Generalised Linear Models Driven by Latent Processes: Asymptotic Theory and Applications

Resumo Técnico: Modelos Lineares Generalizados (GLMs) Acionados por Processos Latentes

1. O Problema e o Contexto

A modelagem de séries temporais (contagens, valores reais, binários e contínuos positivos) frequentemente enfrenta o desafio de capturar a dependência temporal não observada. Trabalhos anteriores, como os de Zeger (1988), Davis et al. (2000) e Davis & Wu (2009), introduziram modelos de regressão para séries temporais acionados por processos latentes estacionários.

No entanto, as formulações existentes apresentam limitações significativas:

• Restrições na Família de Distribuição: A maioria dos modelos anteriores assume uma família exponencial de um parâmetro (ex: Poisson, Binomial Negativa com dispersão conhecida) ou exige que o processo latente entre de forma aditiva no logaritmo da média.
• Inflexibilidade para Dados Contínuos Positivos: A estrutura aditiva existente (onde $E(Y_t|\nu_t) = h(x_t^\top \beta + \nu_t)$) torna-se matematicamente complexa ou inviável para distribuições como a Gama ou Inversa Gaussiana, que são essenciais para modelar dados contínuos positivos.
• Ignorância da Dependência Temporal na Inferência: A inferência baseada apenas na verossimilhança do GLM (ignorando o processo latente) frequentemente produz erros padrão incorretos, levando a conclusões estatísticas equivocadas.
• Falta de Métodos de Previsão: A literatura carecia de uma abordagem principista para previsão e forecast em GLMs com processos latentes.

2. Metodologia Proposta

Os autores propõem uma nova classe de Modelos Lineares Generalizados (GLMs) acionados por processos latentes, com as seguintes características fundamentais:

• Estrutura do Modelo:
  A série temporal $\{Y_t\}$, condicionada a um processo latente estacionário e fortemente misturante $\{\nu_t\}$, segue uma Família Exponencial de Dois Parâmetros:
  $$Y_t | \nu_t \sim EF(\mu_t \nu_t, \phi)$$
  Onde:

  • $\mu_t = h(x_t^\top \beta)$ é a média condicional determinada pelos regressores e coeficientes.
  • O efeito latente $\nu_t$ entra de forma multiplicativa na média ($E(Y_t|\nu_t) = \mu_t \nu_t$).
  • $\phi$ é um parâmetro de dispersão (que pode ser desconhecido e estimado).
  • Assume-se $E(\nu_t) = 1$, garantindo que a média marginal seja $E(Y_t) = \mu_t$.

• Processos Latentes Considerados:
  O artigo explora três tipos de processos latentes para capturar a dinâmica temporal:

  1. AR(1) Log-normal: $\nu_t = \exp(Z_t)$, onde $Z_t$ é um AR(1) Gaussiano.
  2. AR(1) Gama (GAR): Um processo de autoregressão gama estritamente estacionário.
  3. ARCH(1) ao quadrado: $\nu_t = Z_t^2$, onde $Z_t$ segue um processo ARCH.

• Estimação e Inferência:

  • Parâmetros de Regressão ($\beta$): Estimados via verossimilhança pseudo-GLM (ignorando $\nu_t$ na otimização, mas corrigindo a inferência posteriormente).
  • Parâmetros de Dispersão e Latentes ($\phi, \sigma^2, \rho$): Estimados utilizando o Método dos Momentos.
  • Inferência Assintótica: Os autores estabelecem a normalidade assintótica dos estimadores de $\beta$. Derivam a matriz de informação correta que incorpora a variância do processo latente e a dependência temporal, corrigindo os erros padrão que seriam obtidos se a dependência fosse ignorada.
  • Previsão: Desenvolvimento de uma fórmula para $E(Y_{t+h}|Y_t)$ baseada na esperança condicional do processo latente, permitindo previsões para modelos não markovianos.

3. Contribuições Principais

1. Generalização da Família Exponencial: Ao permitir uma família exponencial de dois parâmetros e uma entrada multiplicativa do processo latente, o modelo torna-se aplicável a dados contínuos positivos (ex: Gama), algo difícil ou impossível com a abordagem aditiva de Davis & Wu (2009).
2. Estimativa de Dispersão: O modelo permite a estimação do parâmetro de dispersão $\phi$, aumentando a flexibilidade para dados com variância excessiva.
3. Correção Assintótica Rigorosa: Prova da normalidade assintótica dos estimadores e fornecimento da matriz de covariância correta para inferência válida, utilizando o Teorema do Limite Central para processos fortemente misturantes (Peligrad & Utev, 1997).
4. Abordagem de Previsão: Preenche uma lacuna na literatura ao fornecer métodos explícitos (analíticos ou via Monte Carlo) para previsão em GLMs com processos latentes.
5. Flexibilidade de Processos Latentes: Demonstra que processos alternativos, como o AR(1) Gama, podem superar o tradicional AR(1) Log-normal em termos de ajuste e previsão.

4. Resultados Empíricos

O artigo aplica o modelo a dois conjuntos de dados reais:

• Caso 1: Infecções de Sarampo (Alemanha)

  • Dados: Contagens semanais de casos de sarampo (2001-2013).
  • Modelo: GLM Poisson com processos latentes LNAR(1), GAR(1) e ARCH(1).
  • Achados:
    • A inferência baseada apenas no GLM padrão (ignorando a dependência) subestima drasticamente os erros padrão, levando a falsas significâncias estatísticas.
    • O modelo GLM-GAR (Processo Latente Gama) apresentou o melhor desempenho de previsão (menor RMSE e maior correlação), superando o LNAR(1) e o ARCH(1).

• Caso 2: Varves Glaciais Paleoclimáticas

  • Dados: Espessura de depósitos sedimentares anuais (634 anos).
  • Modelo: GLM Gama (com link inverso) com processos latentes.
  • Achados:
    • Novamente, a consideração da dependência temporal alterou a significância das covariáveis (a tendência, significativa no GLM padrão, tornou-se não significativa quando a dependência foi corrigida).
    • Os modelos GLM-LNAR e GLM-GAR forneceram previsões muito superiores ao GLM padrão, com o GAR apresentando uma ligeira vantagem.

5. Significância e Conclusão

Este trabalho oferece uma estrutura teórica sólida e flexível para a modelagem de séries temporais complexas. A principal contribuição é a capacidade de lidar com dados contínuos positivos e dispersão desconhecida dentro de um framework de GLM com processos latentes, superando as restrições de modelos anteriores.

A demonstração de que processos latentes alternativos (como o Gama) podem ser mais adequados que o Log-normal padrão abre novas avenues para a modelagem de dados ambientais e epidemiológicos. Além disso, a correção rigorosa dos erros padrão e a introdução de métodos de previsão tornam o framework essencial para aplicações práticas onde a inferência estatística correta e a capacidade preditiva são críticas.