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

Technische Samenvatting van exdqlm: Een R-pakket voor de Schatting en Analyse van Flexibele Dynamische Kwantiel-Lineaire Modellen

Probleemstelling
Hoewel kwantielregressie een standaardinstrument is voor statische modellering, blijven dynamische kwantielmethoden en de bijbehorende software beperkt. Bestaande Bayesiaanse benaderingen vertrouwen vaak op de asymmetrische Laplace (AL) verdeling als likelihood, wat linkt aan de check-loss functie, maar restrictieve aannames over foutverdelingen oplegt. Daarentegen zijn meer flexibele niet-parametrische foutmodellen vaak computationeel te zwaar voor dynamische state-space modellen of lange tijdreeksen. Bovendien behandelen algemene kwantielregressiepakketten (bijv. quantreg, bayesQR) tijd doorgaans als een geobserveerde predictor of lag, in plaats van coëfficiënten als latente toestanden te propageren, terwijl algemene state-space pakketten (bijv. dlm) zich richten op Gaussische likelihoods en een gebrek hebben aan toegewijde kwantielworkflows. Er bestaat een kloof tussen brede kwantieltools en Gaussische dynamische modelleringssoftware die een specifieke Bayesiaanse workflow vereist voor dynamische kwantiel state-space modellen.

Methodologie
Het artikel introduceert het exdqlm R-pakket, dat Extended Dynamic Quantile Linear Models (exDQLMs) implementeert. De kerncomponenten van de methodologie zijn:

1. Extended Asymmetric Laplace (exAL) Likelihood: Het pakket maakt gebruik van de exAL-verdeling (Yan, Zheng, en Kottas, 2025), een parametrische uitbreiding van de standaard AL-verdeling. De exAL behoudt computationele voordelen via een mengvorm-representatie met behulp van latente variabelen ($v_t$ en $s_t$), terwijl het restrictieve aannames verzacht door middel van een scheefheidsparameter $\gamma$. De observatievergelijking wordt gedefend als $y_t = F_t^\top \theta_t + \epsilon_t$, waarbij $\epsilon_t \sim \text{exAL}_{p_0}(0, \sigma, \gamma)$, en de toestandsevolutie volgt $\theta_t = G_t \theta_{t-1} + \omega_t$ met Gaussische innovaties.
2. Inference Algoritmen: Het pakket biedt twee primaire inferentie-engines:
   • MCMC: Een Gibbs sampling-routine (exdqlmMCMC) die sequenties van latente variabelen, dynamische toestanden (via forward-filtering backward-sampling) en schaal-/scheefheidsparameters bijwerkt. Het ondersteunt slice sampling en Metropolis–Hastings kernels.
   • Laplace–Delta Variational Bayes (LDVB): Een snelle benaderende inferentie-routine (exdqlmLDVB) gebaseerd op de niet-conforme variational strategie van Wang en Blei (2013). Het maakt gebruik van mean-field factorisatie en blockwise coördinaat-ascensie. De niet-conforme gezamenlijke schaal–scheefheid blok wordt benaderd met een Laplace–delta methode op getransformeerde coördinaten, wat deterministische convergentiemonitoring en benaderende onzekerheidsstatistieken biedt.
3. Modeluitbreidingen:
   • Transferfuncties: Het framework ondersteunt transfer-functie state-augmentatie om de effecten van huidige en vertraagde input op een respons-kwantiel te modelleren via een exponentiële vervalvoet $\lambda$.
   • Statische Regressie: Het pakket behandelt statische exAL en AL regressie met shrinkage priors (specifiek de Nishimura–Suchard geregulariseerde horseshoe prior) als speciale gevallen.
   • Posterior Synthese: Een quantileSynthesis() functie combineert posterior predictieve draws uit afzonderlijk gefitte kwantielniveaus tot één coherente verdeling, waarbij waar nodig monotoniciteitscorrecties worden toegepast.

Belangrijkste Bijdragen
De primaire bijdrage van het artikel is software-gecentreerd en levert een geïntegreerde workflow voor het specificeren, fitten, diagnosticeren en voorspellen van Bayesiaanse dynamische en statische kwantielanalyses. Specifieke bijdragen zijn onder meer:

• Een composabel modelconstructie-interface voor trend-, seizoens-, regressie- en transfer-functie componenten.
• Gecoördineerde inferentie-interfaces voor zowel MCMC als variational inference (LDVB en ISVB).
• Een S3 object workflow met standaard methoden (print(), summary(), plot(), predict(), diagnostics()) voor gefitte modellen, voorspellingen en diagnostische objecten.
• Gecompileerde implementaties (via Rcpp) voor computationeel intensieve operaties (bijv. exAL dichtheid, Kalman recursies, posterior sampling) met R fallbacks voor portabiliteit.
• Diagnostische tools inclusief Probability Integral Transform (PIT) analyse, Kullback–Leibler (KL) divergentie voor kalibratie, Continuous Ranked Probability Score (CRPS) en Posterior Predictive Loss Criterion (PPLC).

Resultaten
Het artikel valideert het pakket aan de hand van vier voorbeelden:

1. Lake Huron: Demonstreert dynamische modelconstructie, MCMC inferentie, multi-step forecasting en post-hoc synthese van posterior predictieve draws over drie kwantielniveaus (0.05, 0.50, 0.95).
2. Sunspots: Vergelijkt DQLM (vaste $\gamma=0$) en exDQLM (geschatte $\gamma$) fits met behulp van LDVB. Het illustreert modeldiagnostics (PIT, KL, CRPS) voor de selectie van discount factoren en vergelijkt de computationele efficiëntie van LDVB tegenover MCMC, waarbij laat zien dat LDVB aanzienlijk sneller is terwijl het concurrerende voorspellende prestaties behoudt.
3. Big Tree Water Flow: Vergelijkt drie specificaties: een baseline zonder covariaten, een directe regressiemodel en een transfer-functie model. Het voorbeeld benadrukt de workflow voor het afhandelen van externe covariaten en conditionele forecasting, waarbij transfer functies vertraagde klimaateffecten vastleggen.
4. Gesimuleerde Sparse Benchmark: Evalueert statische exAL regressie met shrinkage priors. Resultaten geven aan dat hoewel MCMC nauwkeurigere posterior tail samenvattingen biedt, LDVB een snelle benadering biedt (7–20x sneller) met vergelijkbare signaalherstel voor sparse coëfficiënten.

Betekenis en Omvang
Het artikel positioneert exdqlm als een gespecialiseerde tool die de kloof vult tussen algemene kwantielregressie software en Gaussische state-space pakketten. Het stelt expliciet dat het niet bedoeld is om brede algemene instrumenten of pakketten voor gezamenlijke multi-kwantiel schatting te vervangen. In plaats daarvan biedt het een toegewijde Bayesiaanse workflow voor dynamische kwantiel state-space modellen waarbij coëfficiënten als latente toestanden worden gepropageerd.

De auteurs vermelden huidige beperkingen: dynamische modellen worden per kwantielniveau gefit (waarbij synthese achteraf plaatsvindt), LDVB biedt benaderende in plaats van exacte posterior draws (waardoor MCMC de referentie is voor tail gedrag), en transfer-functie lag rates zijn vast of via een grid geselecteerd in plaats van intern geschat. Toekomstige ontwikkelingsrichtingen die worden genoemd zijn multivariate output modellen, verbeterde benaderingen voor de niet-conforme schaal–scheefheid blok, en niet-lineaire dynamische modellering. Het pakket wordt gedistribueerd onder de MIT Licentie en is beschikbaar op CRAN.