic Quantile Linear Models

Sintesi Tecnica di exdqlm: Un pacchetto R per la stima e l'analisi di modelli lineari quantili dinamici flessibili

Problematica
Sebbene la regressione quantilica sia uno strumento standard per la modellazione statica, i metodi quantilici dinamici e i relativi software rimangono limitati. Gli approcci bayesiani esistenti spesso si affidano alla distribuzione asimmetrica di Laplace (AL) come verosimiglianza, il che li lega alla funzione di perdita "check" ma impone assunzioni restrittive sulle distribuzioni d'errore. Al contrario, modelli di errore non parametrici più flessibili sono spesso computazionalmente proibitivi per i modelli state-space dinamici e per serie temporali lunghe. Inoltre, i pacchetti di regressione quantilica generale (ad es., quantreg, bayesQR) trattano tipicamente il tempo come un predittore osservato o un ritardo piuttosto che propagare i coefficienti come stati latenti, mentre i pacchetti state-space generali (ad es., dlm) si concentrano su verosimiglianze gaussiane e mancano di flussi di lavoro quantilici dedicati. Esiste un vuoto tra gli strumenti quantilici ampi e i software di modellazione dinamica gaussiana che richiedono un flusso di lavoro bayesiano dedicato per i modelli state-space quantilici dinamici.

Metodologia
L'articolo presenta il pacchetto R exdqlm, che implementa i Modelli Lineari Quantili Estesi (exDQLMs). I componenti metodologici centrali sono:

1. Verosimiglianza Asimmetrica Estesa (exAL): Il pacchetto utilizza la distribuzione exAL (Yan, Zheng e Kottas, 2025), un'estensione parametrica della standard distribuzione AL. La exAL preserva i vantaggi computazionali tramite una rappresentazione di miscela che coinvolge variabili latenti ($v_t$ e $s_t$), rilassando al contempo le assunzioni restrittive attraverso un parametro di asimmetria $\gamma$. L'equazione di osservazione è definita come $y_t = F_t^\top \theta_t + \epsilon_t$, dove $\epsilon_t \sim \text{exAL}_{p_0}(0, \sigma, \gamma)$, e l'evoluzione dello stato segue $\theta_t = G_t \theta_{t-1} + \omega_t$ con innovazioni gaussiane.
2. Algoritmi di Inferenza: Il pacchetto fornisce due motori di inferenza primari:
   • MCMC: Una routine di campionamento Gibbs (exdqlmMCMC) che aggiorna le sequenze di variabili latenti, gli stati dinamici (tramite forward-filtering backward-sampling) e i parametri di scala/asimmetria. Supporta il campionamento a fette (slice sampling) e i kernel di Metropolis–Hastings.
   • Laplace–Delta Variational Bayes (LDVB): Una routine di inferenza approssimata veloce (exdqlmLDVB) basata sulla strategia variazionale non coniugata di Wang e Blei (2013). Impiega la fattorizzazione mean-field e l'ascesa coordinata a blocchi. Il blocco congiunto non coniugato scala-asimmetria è approssimato utilizzando un metodo Laplace–delta su coordinate trasformate, fornendo monitoraggio deterministico della convergenza e sintesi approssimative dell'incertezza.
3. Estensioni del Modello:
   • Funzioni di Trasferimento: Il framework supporta l'aumento dello state-space tramite funzioni di trasferimento per modellare gli effetti degli input attuali e ritardati su un quantile di risposta tramite un tasso di decadimento esponenziale $\lambda$.
   • Regressione Statica: Il pacchetto gestisce la regressione statica exAL e AL con prior di contrazione (specificamente il prior regularized horseshoe di Nishimura–Suchard) come casi speciali.
   • Sintesi Posteriore: Una funzione quantileSynthesis() combina i disegni predittivi posteriori da livelli quantilici stimati separatamente in una singola distribuzione coerente, applicando correzioni di monotonicità se necessario.

Contributi Chiave
Il contributo primario dell'articolo è incentrato sul software, fornendo un flusso di lavoro integrato per specificare, adattare, diagnosticare e prevedere analisi quantiliche dinamiche e statiche bayesiane. I contributi specifici includono:

• Un'interfaccia di costruzione del modello composibile per componenti di trend, stagionalità, regressione e funzioni di trasferimento.
• Interfacce di inferenza coordinate sia per l'inferenza MCMC che per l'inferenza variazionale (LDVB e ISVB).
• Un flusso di lavoro S3 object con metodi standard (print(), summary(), plot(), predict(), diagnostics()) per modelli adattati, previsioni e oggetti diagnostici.
• Implementazioni compilate (tramite Rcpp) per operazioni computazionalmente intensive (ad es., densità exAL, ricorsioni di Kalman, campionamento posteriore) con fallback in R per la portabilità.
• Strumenti diagnostici inclusi l'analisi della Trasformata Integrale di Probabilità (PIT), la divergenza di Kullback–Leibler (KL) per la calibrazione, lo Score Classificato Probabilistico (CRPS) e il Criterio di Perdita Predittiva Posteriore (PPLC).

Risultati
L'articolo valida il pacchetto attraverso quattro esempi:

1. Lago Huron: Dimostra la costruzione di modelli dinamici, l'inferenza MCMC, la previsione multi-step e la sintesi post-hoc dei disegni predittivi posteriori attraverso tre livelli quantilici (0.05, 0.50, 0.95).
2. Macchie Solari (Sunspots): Confronta i fit DQLM (con $\gamma=0$ fisso) ed exDQLM (con $\gamma$ stimato) utilizzando LDVB. Illustra i diagnostici del modello (PIT, KL, CRPS) per la selezione dei fattori di sconto e confronta l'efficienza computazionale di LDVB rispetto a MCMC, mostrando che LDVB è sostanzialmente più veloce pur mantenendo prestazioni predittive competitive.
3. Flusso d'Acqua dei Grandi Alberi (Big Tree Water Flow): Confronta tre specifiche: un modello base senza covariate, un modello di regressione diretta e un modello di funzione di trasferimento. L'esempio evidenzia il flusso di lavoro per la gestione di covariate esterne e la previsione condizionale, mostrando come le funzioni di trasferimento catturino gli effetti climatici ritardati.
4. Benchmark di Sparsità Simulata: Valuta la regressione statica exAL con prior di contrazione. I risultati indicano che, mentre MCMC fornisce riassunti dei code posteriori più accurati, LDVB offre un'approssimazione rapida (7–20x più veloce) con un recupero del segnale comparabile per coefficienti sparsi.

Significatività e Ambito
L'articolo posiziona exdqlm come uno strumento specializzato che colma il divario tra i software di regressione quantilica generale e i pacchetti state-space gaussiani. Afferma esplicitamente di non avere l'intento di sostituire toolkit general-purpose ampi o pacchetti progettati per la stima multi-quantilica congiunta. Inveverso, fornisce un flusso di lavoro bayesiano dedicato per i modelli state-space quantilici dinamici dove i coefficienti sono propagati come stati latenti.

Gli autori segnalano le attuali limitazioni: i modelli dinamici vengono adattati un livello quantilico alla volta (con la sintesi che avviene post-hoc), LDVB fornisce disegni approssimativi piuttosto che esatti della distribuzione posteriore (rendendo MCMC il riferimento per il comportamento delle code) e i tassi di ritardo delle funzioni di trasferimento sono fissi o selezionati tramite griglia piuttosto che stimati internamente. Le direzioni di sviluppo futuro menzionate includono modelli a output multivariato, migliori approssimazioni per il blocco non coniugato scala-asimmetria e modellazione dinamica non lineare. Il pacchetto è distribuito sotto licenza MIT ed è disponibile su CRAN.