Работа стоит на отшибе карты знаний: ближайшие соседи занимаются космологическими постоянными, реликтовым излучением и тёмной энергией, но по смыслу она ближе к моделям временных рядов с переключениями режимов, которые применяют в геофизике, экономике и обработке сигналов. В отличие от соседей, которые работают с физическими полями и уравнениями состояния, здесь объект — дискретная последовательность наблюдений, а задача — статистический вывод. Это первая работа, которая систематически вводит нецелые задержки в марковские переключающиеся модели и даёт для них схему оценивания.
Авторы строят модель cDN-ARMS(L): на каждом шаге состояние зависит от предыдущего значения и от значения, взятого с задержкой, характерной для текущего скрытого режима. Задержки могут быть дробными, тогда недостающее значение получают линейной интерполяцией соседних отсчётов. Для оценивания параметров используется пространственно-чередующийся EM-алгоритм: на E-шаге вычисляют апостериорные вероятности скрытых состояний с помощью прямого-обратного хода, на M-шаге часть параметров обновляют точно, а часть — по одному с помощью ускоренного случайного поиска. Число режимов выбирают по штрафному правдоподобию.
На синтетических данных с двумя и тремя режимами штрафное правдоподобие верно определило число слоёв. При длине ряда 1000 точек целые задержки распознавались в 95% симуляций. Для дробных задержек (3.5 и 9.5 месяцев) медианная нормализованная ошибка составила около 0.01, но оставалась постоянной с ростом длины ряда, что указывает на систематическое смещение из-за интерполяции. На реальных данных Эль-Ниньо (860 месяцев, 1950–2021) модель с двумя нелинейными режимами дала задержки 2.386 и 7.301 месяца, а с тремя — 2.000, 2.153 и 13.844. Нелинейные модели лучше линейных AR-аналогов воспроизводили автокорреляцию до 15 месяцев и центральные квантили распределения.
Работа отличается от соседей по карте знаний тем, что переносит идею скрытых состояний с непрерывными задержками в область статистики временных рядов, где раньше ограничивались целыми лагами. Это открывает путь к более точному описанию систем с запаздыванием, наблюдаемых на нерегулярной сетке. Для геофизики это означает, что модели Эль-Ниньо можно настраивать на реальные данные без предположения о кратности задержек шагу наблюдений.
Тема может развиваться в сторону байесовских методов с априорными распределениями на задержки, что позволит оценивать неопределённость. Другое направление — адаптация алгоритма к многомерным рядам и к нелинейным функциям более общего вида. Возможно также применение к другим климатическим осцилляциям, например к Североатлантическому колебанию.
Метод пригодится в климатологии для анализа Эль-Ниньо и подобных явлений, а также в экономике и инженерии, где встречаются переключающиеся режимы с запаздыванием.
Следующий шаг — уменьшить смещение оценок дробных задержек, возможно, за счёт более точной интерполяции или совместного оценивания шага наблюдений. Также стоит проверить метод на более длинных рядах и с большим числом режимов.
В статистике временных рядов остаётся открытым вопрос о состоятельности оценок числа режимов при малых выборках и о влиянии интерполяции на асимптотику. Работа не решает проблему локальных максимумов правдоподобия, из-за которой требуется многократный запуск алгоритма.
Эль-Ниньо буквально означает «мальчик» по-испански, а явление названо так рыбаками Перу, которые замечали тёплую воду около Рождества. Задержка в модели Эль-Ниньо отражает время, за которое волна тёплой воды пересекает Тихий океан.