Copula-based models for spatially dependent cylindrical data

Technische Samenvatting: Copula-gebaseerde Modellen voor Ruimtelijk Afhankelijke Cilindrische Data

Probleemstelling
Cilindrische data, bestaande uit gekoppelde circulaire (hoek) en lineaire (intensiteit) variabelen, komen veel voor in velden zoals meteorologie, oceanografie en ecologie. Een primaire uitdaging bij het analyseren van deze data is het gezamenlijk modelleren van de circulaire-lineaire afhankelijkheid en ruimtelijke autocorrelatie, terwijl de flexibiliteit in marginale specificaties behouden blijft. De bestaande literatuur vertrouwt vaak op copula-gebaseerde constructies, maar behandelt de copula-parameters doorgaans als constanten die niet gerelateerd zijn aan covariaten, en beperkt de marginale regressie tot lineaire predictoren, waardoor ruimtelijke correlatie wordt genegeerd. Bovendien schieten standaard Gaussian-gebaseerde benaderingen vaak tekort bij het accommoderen van niet-Gaussische marges of niet-lineaire afhankelijkheden tussen de circulaire en lineaire componenten.

Methodologie
De auteurs stellen een Structured Additive Conditional Copula Regression Model voor voor cilindrische data, de Partially Wrapped Copula (PWC) model genoemd. De methodologie is gebouwd op de volgende componenten:

• Partially Wrapped Approach: In plaats van de gezamenlijke distributie direct te definiëren op de cilinder $S^1 \times \mathbb{R}$, hanteert het model een "wrapped" benadering. De circulaire respons $\phi_1(s)$ wordt behandeld als de modulo $2\pi$ van een onderliggend latent lineair ruimtelijk proces $Y_1(s)$. Een latent winding number proces $k(s) \in \mathbb{Z}$ wordt geïntroduceerd zodat $Y_1(s) = \phi_1(s) + 2\pi k(s)$, waardoor het model kan opereren op de onwikkelde lineaire ruimte $\mathbb{R}^2$ voordat de circulaire component wordt gewrapt.
• Conditional Copula Framework: Door gebruik te maken van de stelling van Sklar, wordt de gezamenlijke conditionele distributie ontkoppeld in marginale distributies en een copula-functie die de afhankelijkheid regelt. De copula-parameter $\rho$ mag variëren als een functie van covariaten en de ruimte, waarmee het gat in bestaande cilindrische modellen wordt gedicht waar copula-parameters vaak statisch zijn.
• Marginale Distributies:
  • De circulaire component wordt gemodelleerd met een Wrapped Gaussian (WG) distributie, geïnduceerd door een onderliggend Gaussian Process (GP).
  • De lineaire component volgt een Log-Normale distributie, eveneens gedreven door een onderliggend GP.
• Ruimtelijke Afhankelijkheid en Niet-Stationariteit: Ruimtelijke effecten worden gemodelleerd met behulp van Gaussian Markov Random Fields (GMRFs) afgeleid van Stochastic Partial Differential Equations (SPDEs). Deze benadering benadert Gaussian Random Fields (GRFs) om computationele efficiëntie te waarborgen via ijle precisie-matrices. Cruciaal is dat het model niet-stationariteit toestaat in zowel de gemiddelde als de covariantiestructuur door de SPDE-parameters (range en variantie) via log-lineaire predictoren vloeiend over de ruimte te laten variëren.
• Bayesiaanse Inferentie: Posterieure schatting wordt uitgevoerd via Markov Chain Monte Carlo (MCMC) simulatie. De auteurs hanteren een tweestapsbenadering: eerst worden de marginale modellen gefit (het samplen van latente winding numbers en GP-parameters), en vervolgens worden de copula-regressiecoëfficiënten geschat conditioneel op de gefitte marginalen. Deze strategie vermindert de computationele last vergeleken met gezamenlijke schatting, terwijl een geldige onzekerheidskwantificering behouden blijft.

Belangrijkste Bijdragen

1. Covariaat-afhankelijke Copula's voor Cilindrische Data: Het artikel breidt de toepassing van covariaat-afhankelijke copula's uit naar cilindrische settings, waardoor de afhankelijkheidsstructuur tussen windrichting en windsnelheid (of vergelijkbare variabelen) kan variëren op basis van omgevingscovariaten.
2. Flexibele Marginale en Ruimtelijke Modellering: Door het combineren van wrapped Gaussian-processen met distributieregressie, kan het model niet-Gaussische marges en niet-lineaire ruimtelijke effecten accommoderen.
3. Niet-Stationaire Ruimtelijke Processen: Het framework modelleert expliciet niet-stationaire ruimtelijke afhankelijkheid in zowel het gemiddelde als de covariantie van de latente processen, waarbij gebruik wordt gemaakt van de SPDE-GMRF framework om de computationele complexiteit van grote ruimtelijke datasets aan te pakken.
4. Herstel van Latent Winding Numbers: De introductie van een latent winding number proces faciliteert het gebruik van standaard lineaire ruimtelijke modelleringstechnieken voor circulaire data, waardoor de complexiteit van gedeeltelijke periodiciteit in de gezamenlijke likelihood wordt vermeden.

Resultaten

• Simulatiestudie: Een simulatiestudie evalueerde het vermogen van het model om tail-afhankelijkheid (Gaussian, Clayton, en Gumbel copula's) en covariate-effecten te identificeren. De resultaten gaven aan dat informatiecriteria (DIC en WAIC) over het algemeen effectief waren bij het selecteren van de juiste copula-familie. Asymmetrische copula's (Clayton en Gumbel) waren gemakkelijker te onderscheiden van de Gaussian copula vanwege hun kenmerkende tail-eigenschappen, met name naarmate de steekproefomvang toenam.
• Toepassing op Duitse Winddata: Het model werd toegepast op uurlijkse windrichting en windsnelheid data van 289 weerstations in Duitsland tijdens een stormgebeurtenis (januari 2025).
  • Modelselectie: De Gumbel copula met een covariaat-afhankelijke parameter bood de beste fit, waarbij het modellen met constante parameters of onafhankelijkheidsveronderstellingen overtrof. Dit duidde op de aanwezigheid van upper-tail afhankelijkheid tussen windrichting en windsnelheid tijdens de storm.
  • Covariaat-effecten: De analyse toonde aan dat een hogere luchtdruk geassocieerd was met lagere windsnelheden en veranderde richtingen, terwijl temperatuur en luchtvochtigheid de windsnelheid verhoogden. De afhankelijkheidsparameter $\rho$ was positief geassocieerd met luchtdruk en zichtbaarheid, wat wijst op een sterkere afhankelijkheid onder stabiele atmosferische omstandigheden.
  • Ruimtelijke Voorspelling: Het model slaagde erin de winddynamiek in Noord- en Centraal-Duitsland te vangen. De voorspellende prestaties waren licht verminderd in de zuidelijke bergachtige regio's (Alpen), toegeschreven aan complexe orografische effecten en de huidige mesh-resolutie. Het posterieure gemiddelde van de copula-parameter vertoonde een ruimtelijk gradiënt, met een sterkere afhankelijkheid in het noorden vergeleken met het zuiden.

Betekenis en Claims
De auteurs beweren dat het voorgestelde PWC-model een flexibel framework biedt voor de analyse van ruimtelijk afhankelijke cilindrische data dat de beperkingen van bestaande benaderingen overwint. Door de integratie van covariaat-effecten in de afhankelijkheidsstructuur en het toestaan van niet-stationaire ruimtelijke processen, biedt het model een nauwkeurigere representatie van complexe natuurverschijnselen zoals windgedrag. Het artikel benadrukt dat hoewel de toepassing zich richt op wind, het framework generaliseerbaar is naar elke ruimtelijke circulaire-lineaire data. Het werk onderstreept het belang van het verder gaan dan statische afhankelijkheidsveronderstellingen en lineaire predictoren om de genuanceerde relaties tussen richting en intensiteit in ruimtelijk gecorreleerde datasets te vangen. Toekomstig werk wordt gesuggereerd om het framework uit te breiden naar volledig spatio-temporele settings en meer flexibele marginale distributies (bijv. wrapped skew-normal) en semi-parametrische copula-formuleringen te verkennen.