Variance component score test for multivariate change point detection with applications to mobile health

Resumen Técnico: Prueba de puntuación de componentes de varianza para la detección de puntos de cambio multivariante

Planteamiento del problema
La detección de puntos de cambio multivariante implica identificar cambios distribucionales en datos ordenados en el tiempo a través de múltiples características. Esta tarea es particularmente desafiante en aplicaciones de salud móvil (mHealth), donde el número de características ($p$) suele ser mayor o comparable al número de observaciones ($T$), y donde la detección oportuna de cambios conductuales es crítica para intervenir en pacientes en riesgo (por ejemplo, aquellos con inestabilidad afectiva). Los métodos existentes enfrentan limitaciones: la $T^2$ de Hotelling está diseñada para la detección de valores atípicos fuera de línea (offline) y carece de potencia para cambios persistentes y sutiles; los métodos de suma acumulada (CUSUM) son sensibles a los parámetros de ajuste y pierden potencia a medida que aumenta el número de flujos de datos; y los métodos de divergencia de muestra son computacionalmente costosos debido a las comparaciones por pares. Además, los métodos de detección en línea estándar suelen sufrir de sesgo al estimar los parámetros distribucionales (media y covarianza) utilizando datos que ya pueden contener el punto de cambio.

Metodología
Los autores proponen VC*, una prueba de puntuación de componentes de varianza adaptada para la detección de puntos de cambio multivariante. El método opera en un entorno en línea, evaluando posibles puntos de cambio utilizando únicamente los datos previos al punto de cambio para estimar los parámetros distribucionales.

• Modelo estadístico: Los datos se modelan como un vector de características $\mathbf{Y}_t$ donde ocurre un punto de cambio en el día $k$. Tras el cambio, las medias de las características se desplazan por un vector $\boldsymbol{\beta}$ y la varianza se desplaza por $\delta$. La hipótesis nula ($H_0$) postula que no hay cambio en la media o la varianza ($\boldsymbol{\beta}=\mathbf{0}, \delta=0$).
• Marco de componentes de varianza: Los autores extienden el marco de la prueba de puntuación de componentes de varianza, tradicionalmente utilizado en modelos de efectos mixtos y estudios de asociación de genoma completo (GWAS). Tratan el desplazamiento de la media $\boldsymbol{\beta}$ como un efecto aleatorio distribuido como $\mathcal{N}(\mathbf{0}, \tau\mathbf{I}_p)$. Esto reduce el problema de prueba de $p+1$ parámetros a dos parámetros: $\tau$ (varianza de los desplazamientos de la media) y $\delta$ (desplazamiento de la varianza).
• Estrategia de reducción de sesgo: Una innovación metodológica clave es la estimación de la media ($\boldsymbol{\mu}$) y las matrices de covarianza ($\Sigma$) utilizando únicamente los días previos al punto de cambio. Los autores demuestran mediante el Teorema 2.1 que utilizar todos los días disponibles (incluyendo los datos posteriores al cambio) resulta en estimadores sesgados bajo la hipótesis alternativa. Si bien el uso de menos días aumenta la varianza del estimador, los autores argumentan que la reducción del sesgo produce una mayor potencia de detección, particularmente en escenarios con $T$ pequeño.
• Regularización: Para manejar entornos de alta dimensionalidad donde $p > T$, el estimador de la covarianza se regulariza utilizando un parámetro de contracción (shrinkage) $\phi \in [0, 1]$. Esto combina la matriz de correlación de la muestra con una matriz diagonal de varianzas, estabilizando la estimación cuando los datos son escasos.
• Estadístico de prueba: El estadístico de prueba $Q_k$ se calcula para los días candidatos $k$ dentro de una ventana de búsqueda ($d_b$). La decisión final rechaza la hipótesis nula si el máximo de $Q_k$ sobre la ventana excede un umbral derivado de una distribución nula empírica.

Contribuciones clave

1. Aplicación novedosa: Esta es la primera aplicación de una prueba de puntuación de componentes de varianza al contexto de la detección de puntos de cambio multivariante.
2. Estimación consciente del sesgo: El artículo introduce una estrategia para estimar parámetros utilizando solo datos previos al cambio para evitar el sesgo, demostrando mediante simulaciones que este compromiso (mayor varianza para un menor sesgo) mejora la potencia en tamaños de muestra pequeños.
3. Robustez: El método está diseñado para detectar cambios en las medias, las varianzas o ambos simultáneamente, lo que lo hace robusto a diferentes tipos de cambios distribucionales.

Resultados

• Estudios de simulación:
  • Comparación de potencia: En simulaciones con $T \in \{30, 60, 90\}$ y $p=50$, VC* demostró una mayor potencia que la $T^2$ de Hotelling, CUSUM y la divergencia de muestra en diversos escenarios (solo media, solo varianza y cambios conjuntos).
  • Compromiso entre sesgo y varianza: Las comparaciones entre VC* (estimación previa al cambio) y una prueba VC tradicional (estimación con todos los datos) mostraron que VC* superó consistentemente al método tradicional cuando existían correlaciones de características ($\alpha > 0$). En entornos no correlacionados, el rendimiento fue comparable o ligeramente inferior para $T$ muy pequeños en cambios de solo varianza, pero VC* se mantuvo superior en entornos correlacionados.
• Aplicación a datos reales:
  • El método se aplicó a datos recopilados pasivamente de teléfonos inteligentes (GPS y métricas sociales) de 41 adolescentes y adultos jóvenes con inestabilidad afectiva.
  • VC* detectó 99 puntos de cambio en 31 sujetos, significativamente más que los métodos competidores (Hotelling's $T^2$: 31; CUSUM: 32; Divergencia de muestra: 33).
  • Correlaciones clínicas: La tasa de puntos de cambio detectados por VC* mostró una correlación positiva marginalmente significativa con la subescala de "eficiencia del sueño habitual" del Índice de Calidad del Sueño de Pittsburgh (PSQI) y una correlación negativa marginalmente significativa con la subescala de "búsqueda de experiencias" de la Escala de Búsqueda de Sensaciones (BSS). No se encontró una diferencia significativa en las tasas de puntos de cambio entre pacientes con y sin diagnósticos de trastornos de la personalidad.

Significancia y afirmaciones
El artículo afirma que VC* ofrece un enfoque estadísticamente riguroso y potente para la detección de puntos de cambio multivariante en línea, diseñado específicamente para las restricciones de los datos de salud móvil (alta dimensionalidad, tamaños de muestra pequeños y la necesidad de intervención en tiempo real). Los autores enfatizan que la capacidad del método propuesto para utilizar solo datos previos al cambio para evitar el sesgo es una ventaja crítica en el monitoreo secuencial. Señalan que, si bien el método detectó más puntos de cambio que sus competidores en la aplicación del mundo real, la verdad fundamental (ground truth) es desconocida, y el alto número de detecciones puede reflejar el uso de un umbral de significancia convencional de 0.05 aplicado secuencialmente. Los autores concluyen que VC* es bien adecuado para contextos de mHealth donde identificar desviaciones recientes del comportamiento basal es vital para la intervención clínica oportuna, aunque reconocen los desafíos respecto al control de falsos positivos en las pruebas secuenciales y la necesidad de suficientes datos previos al cambio para asegurar una estimación de parámetros confiable.