Spatiotemporal Autoregressive Models for Areal Compositional Data

1. Problema e Motivação

O artigo aborda a modelagem de dados composicionais espaciotemporais em unidades areais (regiões). Dados composicionais consistem em proporções que somam uma constante (ex: 100% ou 1), como a participação de setores econômicos em uma região ou o tipo de transações imobiliárias em um bairro.

Os desafios principais identificados são:

• Restrições de Simples: A soma das partes é constante, o que impõe uma dependência intrínseca entre as variáveis (se uma parte aumenta, outra deve diminuir).
• Dependência Espacial e Temporal: Os dados exibem autocorrelação temporal (dinâmica ao longo do tempo) e dependência espacial (influência de regiões vizinhas), frequentemente descrita pela Primeira Lei da Geografia de Tobler.
• Falta de Modelos Adequados: Embora existam modelos para dados espaciais ou temporais separadamente, e técnicas de análise composicional (como transformações log-ratio), há uma lacuna significativa em modelos que integrem simultaneamente a estrutura de painel espaciotemporal com as restrições geométricas dos dados composicionais. Modelos existentes muitas vezes ignoram a não-linearidade da geometria do simples ou falham em capturar a dinâmica conjunta espaço-temporal multivariada.

2. Metodologia Proposta

Os autores propõem um Modelo Vetorial Autorregressivo Simultâneo Espaciotemporal (MSAR) adaptado para dados composicionais. A estrutura metodológica baseia-se nos seguintes pilares:

• Transformação Isométrica Log-Ratio (ilr): Para lidar com a geometria do simples ($S^D$), os dados são mapeados para um espaço euclidiano ($\mathbb{R}^{D-1}$) utilizando a transformação isometric log-ratio (ilr). Isso permite o uso de técnicas estatísticas lineares padrão enquanto preserva a métrica de Aitchison e evita problemas de singularidade na matriz de covariância (diferente da transformação centered log-ratio - clr).
• Estrutura do Modelo: O processo transformado $Y_t$ (onde $Y_t = \psi(Z_t)$) segue uma dinâmica autorregressiva multivariada:
  $$Y_t = \sum_{i=1}^q X_{t,i}\beta_i + W Y_t \Psi + \sum_{\ell=1}^L Y_{t-\tau_\ell} \Pi_\ell + E_t$$
  Onde:
  • $W$ é a matriz de pesos espaciais (conhecida).
  • $\Psi$ é a matriz de coeficientes de autorregressão espacial contemporânea.
  • $\Pi_\ell$ são matrizes de coeficientes para defasagens temporais ($\tau_\ell$).
  • $X_{t,i}$ são regressores exógenos.
  • O termo espacial $W Y_t \Psi$ captura a dependência simultânea entre unidades vizinhas e componentes.
• Estimação: O modelo é estimado via Quasi-Maximum Likelihood (QML). Os autores derivam as condições para a invertibilidade do operador espacial e estabelecem a consistência e a normalidade assintótica do estimador quando tanto o número de regiões ($n$) quanto o número de períodos de tempo ($T$) tendem ao infinito.
• Interpretação: Devido à não-linearidade da transformação inversa ($\psi^{-1}$), os coeficientes lineares no espaço euclidiano não correspondem a efeitos constantes no espaço original. A interpretação é feita através de efeitos marginais locais e decomposição em efeitos diretos (própria unidade) e indiretos (spillovers espaciais) no simples.

3. Contribuições Principais

• Novo Framework Teórico: Preenche a lacuna na literatura ao propor o primeiro modelo autorregressivo simultâneo multivariado específico para dados composicionais em painel espaciotemporal.
• Propriedades Assintóticas: Estabelece rigorosamente a identificabilidade dos parâmetros e a consistência e normalidade assintótica do estimador QML sob um regime de crescimento duplo ($n, T \to \infty$), incluindo restrições de crescimento suave para $n$ em relação a $T$.
• Abordagem de Interpretação: Desenvolve uma metodologia para traduzir os parâmetros do espaço transformado (ilr) de volta para o espaço composicional original, permitindo a análise de efeitos de choques e spillovers em termos de participação de mercado (shares).
• Validação Empírica e Simulação: Realiza estudos de Monte Carlo para verificar o desempenho em amostras finitas e aplica o modelo a dois casos de estudo reais.

4. Resultados Empíricos

O modelo foi aplicado em dois cenários distintos:

A. Mercado Imobiliário de Berlim (1995-2015):

• Dados: Composição mensal de transações imobiliárias (condomínios, terrenos desenvolvidos, terrenos não desenvolvidos) em 24 regiões de código postal.
• Achados:
  • A dependência temporal (persistence) é dominante sobre a dependência espacial.
  • Há forte persistência de curto prazo e sazonalidade anual (lags 6 e 12 meses).
  • Os efeitos espaciais são moderados, mas significativos, indicando que tendências em um bairro influenciam vizinhos.
  • Interpretação Econômica: Choques locais levam a uma realocação significativa de participação de mercado, principalmente substituindo terrenos não desenvolvidos por condomínios e terrenos desenvolvidos. Os efeitos de spillover espacial existem, mas são secundários em relação aos efeitos diretos locais.

B. Setores Econômicos na Espanha (2012-2021):

• Dados: Composição anual de empresas em 2.793 municípios (Serviços, Indústria, Construção).
• Achados:
  • A dependência temporal é extremamente forte (alta persistência), com coeficientes de autorregressão temporal próximos a 1.
  • A dependência espacial é estatisticamente insignificante e economicamente negligenciável, sugerindo que a evolução dos setores econômicos locais é mais determinada por dinâmicas internas do que por vizinhança imediata.
  • O modelo explica a maior parte da variação temporal (alto $R^2$).

Simulações de Monte Carlo:

• Os estimadores mostram viés baixo e consistência conforme o tamanho da amostra aumenta.
• A cobertura dos intervalos de confiança melhora com o aumento de $T$.
• Estimadores de variância robustos (HAC) são essenciais em cenários de alta persistência e inovações não-Gaussianas.

5. Significado e Conclusão

O artigo oferece uma ferramenta metodológica robusta para economistas e cientistas de dados que lidam com dados de painel espaciotemporal restritos.

• Flexibilidade: O modelo consegue capturar dinâmicas complexas (sazonalidade, persistência, interações espaciais) que modelos convencionais (como regressões OLS ou modelos espaciais padrão) falhariam em representar adequadamente devido à violação das premissas de independência e soma constante.
• Aplicabilidade: Demonstra ser útil tanto para mercados urbanos de alta granularidade temporal (Berlim) quanto para análises macro-regionais com alta dimensão transversal (Espanha).
• Futuro: Os autores sugerem extensões para dados com zeros (usando transformações $\alpha$), modelos não-Gaussianos e coeficientes variáveis no espaço ou tempo, abrindo caminho para aplicações em ecologia, demografia e epidemiologia.

Em suma, o trabalho fornece uma solução teórica e prática para modelar a evolução de estruturas econômicas e sociais que são inerentemente composicionais e interconectadas no espaço e no tempo.