Copula-based models for spatially dependent cylindrical data

Resumo Técnico: Modelos Baseados em Cófulas para Dados Cilíndricos com Dependência Espacial

Definição do Problema
Dados cilíndricos, consistindo de variáveis pareadas circulares (ângulo) e lineares (intensidade), são prevalentes em campos como meteorologia, oceanografia e ecologia. Um desafio primordial na análise desses dados é modelar conjuntamente a dependência angular–linear e a autocorrelação espacial, mantendo a flexibilidade nas especificações marginais. A literatura existente frequentemente recorre a construções baseadas em cófulas, mas tipicamente trata os parâmetros da cófula como constantes não relacionadas a covariáveis e restringe a regressão marginal a preditores lineares, ignorando a correlação espacial. Além disso, abordagens padrão baseadas em Gaussianas frequentemente falham em acomodar marginais não Gaussianas ou dependências não lineares entre os componentes circulares e lineares.

Metodologia
Os autores propõem um Modelo de Regressão de Cófula Condicional Aditiva Estruturada para dados cilíndricos, denominado modelo de Cófula Parcialmente Enrolada (PWC - Partially Wrapped Copula). A metodologia é construída sobre os seguintes componentes:

• Abordagem Parcialmente Enrolada: Em vez de definir a distribuição conjunta diretamente no cilindro $S^1 \times \mathbb{R}$, o modelo adota uma abordagem de "enrolamento" (wrapped approach). A resposta circular $\phi_1(s)$ é tratada como o módulo $2\pi$ de um processo espacial linear latente subjacente $Y_1(s)$. Um processo de número de voltas (winding number) latente $k(s) \in \mathbb{Z}$ é introduzido tal que $Y_1(s) = \phi_1(s) + 2\pi k(s)$, permitindo que o modelo opere no espaço linear não enrolado $\mathbb{R}^2$ antes de enrolar o componente circular.
• Estrutura de Cófula Condicional: Aproveitando o teorema de Sklar, a distribuição condicional conjunta é desacoplada em distribuições marginais e uma função de cófula que governa a dependência. O parâmetro da cófula $\rho$ é permitido variar como uma função de covariáveis e do espaço, abordando a lacuna nos modelos cilíndricos existentes onde os parâmetros das cófulas são frequentemente estáticos.
• Distribuições Marginais:
  • O componente circular é modelado usando uma distribuição Gaussiana Enrolada (WG - Wrapped Gaussian), induzida por um Processo Gaussiano (GP) subjacente.
  • O componente linear segue uma distribuição Log-Normal, também impulsionada por um GP subjacente.
• Dependência Espacial e Não Estacionariedade: Os efeitos espaciais são modelados usando Campos Aleatórios de Markov Gaussianos (GMRFs) derivados de Equações Diferenciais Parciais Estocásticas (SPDEs). Esta abordagem aproxima Campos Aleatórios Gaussianos (GRFs) para garantir eficiência computacional via matrizes de precisão esparsas. Crucialmente, o modelo permite não estacionariedade tanto na média quanto nas estruturas de covariância, permitindo que os parâmetros da SPDE (alcance e variância) variem suavemente no espaço via preditores log-lineares.
• Inferência Bayesiana: A estimação a posteriori é realizada via simulação de Monte Carlo via Cadeias de Markov (MCMC). Os autores empregam uma abordagem de dois estágios: primeiro, os modelos marginais são ajustados (amostrando números de voltas latentes e parâmetros de GP) e, segundo, os coeficientes de regressão da cófula são estimados condicionais às marginais ajustadas. Esta estratégia reduz a carga computacional em comparação com a estimação conjunta, mantendo uma quantificação de incerteza válida.

Principais Contribuições

1. Cófulas Dependentes de Covariáveis para Dados Cilíndricos: O artigo estende a aplicação de cófulas dependentes de covariáveis para configurações cilíndricas, permitindo que a estrutura de dependência entre direção e velocidade do vento (ou variáveis similares) varie com base em covariáveis ambientais.
2. Modelagem Marginal e Espacial Flexível: Ao combinar processos Gaussianos enrolados com regressão de distribuição, o modelo acomoda marginais não Gaussianas e efeitos espaciais não lineares.
3. Processos Espaciais Não Estacionários: O framework modela explicitamente a dependência espacial não estacionária tanto na média quanto na covariância dos processos latentes, utilizando o framework SPDE-GMRF para lidar com a complexidade computacional de grandes conjuntos de dados espaciais.
4. Recuperação do Número de Voltas Latente: A introdução de um processo de número de voltas latente facilita o uso de técnicas padrão de modelagem espacial para dados circulares, evitando as complexidades da periodicidade parcial na verossimilhança conjunta.

Resultos

• Estudo de Simulação: Um estudo de simulação avaliou a capacidade do modelo em identificar dependência de cauda (cófulas Gaussiana, Clayton e Gumbel) e efeitos de covariáveis. Os resultados indicaram que os critérios de informação (DIC e WAIC) foram geralmente eficazes na seleção da família de cófulas correta. As cófulas assimétricas (Clayton e Gumbel) foram mais facilmente distinguidas da cófula Gaussiana devido às suas propriedades distintas de cauda, particularmente conforme o tamanho da amostra aumentava.
• Aplicação a Dados de Vento da Alemanha: O modelo foi aplicado a dados horários de direção e velocidade do vento de 289 estações meteorológicas na Alemanha durante um evento de tempestade (janeiro de 2025).
  • Seleção de Modelo: A cófula de Gumbel com um parâmetro dependente de covariável proporcionou o melhor ajuste, superando modelos com parâmetros constantes ou suposições de independência. Isso indicou a presença de dependência de cauda superior entre a direção e a velocidade do vento durante a tempestade.
  • Efeitos de Covariáveis: A análise revelou que uma pressão atmosféica mais alta estava associada a velocidades de vento menores e direções alteradas, enquanto a temperatura do ar e a umidade aumentavam as velocidades do vento. O parâmetro de dependência $\rho$ foi positivamente associado à pressão do ar e à visibilidade, sugerindo uma dependência mais forte sob condições atmosféricas estáveis.
  • Predição Espacial: O modelo capturou com sucesso a dinâmica do vento no norte e centro da Alemanha. O desempenho preditivo foi ligeiramente reduzido nas regiões montanhosas do sul (Alpes), atribuído a efeitos orográficos complexos e à resolução atual da malha. A média a posteriori do parâmetro da cófula mostrou um gradiente espacial, com dependência mais forte no norte em comparação ao sul.

Significância e Alegações
Os autores afirmam que o modelo PWC proposto oferece um framework flexível para analisar dados cilíndricos espacialmente dependentes, superando as limitações das abordagens existentes. Ao integrar efeitos de covariáveis na estrutura de dependência e permitir processos espaciais não estacionários, o modelo proporciona uma representação mais precisa de fenômenos ambientais complexos, como o comportamento do vento. O trabalho enfatiza que, embora a aplicação foque no vento, o framework é generalizável para quaisquer dados circulares-lineares espaciais. O trabalho destaca a importância de ir além das suposições de dependência estática e preditores lineares para capturar as relações matizadas entre direção e intensidade em conjuntos de dados espacialmente correlacionados. Sugere-se que trabalhos futuros estendam o framework para configurações espaço-temporais completas e explorem marginais mais flexíveis (ex: Gaussianas enroladas assimétricas) e formulações de cófula semiparamétricas.