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

Resumo Técnico do exdqlm: Um Pacote R para Estimação e Análise de Modelos Lineares de Quantis Dinâmicos Estendidos

Definição do Problema
Embora a regressão quantílica seja uma ferramenta padrão para modelagem estática, os métodos de quantis dinâmicos e seus respectivos softwares permanecem limitados. As abordagens Bayesianas existentes frequentemente dependem da distribuição Laplace Assimétrica (AL) como uma verossimilhança, o que se vincula à função de perda check-loss, mas impõe suposições restritivas sobre as distribuições de erro. Por outro lado, modelos de erro não paramétricos mais flexíveis são frequentemente computacionalmente proibitivos para modelos de espaço de estados dinâmicos ou séries temporais longas. Além disso, pacotes de regressão quantílica geral (ex: quantreg, bayesQR) tipicamente tratam o tempo como um preditor observado ou defasagem (lag), em vez de propagar coeficientes como estados latentes, enquanto pacotes de espaço de estados gerais (ex: dlm) focam em verossimilhanças Gaussianas e carecem de fluxos de trabalho dedicados a quantis. Existe uma lacuna entre as ferramentas amplas de regressão quantílica e os softwares de modelagem dinâmica Gaussiana que requerem um fluxo de trabalho Bayesiano dedicado para modelos de espaço de estados de quantis dinâmicos.

Metodologia
O artigo apresenta o pacote de R exdqlm, que implementa Modelos Lineares de Quantis Dinâmicos Estendidos (exDQLMs). Os componentes metodológicos centrais são:

1. Verossimilhança Laplace Assimétrica Estendida (exAL): O pacote utiliza a distribuição exAL (Yan, Zheng e Kottas, 2025), uma extensão paramétrica da distribuição AL padrão. A exAL preserva vantagens computacionais via uma representação de mistura envolvendo variáveis latentes ($v_t$ e $s_t$), ao mesmo tempo em que relaxa suposições restritivas através de um parâmetro de assimetria $\gamma$. A equação de observação é definida como $y_t = F_t^\top \theta_t + \epsilon_t$, onde $\epsilon_t \sim \text{exAL}_{p_0}(0, \sigma, \gamma)$, e a evolução do estado segue $\theta_t = G_t \theta_{t-1} + \omega_t$ com inovações Gaussianas.
2. Algoritmos de Inferência: O pacote fornece dois motores de inferência primários:
   • MCMC: Uma rotina de amostragem de Gibbs (exdqlmMCMC) que atualiza sequências de variáveis latentes, estados dinâmicos (via filtragem direta e amostragem reversa/forward-filtering backward-sampling) e parâmetros de escala/assimetria. Suporta núcleos de amostragem slice sampling e Metropolis–Hastings.
   • Variational Bayes Laplace–Delta (LDVB): Uma rotina de inferência aproximada rápida (exdqlmLDVB) baseada na estratégia variacional não conjugada de Wang e Blei (2013). Ela emprega fatoração de campo médio (mean-field) e ascensão coordenada por blocos. O bloco não conjugado de escala–assimetria conjunta é aproximado usando um método Laplace–delta em coordenadas transformadas, fornecendo monitoramento de convergência determinístico e resumos de incerteza aproximados.
3. Extensões do Modelo:
   • Funções de Transferência: O arcabouço suporta o aumento de estado por função de transferência para modelar efeitos de entradas atuais e defasados em um quantil de resposta através de uma taxa de decaimento exponencial $\lambda$.
   • Regressão Estática: O pacote lida com regressões exAL e AL estáticas com priors de encolhimento (especificamente o prior de ferradura regularizado de Nishimura–Suchard) como casos especiais.
   • Síntese Posterior: Uma função quantileSynthesis() combina desenhos preditivos posteriores de níveis de quantis ajustados separadamente em uma única distribuição coerente, aplicando correções de monotonicidade, se necessário.

Principais Contribuições
A principal contribuição do artigo é centrada no software, entregando um fluxo de trabalho integrado para especificar, ajustar, diagnosticar e realizar previsões de análises de quantis dinâmicos e estáticos Bayesianos. As contribuições específicas incluem:

• Uma interface de construção de modelo composível para componentes de tendência, sazonalidade, regressão e função de transferência.
• Interfaces de inferência coordenadas tanto para MCMC quanto para inferência variacional (LDVB e ISVB).
• Um fluxo de trabalho de objeto S3 com métodos padrão (print(), summary(), plot(), predict(), diagnostics()) para modelos ajustados, previsões e objetos de diagnóstico.
• Implementações compiladas (via Rcpp) para operações computacionalmente intensivas (ex: densidade exAL, recursões de Kalman, amostragem posterior) com fallbacks em R para portabilidade.
• Ferramentas de diagnóstico, incluindo análise de Transformada Integral de Probabilidade (PIT), divergência de Kullback–Leibler (KL) para calibração, Pontuação de Probabilidade Classificada Contínua (CRPS) e Critério de Perda Preditiva Posterior (PPLC).

Resultos
O artigo valida o pacote através de quatro exemplos:

1. Lake Huron: Demonstra a construção de modelo dinâmico, inferência MCMC, previsão de múltiplos passos e síntese post-hoc de desenhos preditivos posteriores através de três níveis de quantis (0,05, 0,50 e 0,95).
2. Sunspots: Compara ajustes de DQLM (com $\gamma=0$ fixo) e exDQLM (com $\gamma$ estimado) usando LDVB. Ilustra diagnósticos de modelo (PIT, KL, CRPS) para seleção de fatores de desconto e compara a eficiência computacional de LDVB contra MCMC, mostrando que o LDVB é substancialmente mais rápido enquanto mantém um desempenho preditivo competitivo.
3. Big Tree Water Flow: Compara três especificações: um modelo de linha de base sem covariáveis, um modelo de regressão direta e um modelo de função de transferência. O exemplo destaca o fluxo de trabalho para lidar com covariáveis externas e previsão condicional, mostrando como as funções de transferência capturam efeitos climáticos defasados.
4. Benchmark de Esparsidade Simulada: Avalia a regressão exAL estática com priors de encolhimento. Os resultados indicam que, embora o MCMC forneça resumos de cauda posterior mais precisos, o LDVB oferece uma aproximação rápida (7–20x mais rápido) com recuperação de sinal comparável para coeficientes esparsos.

Significância e Escopo
O artigo posiciona o exdqlm como uma ferramenta especializada que preenche a lacuna entre softwares gerais de regressão quantílica e pacotes de espaço de estados Gaussianos. Ele afirma explicitamente que não pretende substituir ferramentas de uso geral amplas ou pacotes projetados para estimativa conjunta de múltiplos quantis. Em vez disso, fornece um fluxo de trabalho Bayesiano dedicado para modelos de espaço de estados de quantis dinâmicos onde os coeficientes são propagados como estados latentes.

Os autores observam limitações atuais: modelos dinâmicos são ajustados um nível de quantil por vez (com a síntese ocorrendo post-hoc), o LDVB fornece desenhos de posterior aproximados em vez de exatos (tornando o MCMC a referência para o comportamento de cauda) e as taxas de defasagem das funções de transferência são fixas ou selecionadas via grade (grid), em vez de estimadas internamente. Direções de desenvolvimento futuro mencionadas incluem modelos de saída multivariada, melhores aproximações para o bloco não conjugado de escala–assimetria e modelagem dinâmica não linear. O pacote é distribuído sob a Licença MIT e está disponível no CRAN.