Resumen Técnico: Coeficiente de Correlación de Cobertura

Planteamiento del Problema

El artículo aborda el desafío de detectar asociaciones estadísticas complejas y potencialmente no lineales entre variables y vectores aleatorios. Mientras que las medidas clásicas como la correlación de Pearson capturan relaciones lineales y las medidas basadas en rangos (Spearman, Kendall) capturan asociaciones monotónicas, estas suelen fallar al detectar dependencias no monotónicas. Los enfoques no paramétricos existentes, como la correlación de distancia (dCor), el Criterio de Independencia de Hilbert-Schmidt (HSIC) y la correlación de Chatterjee, presentan limitaciones significativas. Muchos están diseñados principalmente para pruebas de independencia sin proporcionar una medida directa de la magnitud de la dependencia. Otros, particularmente los basados en permutaciones, sufren de intratabilidad computacional en entornos de gran escala (por ejemplo, genómica) donde se requieren distribuciones nulas asintóticas precisas para manejar cargas masivas de pruebas múltiples. Además, la correlación de Chatterjee, aunque es eficiente y libre de distribución, es inherentemente asimétrica y está diseñada para detectar la dependencia funcional direccional ($Y = f(X)$), lo que la hace menos adecuada para detectar dependencias simétricas o indirectas donde las variables comparten una estructura latente común.

Metodología

Los autores proponen el coeficiente de correlación de cobertura ($\kappa_{X,Y}$), una novedosa medida no paramétrica de asociación estadística. La metodología se fundamenta en la intuición geométrica y la teoría del transporte óptimo:

1. Intuición Geométrica: La idea central consiste en cubrir el hipercubo unitario $[0, 1]^{d_X + d_Y}$ con pequeñas bolas $\ell_\infty$ (cubos) centradas en los rangos multivariados empíricos de los puntos de datos. El estadístico cuantifica el "volumen no cubierto" (vacancia) del espacio fuera de estas bolas.

   • Bajo independencia, los puntos se distribuyen uniformemente y el volumen no cubierto converge a $e^{-1}$.
   • Bajo dependencia singular (donde la distribución conjunta se concentra en una variedad de menor dimensión), el volumen no cubierto converge a 1.

2. Rangos de Monge–Kantorovich: Para generalizar esto a vectores multivariados ($X \in \mathbb{R}^{d_X}, Y \in \mathbb{R}^{d_Y}$), los autores utilizan rangos de Monge–Kantorovich. Estos se definen mediante mapas de transporte óptimo que proyectan las distribuciones marginales empíricas hacia distribuciones uniformes en el cubo unitario. Específicamente, para puntos de referencia $U$ y $V$ en los cubos unitarios, los rangos $R_i$ se obtienen resolviendo problemas de asignación óptima que minimizan la distancia euclidiana al cuadrado entre los puntos de datos y los puntos de referencia.

3. Definición: La correlación de cobertura empírica se define como:
   $$\kappa_{X,Y}^n := \frac{V_n - e^{-1}}{1 - e^{-1}}$$
   donde $V_n$ es el volumen no cubierto en el cubo unitario cuando se centran bolas de radio $\gamma = \frac{1}{2n^{1/d}}$ (donde $d = d_X + d_Y$) en los rangos conjuntos. Los puntos de referencia pueden ser aleatorios (distribuidos uniformemente) o deterministas (por ejemplo, una rejilla regular).

4. Marco Teórico:

   • Consistencia: El estadístico estima consistentemente una divergencia-$f$ entre la distribución conjunta $P_{(X,Y)}$ y el producto de las marginales $P_X \otimes P_Y$, con la función generadora $f_{cov}(x) = \frac{e^{-x} - e^{-1}}{1 - e^{-1}}$.
   • Distribución Nula: Bajo la hipótesis nula de independencia, el estadístico admite una distribución normal asintótica analíticamente tratable, lo que permite la construcción de valores $p$ sin necesidad de remuestreo.
   • Derandomización: El artículo demuestra que el estadístico puede ser "derandomizado" utilizando puntos de referencia deterministas (por ejemplo, rejillas regulares o secuencias de baja discrepancia) sin perder la consistencia ni la normalidad asintótica, siempre que se cumplan ciertas condiciones de regularidad en los mapas de transporte óptimo.

Principales Contribuciones

1. Medida Simétrica de Dependencia Singular: A diferencia de la correlación de Chatterjee, la correlación de cobertura es simétrica y está diseñada específicamente para detectar dependencias singulares (donde la distribución conjunta es singular con respecto al producto de sus marginales), capturando relaciones de la forma $f(X, Y) = 0$ en lugar de solo $Y = f(X)$.
2. Asintótica Libre de Distribución: El método proporciona una distribución nula pivotal que es independiente de las distribuciones marginales, permitiendo valores $p$ asintóticos exactos. Esta es una ventaja significativa sobre los métodos basados en kernels o distancias que a menudo dependen de costosas pruebas de permutación.
3. Eficiencia Computacional: Los autores desarrollan un algoritmo con una complejidad de tiempo de $O(n \log n)$ para marginales univariadas y proporcionan implementaciones eficientes en paquetes de R y Python (covercorr).
4. Garantías Teóricas: El artículo establece la consistencia tanto para casos univariados como multivariados (bajo condiciones de regularidad específicas en los mapas de transporte óptimo y las dimensiones) y prueba un teorema del límite central para la distribución nula.
5. Robustez mediante Generador Acotado: La divergencia-$f$ subyacente utiliza una función generadora acotada, lo que ofrece robustez contra razones de densidad extremas en comparación con las divergencias no acotadas como la información mutua (Kullback–Leibler).

Resultados

• Estudios de Simulación: El artículo evalúa la potencia de la correlación de cobertura frente a la correlación de Chatterjee, la correlación de distancia, HSIC, KMAc y USP a través de diversos mecanismos de generación de datos (sinusoidal, zigzag, círculo, espiral, Lissajous y dependencias locales).
  • En escenarios de dependencia funcional direccional (sinusoidal, zigzag), la correlación de Chatterjee tiene un buen desempeño.
  • En escenarios de dependencias simétricas o indirectas (círculo, espiral, Lissajous, donde $X$ e $Y$ son funciones de una variable latente $U$), la correlación de cobertura demuestra una potencia superior comparada con la correlación de Chatterjee y KMAc.
  • El método mantiene tasas de error Tipo I bien calibradas, particularmente para tamaños de muestra grandes.
• Aplicaciones con Datos Reales:
  • Datos de Hormonas Menstruales: Aplicado a cuatro hormonas reproductivas, la correlación de cobertura fue el único método en detectar una dependencia estadísticamente significativa para cada par de hormonas al nivel del 5%, alineándose con los sistemas de retroalimentación biológica conocidos.
  • Secuenciación de ARN de Célula Única: En un conjunto de datos de 9,369 células T CD8+ y 1,000 genes, la correlación de cobertura identificó 54 pares de genes significativos que fueron omitidos por las correlaciones de Pearson, Spearman y de Chatterjee. La inspección visual de estos pares reveló relaciones en forma de "L" indicativas de una dependencia funcional implícita.

Significado y Reivindicaciones

El artículo sostiene que el coeficiente de correlación de cobertura llena un vacío crítico en las medidas de asociación estadística al ofrecer una herramienta simétrica, libre de distribución y computacionalmente eficiente para detectar dependencias complejas, no monotónicas y singulares. Su capacidad para proporcionar una distribución nula asintóticamente tratable lo hace particularmente adecuado para escenarios de pruebas por pares a gran escala (por ejemplo, genómica) donde los métodos basados en permutaciones son computacionalmente prohibitivos.

Los autores posicionan el método como una alternativa robusta a los estimadores de divergencia existentes que requieren estimación de densidad, señalando que la correlación de cobertura opera directamente sobre rangos y volúmenes no cubiertos. Aunque el artículo reconoce una brecha teórica en las pruebas de consistencia para dimensiones $d_X + d_Y \in \{3, 4\}$, afirma que el método es teóricamente sólido para casos univariados y casos de alta dimensión ($d_X + d_Y \geq 5$) bajo condiciones de regularidad, y es empíricamente efectivo en un amplio rango de dimensiones. El trabajo enfatiza que el estadístico mide la medida en que la ley conjunta falla en cubrir el espacio producto, proporcionando una perspectiva geométrica de la dependencia que complementa las medidas de dependencia funcional existentes.