📊 statistics

Statistical description and dimension reduction of continuous time categorical trajectories with multivariate functional principal components

Este artículo propone un marco de análisis de componentes principales funcionales multivariante que transforma trayectorias categóricas en funciones indicadoras binarias dentro de un espacio de Hilbert, permitiendo una reducción de dimensión consistente y una comparación estadística de trayectorias constantes por tramos bajo supuestos de regularidad débiles, tal como se demuestra en datos de percepción sensorial.

Autores originales: Hervé Cardot, Caroline Peltier

Publicado 2026-05-05

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Hervé Cardot, Caroline Peltier

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás observando a un grupo de personas probando diferentes alimentos. Cada pocos segundos, deben gritar qué sabor están experimentando con mayor intensidad: "¡Dulce!", "¡Ácido!", "¡Amargo!" o "¡Salado!". En el transcurso de un minuto, cada persona crea una línea de tiempo única y dentada de sabores.

En el mundo de la estadística, analizar estas líneas de tiempo es complicado. Los métodos tradicionales suelen asumir que los datos son suaves y continuos (como un río que fluye). Pero estas líneas de tiempo de sabores son más bien como una serie de saltos repentinos (como un interruptor de luz que se enciende y se apaga). Si intentas forzar estos datos "saltarines" en modelos suaves, pierdes detalles importantes.

Este artículo presenta una nueva y astuta forma de mapear y comparar estas líneas de tiempo de sabores saltarinas sin perder ninguna información. Aquí tienes el desglose de su enfoque utilizando analogías simples:

1. El Problema: La línea de tiempo "dentada"

Por lo general, los estadísticos observan el "promedio" de sabor en cualquier segundo dado. Si 50 personas prueban un limón, el promedio podría decir "Limón" en el segundo 1, "Ácido" en el segundo 2 y "Dulce" en el segundo 3.

El Defecto: Este promedio oculta las historias individuales. No te dice quién cambió a "Dulce" temprano ni quién siguió probando "Ácido" tarde. También tiene dificultades si las personas pueden probar dos cosas a la vez (como "Dulce" y "Salado" juntos), lo cual ocurre en algunos experimentos.

2. La Solución: El Truco del "Interruptor de Luz"

Los autores proponen un truco simple pero poderoso: en lugar de intentar analizar el "sabor" complejo directamente, convierten cada sabor posible en su propio interruptor de luz binario.

Imagina un panel de control con 8 interruptores, uno para cada sabor (Limón, Dulce, Ácido, etc.).
Para cualquier persona específica en cualquier segundo específico, el interruptor de "Limón" está ya sea ENCENDIDO (1) o APAGADO (0).
Si la persona está probando Limón, el interruptor de Limón está ENCENDIDO, y todos los demás están APAGADOS (en el experimento estándar).
Al hacer esto, convierten una línea de tiempo compleja y saltarina en un conjunto de historias simples de encendido/apagado binarias.

3. El Mapa: Encontrar los "Temas Principales"

Ahora que tienen estas historias de encendido/apagado, utilizan una técnica llamada Análisis de Componentes Principales Funcionales Multivariados (MFPCA).

La Analogía: Piensa en esto como encontrar los "temas principales" en una canción. Si tienes 150 grabaciones diferentes de personas probando alimentos, el MFPCA pregunta: "¿Cuáles son las formas más comunes en que varían estas líneas de tiempo?".
El Resultado: Encuentran unos pocos "patrones maestros" (llamados Componentes Principales) que explican la mayoría de las diferencias entre las personas.
- Patrón 1 podría representar la diferencia entre las personas que prueban "Limón" primero frente a las que prueban "Dulce" primero.
- Patrón 2 podría representar la diferencia entre aquellas que prueban "Salado" al final frente a las que no lo hacen.

4. Por qué esto es mejor que los métodos antiguos

El artículo compara su nuevo método de "Interruptor de Luz" con un método más antiguo llamado "Análisis de Correspondencia de Tiempo Continuo" (que es como intentar mapear los sabores usando una cuadrícula compleja y multidimensional).

La Debilidad del Método Antiguo: Tiene dificultades cuando un sabor nunca es elegido por nadie en un momento específico. Es como intentar dibujar un mapa de una ciudad donde algunas calles no existen; las matemáticas se rompen y el mapa tiene agujeros. También utiliza matemáticas "multiplicativas" (multiplicar números entre sí), lo cual es difícil de interpretar.
La Fortaleza del Nuevo Método: Utiliza matemáticas "aditivas" (sumar números). Maneja los "agujeros" (momentos en los que nadie elige un sabor) perfectamente. Trata los datos como una colección de interruptores simples de encendido/apagado, lo que lo hace robusto incluso cuando los datos son desordenados o cuando las personas prueban varias cosas a la vez.

5. La Prueba del Mundo Real: La Degustación

Los autores probaron esto en un conjunto de datos real de 150 personas probando tres estímulos líquidos controlados diferentes (S04, S06, S07).

El Resultado: Su nuevo método agrupó con éxito a las personas en tres grupos distintos que coincidían perfectamente con los tres líquidos diferentes que probaron.
La Interpretación: Podían mirar los "Patrones" y decir: "Ah, las personas del Grupo A probaron Limón temprano y Dulce tarde", lo cual coincidía con la receta real del líquido que bebieron. El método antiguo también podía separar los grupos, pero era mucho más difícil explicar por qué eran diferentes, y se confundía con sabores que nadie probó (como "Menta" en esta prueba específica).

Resumen

En resumen, este artículo dice: "No intentes suavizar los saltos dentados en los datos categóricos. En su lugar, convierte cada categoría en un simple interruptor de encendido/apagado, y luego busca los patrones principales en cómo esos interruptores se activan y desactivan."

Esto permite a los estadísticos:

Conservar toda la información original (no se pierden datos).
Manejar casos en los que las personas prueban varias cosas a la vez.
Interpretar fácilmente los resultados viendo qué sabores suben y bajan juntos.
Reducir una gran cantidad de datos complejos de líneas de tiempo a unas pocas "puntuaciones" simples y comprensibles que cuentan toda la historia.

Resumen Técnico: Descripción Estadística y Reducción de Dimensionalidad de Trayectorias Categóricas en Tiempo Continuo

1. Planteamiento del Problema

El artículo aborda el desafío de describir y comparar estadísticamente conjuntos de trayectorias categóricas en tiempo continuo. Si bien el análisis de datos funcionales (FDA) ha desarrollado extensamente herramientas para trayectorias aleatorias que toman valores en $\mathbb{R}$ , se ha prestado menos atención a las trayectorias que toman valores en un conjunto finito de estados no numéricos $S = \{S_1, \dots, S_q\}$ .

Los enfoques existentes enfrentan limitaciones específicas:

Análisis de Datos Funcionales Categóricos (CFDA): Basado en el análisis de correspondencias en tiempo continuo (Deville, 1982), este método codifica las trayectorias en componentes reales. Sin embargo, la interpretación de trayectorias individuales suele ser delicada, y el método tiene dificultades con estados que tienen probabilidad cero de ocurrencia en ciertos momentos.
Procesos de Markov/Semi-Markov: Estos modelan la ley de las trayectorias a nivel poblacional, pero a menudo son demasiado simplistas para el análisis a nivel individual. Además, tienen dificultades con marcos donde múltiples estados pueden observarse simultáneamente (por ejemplo, Temporal Check-All-That-Apply o TCATA), ya que esto requiere un aumento exponencial en el número de estados del sistema ( $2^q$ ).

Los autores buscan proporcionar una herramienta para la representación y comparación sencilla de trayectorias categóricas sin perder información, acomodando específicamente escenarios donde las trayectorias son constantes por tramos con saltos finitos y donde pueden coexistir múltiples estados.

2. Metodología

El enfoque propuesto transforma el problema de la descripción estadística de trayectorias categóricas en un Análisis de Componentes Principales Funcionales Multivariante (MFPCA).

Marco Matemático:

Transformación de Indicadores Binarios: En lugar de analizar el proceso categórico $Y(t)$ directamente, los autores asocian cada estado $S_j$ con una función indicadora aleatoria binaria $X_j(t) = \mathbb{1}_{\{Y(t) \ni S_j\}}$ . Esto crea un vector funcional multivariante $X(t) = (X_1(t), \dots, X_q(t))$ que toma valores en $\{0, 1\}^q$ .
Espacio Funcional: Las trayectorias se modelan como elementos aleatorios en el espacio de Hilbert $H = L^2([0, T], \mathbb{R}^q)$ . Los autores establecen que, bajo la hipótesis débil de que las trayectorias son continuas en probabilidad (Hipótesis H1) y pertenecen al espacio de funciones continuas por la derecha con límites por la izquierda ( $D([0, T], \mathbb{R}^q)$ ), estos procesos son medibles conjuntamente y poseen operadores de media y covarianza bien definidos.
Descomposición Aditiva: A diferencia del CFDA, que utiliza una descomposición multiplicativa de las probabilidades conjuntas, este método se basa en una descomposición aditiva de la estructura de covarianza. El operador de covarianza $\Gamma$ se define mediante el núcleo $\gamma(s, t)$ , donde los términos fuera de la diagonal representan desviaciones de la independencia.
Reducción de Dimensionalidad: El método realiza un MFPCA sobre el vector $X$ . La expansión de Karhunen-Loève permite representar el proceso centrado $X - p$ (donde $p$ es la trayectoria media) en un subespacio de baja dimensión generado por las funciones propias $\phi_r$ .

Estimación:

Consistencia: El artículo proporciona resultados de consistencia para la media empírica $\hat{p}$ y el operador de covarianza empírico $\hat{\Gamma}$ bajo supuestos de regularidad débiles.
Observación Discreta: Los autores señalan que, aunque las trayectorias pueden observarse exhaustivamente en experimentos controlados, también se pueden obtener estimadores consistentes a partir de una cuadrícula suficientemente densa de puntos de discretización utilizando suavizado no paramétrico (suavizadores lineales locales), alcanzando tasas de convergencia paramétricas hasta un factor logarítmico.

3. Contribuciones Clave

Marco Unificado: El enfoque abarca tanto la Dominancia Temporal de las Sensaciones (TDS) (donde exactamente un estado está activo en cualquier momento) como el TCATA (donde múltiples estados pueden estar activos simultáneamente) sin requerir una explosión en la dimensión del espacio de estados.
Rigor Teórico: El artículo proporciona una justificación matemática rigurosa para tratar las trayectorias categóricas discontinuas y constantes por tramos como elementos aleatorios en un espacio de Hilbert de funciones de cuadrado integrable, estableciendo la continuidad de las funciones de media y covarianza bajo el supuesto de continuidad en probabilidad.
Interpretabilidad: Se demuestra que los componentes principales resultantes son fácilmente interpretables como variaciones alrededor de las curvas de probabilidad media para cada estado. El método permite la identificación de patrones dominantes en las trayectorias individuales.
Robustez ante Probabilidades Cero: Al utilizar una descomposición aditiva de la covarianza en lugar del enfoque multiplicativo del análisis de correspondencias, el método evita el problema de funciones de codificación indefinidas cuando un estado tiene probabilidad cero de ocurrencia en puntos de tiempo específicos.

4. Resultados

La metodología se ilustró utilizando un conjunto de datos de 150 experimentos de percepción sensorial que involucraron a 50 panelistas que probaron tres estímulos diferentes controlados por un gustómetro (S04, S06, S07) con $q=8$ estados de sensación posibles.

Reducción de Dimensionalidad: Las dos primeras componentes principales capturaron el 34% de la varianza total (23% y 11% respectivamente). Los valores propios disminuyeron lentamente, reflejando la naturaleza discontinua de las trayectorias.
Diferenciación de Estímulos:
- PC1 distinguió eficazmente el estímulo S04 (caracterizado por una alta probabilidad de Limón al inicio y Dulce al final) del estímulo S06 (caracterizado por el patrón opuesto).
- PC2 distinguió el estímulo S07 (Ácido $\to$ Dulce $\to$ Salado) de los demás.
Comparación con CFDA:
- Las puntuaciones del MFPCA mostraron una alta correlación lineal (0.93) con la primera dimensión de las puntuaciones del CFDA, separando con éxito los grupos de estímulos.
- Sin embargo, el MFPCA ofreció una interpretación más directa en términos de probabilidad de ocurrencia.
- El CFDA tuvo dificultades con el descriptor "Menta" (un distractor), ya que las funciones de codificación estaban indefinidas cuando la proporción de ocurrencia era cero. En contraste, el MFPCA manejó estos intervalos de probabilidad cero de manera natural.
- La segunda dimensión en el CFDA capturó principalmente valores atípicos (eventos raros como el distractor Menta), mientras que la segunda dimensión en el MFPCA separó con éxito la señal S07 de las demás.

5. Significado y Afirmaciones

Los autores afirman que este enfoque proporciona una herramienta poderosa para la reducción de dimensionalidad de datos funcionales categóricos que es tanto estadísticamente consistente como interpretable.

Análisis a Nivel Individual: A diferencia de los enfoques basados en Markov que se centran en leyes a nivel poblacional, este método facilita el análisis y la comparación de trayectorias individuales.
Manejo de Estados Simultáneos: El método maneja naturalmente marcos experimentales como el TCATA donde múltiples estados coexisten, un escenario que es difícil de modelar con enfoques estándar de Markov o análisis de correspondencias sin aumentar drásticamente la complejidad.
Utilidad Predictiva: La representación de dimensión reducida (puntuaciones de componentes principales) puede servir como variables explicativas para modelos predictivos, como la regresión de escalar sobre datos funcionales categóricos. Los autores demostraron que un análisis discriminante simple basado en estas puntuaciones podía predecir con precisión el experimento de degustación subyacente (S04, S06 o S07).
Generalidad: El marco se presenta como una extensión de trabajos anteriores (Cardot y Peltier, 2025), ofreciendo una descripción matemática más detallada y estimadores consistentes bajo supuestos débiles, aplicable a cualquier proceso categórico en tiempo continuo con saltos finitos.