Depth-based estimation for multivariate functional data with phase variability

Resumen Técnico: Estimación basada en la profundidad para datos funcionales multivariantes con variabilidad de fase

Planteamiento del problema
El artículo aborda el desafío estadístico de estimar un patrón subyacente común (función plantilla) en datos funcionales multivariantes cuando los datos exhiben tanto una variación de fase individual (deformación temporal) como una distorsión temporal entre componentes. En muchos campos científicos, como el análisis de crecimiento o el análisis de datos distribucionales, los individuos son observados a través de múltiples componentes funcionales (por ejemplo, diferentes estructuras fisiológicas o distribuciones marginales). Estas observaciones suelen sufrir dos fuentes distintas de variabilidad de fase:

1. Variabilidad individual: Cada sujeto tiene una función de deformación temporal única.
2. Variabilidad de componente: Diferentes componentes del proceso multivariante pueden estar distorsionados por diferentes funciones deterministas.

Los métodos existentes, como los de Carroll y Müller (2023), dependen típicamente de un enfoque basado en el registro: primero se estiman las funciones de deformación resolviendo problemas de minimización para alinear las curvas, y luego se estima el patrón común a partir de la muestra registrada. Sin embargo, este proceso secuencial puede ser computacionalmente intensivo y puede carecer de robustez frente a observaciones atípicas (outliers). Además, los métodos de registro estándar suelen asumir formas paramétricas específicas o dependen de estimadores basados en la media, los cuales son sensibles a los valores atípicos.

Metodología
Los autores proponen un marco de estimación robusto y libre de registro basado en la profundidad de datos funcionales. El enfoque se fundamenta en el Modelo de Deformación Latente (LDM) introducido por Carroll y Müller (2023), donde una curva multivariante observada $X_{ij}(t)$ para el individuo $i$ y el componente $j$ se modela como:
$$X_{ij}(t) = a_{ij} \lambda(\psi_j(h_i(t)))$$
Aquí, $\lambda$ es la función de amplitud común desconocida (curva latente), $\psi_j$ representa las distorsiones deterministas basadas en el componente, $h_i$ representa las funciones de deformación temporal individuales y $a_{ij}$ son factores de escala.

El núcleo de la metodología propuesta involucra los siguientes pasos:

1. Estimación de la mediana basada en la profundidad: En lugar de minimizar una pérdida de registro, el método identifica la curva más "profunda" en la muestra como el estimador del patrón común. Los autores establecen que si una medida de profundidad funcional ($FD$) satisface dos propiedades clave —invariancia bajo transformaciones estrictamente monótonas y consistencia de la mediana muestral respecto a la mediana poblacional— la curva más profunda estima consistentemente la función objetivo $\lambda$ (o $\lambda \circ \psi_j$ para componentes específicos) incluso en presencia de deformación temporal.
2. Generalización a entornos multivariantes: El método extiende el enfoque de profundidad univariante (Arribas-Gil y Romo, 2012) al LDM multivariante. Permite la estimación directa del patrón común $\lambda$ mediante la agrupación de observaciones a través de los componentes, siempre que la composición de los procesos de deformación satisfaga condiciones de simetría específicas (Proposición 3).
3. Manejo de objetivos no monótonos: Para los casos en que la función objetivo $\lambda$ no es estrictamente monótona, los autores incorporan un "operador de monotonización" $T$ (propuesto por Dupuy et al., 2011) para transformar las curvas de la muestra antes de aplicar la mediana basada en la profundidad, asegurando la consistencia.
4. Herramienta de diagnóstico (WHyRA): Para validar la suposición crítica del LDM de que las funciones de deformación individuales $h_i$ son idénticas en todos los componentes, los autores introducen el gráfico de Acuerdo de Clasificación de Hipógrafos de Deformación (WHyRA). Esta herramienta gráfica visualiza la correspondencia de rango de las estimaciones de las funciones de deformación entre componentes utilizando el Índice de Hipógrafo Modificado (MHI). Ayuda a detectar violaciones de la suposición de deformación compartida.

Contribuciones clave

1. Estimación libre de registro: El artículo propone una alternativa al flujo de trabajo estándar de dos pasos de registro-luego-estimación. Al utilizar la profundidad funcional, el patrón común se estima directamente de los datos observados y no registrados, evitando la necesidad de resolver primero múltiples problemas complejos de minimización para las funciones de deformación.
2. Condiciones teóricas para la consistencia: Los autores derivan las condiciones necesarias para que una medida de profundidad funcional proporcione una estimación consistente en modelos de deformación temporal. Demuestran que cualquier medida de profundidad que satisfaga la invariancia de monotonía y la consistencia de la mediana (como la Profundidad de Banda Modificada, Profundidades Integradas o Profundidades Integradas de Cuantiles) puede utilizarse para estimar consistentemente la curva latente bajo el LDM.
3. Robustez: El enfoque basado en la profundidad es intrínsecamente robusto a los valores atípicos. A diferencia de los estimadores basados en la media utilizados en los métodos de registro, la mediana de profundidad está menos influenciada por trayectorias atípicas.
4. Marco de diagnóstico: La introducción del gráfico WHyRA proporciona un método visual y práctico para evaluar la validez de la suposición de separabilidad (que la deformación individual es consistente entre componentes), lo cual es crucial para la aplicabilidad del modelo.

Resultados
Los autores evalúan el método a través de simulaciones extensas y aplicaciones de datos reales:

• Desempeño en simulaciones: En simulaciones comparando el método basado en la profundidad con el método de registro de Carroll y Müller (2023) (CM), el enfoque basado en la profundidad demostró:
  • Superioridad bajo alta variabilidad: A medida que aumentaban la variabilidad de la deformación temporal y la distorsión entre componentes, el método basado en la profundidad produjo Errores Cuadráticos Integrados (LISE) más bajos para la función objetivo estimada en comparación con el método CM.
  • Eficiencia computacional: El método basado en la profundidad fue significativamente más rápido (por ejemplo, ~0.17s frente a ~11s para $p=4, n=50$) porque evita el proceso de registro iterativo.
  • Sensibilidad al ruido: Se encontró que los estimadores de la función objetivo y de las curvas individuales del método basado en la profundidad son más sensibles al ruido Gaussiano aditivo que los estimadores de la media del método CM, un compromiso inherente a los métodos de mediana robustos.
  • Robustez ante valores atípicos: En simulaciones con datos contaminados (outliers generados a partir de una función de amplitud diferente), el método basado en la profundidad mantuvo un mejor desempeño en la estimación de la verdadera función común en comparación con el método CM.
• Aplicaciones de datos reales: El método se aplicó a dos conjuntos de datos:
  1. Extensión del hielo en el Océano Ártico: Analizando datos funcionales multivariantes a lo largo del tiempo.
  2. Distribuciones de edad materna en Europa: Examinando distribuciones a través de diferentes países.
     En ambos casos, el método identificó con éxito los patrones comunes y detectó observaciones atípicas o desviaciones de las suposiciones del modelo, demostrando su utilidad en el análisis exploratorio de datos.

Significancia y Reivindicaciones
El artículo afirma que su principal significancia radica en proporcionar una alternativa robusta, eficiente y teónticamente fundamentada a los métodos tradicionales de registro para datos funcionales multivariantes con variabilidad de fase. Al cambiar el enfoque de la minimización de errores de deformación hacia la maximización de la profundidad de los datos, los autores ofrecen un procedimiento que:

• Evita la carga computacional de resolver múltiples problemas de registro.
• Proporciona una estimación consistente bajo condiciones más amplias respecto a los procesos de deformación (específicamente requiriendo simetría central en lugar de solo identidad de la media).
• Ofrece un mecanismo integrado (WHyRA) para diagnosticar la validez del modelo, lo cual suele pasarse por alto en los flujos de trabajo de registro estándar.

Los autores señalan modestamente que, si bien su método destaca en robustez y velocidad, puede ser menos eficiente que los métodos basados en la media en escenarios dominados por un alto ruido Gaussiano aditivo. Enfatizan que su contribución es la extensión de los resultados de consistencia de la profundidad al LDM multivariante y el desarrollo de una herramienta de diagnóstico para apoyar las suposiciones del modelo, más que un reemplazo universal para todas las técnicas de registro.