Connecting reflective asymmetries in multivariate spatial and spatio-temporal covariances

Resumo Técnico: Conectando Assimetrias Reflexivas em Covariâncias Espaciais e Espaço-Temporais Multivariadas

Definição do Problema
Na análise de dados espaciais multivariados e de dados espaço-temporais univariados, estruturas de dependência assimétricas são frequentemente observadas, mas muitas vezes são difíceis de modelar de forma eficaz. Os frameworks padrão de processos gaussianos baseiam-se em funções de covariância simétricas, enquanto fenômenos do mundo real, como advecção atmosférica ou correntes oceânicas, frequentemente exibem direcionalidade. A abordagem predominante para modelar tais assimetrias em dados espaço-temporais é o modelo Lagrangiano, que interpreta a assimetria como um processo que evolui com direcionalidade (por exemplo, transporte pelo vento). No entanto, os modelos Lagrangianos possuem limitações: eles não incluem naturalmente o modelo separável e simétrico como um caso especial (dificultando testes de razão de verossimilhança para simetria), oferecem controle independente limitado sobre as covariâncias marginais espaciais e temporais e requerem um grande número de parâmetros, particularmente em dimensões espaciais mais elevadas. Além disso, os modelos espaciais multivariados assimétricos existentes têm sido amplamente restritos a configurações unidimensionais ou formas funcionais específicas.

Metodologia
Este artigo introduz um novo paradigma denominado "assimetria reflexiva", aproveitando construções recentes no domínio espectral para dados espaciais multivariados para desenvolver covariâncias espaço-temporais assimétricas.

1. Assimetria Reflexiva em Dados Espaciais:
   Os autores estendem as autocovariâncias espaciais multivariadas assimétricas para dimensões arbitrárias $d$. Estas covariâncias são construídas multiplicando a densidade espectral $f(x)$ de uma covariância espacial simétrica pelo termo $-i \text{sign}(\langle x, \tilde{x} \rangle)$, onde $\tilde{x}$ é um vetor direcional unitário. Esta operação introduz um componente de função ímpar à autocovariância, criando uma assimetria "reflexiva" através da origem.

• O artigo deriva expressões de forma fechada para as partes assimétricas das covariâncias Squared-Exponential, Cauchy e Matérn em dimensões gerais $d$. Para os modelos Squared-Exponential e Cauchy, estas são expressas usando a função de erro imaginária ($\text{erfi}$) e funções hipergeométricas, respectivamente.
• Uma representação de mistura de escala é fornecida para gerar formas assimétricas para uma ampla classe de covariâncias.

2. Modelos Espaço-Temporais de Assimetria Reflexiva:
   A contribuição central é a extensão dessas construções espaciais para configurações espaço-temporais univariadas. Os autores propõem uma densidade espectral $f(x, \eta)$ para covariâncias espaço-temporais definida como:
   $$f(x, \eta) = \sigma f^*(\|x\|, |\eta|) \{1 + \xi \text{sign}(\langle x, \tilde{x} \rangle)\text{sign}(\eta)\}$$
   onde $f^*$ é uma densidade espectral espaço-temporal simétrica, $\xi \in (-1, 1)$ é um parâmetro de assimetria e $\eta$ é a frequência temporal.

• Modelos do Tipo Separável: Quando $f^*$ é separável, a covariância espaço-temporal resultante decompõe-se em uma parte separável simétrica e uma parte assimétrica: $C(h, u) = \sigma [C_s^\Re(h)C_t^\Re(u) + \xi C_s^\Im(h)C_t^\Im(u)]$. Esta construção permite que o modelo separável simétrico seja um caso especial (quando $\xi=0$).
• Modelos do Tipo Gneiting: Os autores também constroem versões não separáveis de covariâncias do tipo Gneiting, fornecendo formas fechadas para $d=1$ envolvendo a função de erro ($\text{erf}$).

3. Implementação Computacional e Prática:

• Simulação: Um algoritmo de simulação espectral eficiente é proposto usando amostragem de rejeição e identidades trigonométricas para simular campos com estas covariâncias assimétricas.
• Nãoestacionariedade: O framework acomoda anisotropia geométrica ao permitir que o vetor direcional e os parâmetros de alcance variem espacialmente.
• Inferência de Grande Escala: Para lidar com grandes conjuntos de dados onde a avaliação da verossimilhança total é proibitiva, o artigo integra estes modelos na estrutura de aproximação Vecchia (especificamente dentro do pacote R GpGp), utilizando estruturas de produto de Kronecker para modelos do tipo separável para reduzir a complexidade computacional.

Principais Resultados

• Propriedades Teóricas: Os novos modelos mantêm o controle sobre as covariâncias marginais espaciais e temporais, uma característica não garantida nos modelos Lagrangianos. O modelo de assimetria reflexiva contém o modelo separável simétrico, permitindo o teste estatístico rigoroso da presença de assimetria via testes de razão de verossimilhança.
• Eficiência de Parâmetros: Os modelos reflexivos requerem significativamente menos parâmetros do que o modelo Lagrangiano completo (especificamente $1 + (d-1)$ parâmetros adicionais para direção e força da assimetria versus $O(d^2)$ para o Lagrangiano), oferecendo maior parcimônia.
• Estudos de Simulação:
  • Em simulações espaciais multivariadas, os modelos assimétricos demonstraram um ajuste superior (menor AIC) quando o verdadeiro processo gerador de dados era assimétrico, enquanto performaram comparavelmente aos modelos simétricos quando o processo verdadeiro era simétrico.
  • Em simulações espaço-temporais, os modelos de assimetria reflexiva superaram os modelos Lagrangianos quando o processo verdadeiro era simétrico ou reflexivamente assimétrico. Inversamente, quando o processo verdadeiro era Lagrangiano, os modelos reflexivos performaram pior, confirmando que os dois frameworks representam classes de assimetria substancialmente diferentes.
• Análise de Dados de Vento Irlandês: Aplicado ao conjunto de dados de referência de vento irlandês (11 localizações, 1961–1978), os modelos de assimetria reflexiva superaram consistentemente seus contrapartes simétricos e o modelo Lagrangiano padrão em termos de AIC e log-verossimilhança.
  • A direção de assimetria estimada ($\tilde{x}$) apontou para Leste, consistente com o fluxo atmosférico conhecido de Oeste para Leste.
  • Modelos com covariâncias temporais de Cauchy forneceram o melhor ajuste.
  • Embora os tempos de estimação tenham sido ligeiramente superiores para alguns modelos assimétricos, eles foram geralmente mais rápidos que o modelo Lagrangiano, com exceção de casos envolvendo a estimativa de parâmetros complexos de Cauchy.

Significância e Alegações
O artigo afirma que o framework de assimetria reflexiva oferece uma alternativa flexível, parcimoniosa e computacionalmente tratável para capturar a dependência assimétrica em dados espaço-temporais. As principais vantagens destacadas são:

1. Flexibilidade: A capacidade de controlar independentemente as covariâncias marginais e incorporar assimetria sem alterar a estrutura marginal.
2. Testabilidade: O aninhamento do modelo simétrico permite o teste estatístico rigoroso da assimetria.
3. Aplicabilidade: Os modelos mostram-se capazes de melhorar o ajuste do modelo e o desempenho de previsão tanto em simulações quanto em dados ambientais do mundo real (vento irlandês).
4. Viabilidade Computacional: A integração com a aproximação de Vecchia torna estes modelos viáveis para conjuntos de dados espaço-temporais de grande escala.

Os autores observam limitações, especificamente a falta de expressões de forma fechada para covariâncias cruzadas de Matérn assimétricas em dimensões $d > 1$ e a atual restrição das formas assimétricas do tipo Gneiting a $d=1$. Eles sugerem que trabalhos futuros poderiam explorar a combinação de abordagens reflexivas e Lagrangianas ou a extensão do framework para covariâncias cruzadas espaço-temporais multivariadas.