Resumen Técnico: Detección de Múltiples Puntos de Cambio en Procesos de Poisson

Planteamiento del Problema

El artículo aborda el problema de la detección de múltiples puntos de cambio en la función de intensidad de procesos de puntos observados sobre un intervalo de tiempo continuo $[0, 1]$. Específicamente, los autores se centran en procesos de Poisson inhomogéneos donde la función de intensidad $\lambda(t)$ se asume como constante por tramos. El objetivo es identificar las ubicaciones de los puntos de cambio desconocidos $\tau = (\tau_1, \dots, \tau_{K-1})$ y los niveles de intensidad constantes $\lambda_k$ correspondientes para cada segmento, dados un conjunto de tiempos de eventos observados $T_1, \dots, T_n$.

El desafío radica en la naturaleza continua del espacio de optimización. A diferencia de los entornos de tiempo discreto, los puntos de cambio pueden ocurrir en cualquier valor real dentro del intervalo. Las técnicas de optimización estándar (por ejemplo, el descenso de gradiente) son inaplicables porque las funciones de contraste (como el log-verosimilitud negativo) no son continuas con respecto a las ubicaciones de los puntos de cambio. Además, el espacio de búsqueda es de dimensión infinita, y el número de segmentaciones posibles crece exponencialmente con el número de eventos.

Metodología

1. Fundamento Teórico: Reducción al Espacio Discreto

La principal contribución teórica es la demostración de que los puntos de cambio óptimos para un número fijo de segmentos $K$ pueden restringirse a una rejilla finita derivada de los tiempos de los eventos.

• Supuestos: La metodología se basa en dos supuestos respecto a la función de contraste $\gamma(\tau)$:
  1. Aditividad de Segmentos: El contraste total es la suma de los costos de los segmentos individuales.
  2. Concavidad Estricta: La función de costo para un segmento es estrictamente cóncava con respecto a la longitud del segmento.
• Idea Clave: Basándose en las observaciones de Young Yang y Kuo (2001) para puntos de cambio únicos, los autores demuestran que, bajo estos supuestos, los puntos de cambio óptimos deben residir exactamente en un tiempo de evento $T_i$ o inmediatamente antes de este ($T_i^-$).
• Consecuencia: Esto reduce el problema de optimización continua a uno discreto en una rejilla de tamaño $2n$ (el conjunto $\{T_1^-, T_1, \dots, T_n^-, T_n\}$). Esto permite el uso de Programación Dinámica (DP) para encontrar el mínimo global exacto con una complejidad computacional de $O(n^2 K)$.

2. Contrastes Admisibles y Regularización

El contraste estándar de log-verosimilitud negativo de Poisson es aditivo pero falla el supuesto de concavidad estricta cuando un segmento contiene cero eventos ($\nu_k=0$), lo que conduce a soluciones degeneradas (segmentos de longitud cero).

• Solución: Los autores proponen contrastes Poisson-Gamma (PG). Al asumir una distribución previa Gamma sobre las intensidades (un enfoque bayesiano utilizado para derivar un contraste frecuentista), introducen hiperparámetros que actúan como regularización. Esto asegura que la función de costo permanezca estrictamente cóncava incluso para conteos de cero, evitando segmentos degenerados y permitiendo soluciones exactas que no se ven forzadas a los límites de los tiempos de los eventos.
• Procesos Marcados: El marco se extiende a procesos de Poisson marcados, donde tanto la intensidad como la distribución de las marcas (por ejemplo, la magnitud) cambian simultáneamente. Se deriva un contraste Poisson-Gamma-Exponencial-Gamma (MPGEG) para manejar este caso.

3. Selección de Modelo mediante Validación Cruzada

La selección del número de segmentos $K$ se trata como un problema de selección de modelos.

• Propiedad de Adelgazamiento (Thinning): Los autores aprovechan la propiedad de adelgazamiento de los procesos de Poisson. Si los eventos se muestrean con una probabilidad $f$, los eventos restantes forman un proceso de Poisson independiente con la intensidad escalada por $(1-f)$.
• Procedimiento: El proceso observado se divide en un conjunto de "aprendizaje" (probabilidad $f$) y un conjunto de "prueba" (probabilidad $1-f$). El modelo se entrena en el conjunto de aprendizaje y el contraste se evalúa en el conjunto de prueba. Esto evita la ambigüedad de eliminar puntos de tiempo discretos en entornos continuos, haciendo que la validación cruzada sea válida para este problema.

4. Extensión a Procesos Autoexcitados (Hawkes)

La metodología se extiende a Procesos de Hawkes por Tramos (PHP), donde la intensidad depende de la historia de los eventos (autoexcitación).

• Transformación: Utilizando el teorema de reescalado del tiempo (Papangelou, 1972), los autores transforman el proceso de Hawkes en un proceso de Poisson heterogéneo.
• Estrategia: Si los parámetros de la intensidad base de Hawkes ($\alpha, \beta$) son conocidos o estimados a partir de un periodo homogéneo, los tiempos de eventos observados se transforman mediante el compensador $\Lambda_0(t)$. La detección de puntos de cambio se realiza entonces sobre los tiempos transformados utilizando la metodología estándar de Poisson.

Resultados Clave

Estudios de Simulación

Los autores evaluaron el método en datos sintéticos a través de tres modelos:

1. Proceso de Poisson: El método recupera con éxito el número correcto de segmentos y las ubicaciones de los puntos de cambio a medida que la intensidad media ($\lambda$) y la razón de contraste entre segmentos ($\lambda_R$) aumentan. Supera a las alternativas de tiempo discreto (agrupación o análisis de tiempo entre eventos) en términos de distancia de Hausdorff y precisión de la estimación de la intensidad, particularmente cuando los conteos de eventos son bajos.
2. Proceso de Poisson Marcado: El método detecta eficazmente los puntos de cambio cuando existen señales en la intensidad, en las marcas, o en ambas. La inclusión de información de las marcas mejora la potencia de detección.
3. Proceso de Hawkes: El enfoque basado en la transformación detecta con precisión los puntos de cambio en procesos de Hawkes por tramos. El método funciona bien incluso cuando los parámetros de Hawkes ($\alpha, \beta$) deben estimarse a partir de un periodo homogéneo preliminar.

Aplicaciones en el Mundo Real

La metodología se aplicó a dos conjuntos de datos geológicos:

• Erupciones Volcánicas (Kilauea y Mauna Loa): El método identificó regímenes distintos en las frecuencias de erupción, detectando 3 puntos de cambio para Kilauea y 1 para Mauna Loa.
• Monte Etna (Erupciones de Flanco): Comparar un modelo de Poisson estándar con un modelo de Poisson Marcado (usando el volumen de lava como marca) reveló diferentes estructuras de puntos de cambio. El modelo marcado detectó un cambio de régimen en 1755 relacionado con el volumen de lava, mientras que el modelo estándar detectó un cambio en 1968 relacionado con la frecuencia de erupción.
• Actividad Sísmica (Tailandia): Aplicado a las réplicas de terremotos, el modelo PHP identificó con éxito tres eventos sísmicos importantes (incluyendo el terremoto de Phuket de 2004) que fueron omitidos por el modelado de Poisson estándar, demostrando la utilidad de considerar la autoexcitación.

Significancia y Reivindicaciones

El artículo afirma proporcionar un marco frecuentista riguroso para la detección de múltiples puntos de cambio en procesos de puntos de tiempo continuo. Su principal significancia reside en:

1. Exactitud sin Discretización: Demuestra que existe una solución exacta en una rejilla finita vinculada a las observaciones, eliminando la necesidad de una discretización de tiempo arbitraria o "agrupación" (binning) que puede comprometer la precisión.
2. Eficiencia Computacional: Al reducir el problema a una rejilla discreta, permite el uso de algoritmos de Programación Dinámica eficientes ($O(n^2 K)$) para la optimización exacta.
3. Robustez: La introducción de contrastes admisibles (Poisson-Gamma) resuelve el problema de las soluciones degeneradas comunes en la estimación de máxima verosimilitud para procesos de Poisson.
4. Versatilidad: El marco es generalizable a procesos marcados y procesos de Hawkes autoexcitados mediante el reescalado del tiempo, unificando el tratamiento de varios tipos de procesos de puntos bajo una única estrategia de optimización.

Los autores señalan que el método ha sido implementado en el paquete de R CptPointProcess y está disponible para uso público. Reconocen que, si bien la complejidad de la DP es cuadrática respecto al número de eventos, puede optimizarse aún más utilizando algoritmos de poda (por ejemplo, PELT) para conjuntos de datos muy grandes.