Cellwise and Casewise Robust Multivariate Regression with Inference

Resumen Técnico: Regresión Multivariante Robusta a Nivel de Celda y de Caso con Inferencia

Planteamiento del Problema
La regresión lineal multivariante es una herramienta estadística fundamental para modelar las relaciones entre predictores de dimensión $p$ y respuestas de dimensión $q$. Sin embargo, los estimadores clásicos, como los Mínimos Cuadrados Ordinarios (OLS), son altamente sensibles a los valores atípicos. La estadística robusta tradicional ha abordado principalmente los valores atípicos a nivel de caso (observaciones completas que se desvían de la mayoría), requiriendo que al menos el 50% de los datos estén limpios. No obstante, los conjuntos de datos modernos de alta dimensión sufren frecuentemente de valores atípicos a nivel de celda, donde entradas individuales en la matriz de predictores o de respuestas están contaminadas. En altas dimensiones, incluso una pequeña proporción de celdas contaminadas puede convertir a una gran fracción de casos en "malos" (por ejemplo, con $p=100$ y $q=2$, una contaminación del 1% de celdas afecta al 64% de los casos), lo que provoca que los métodos robustos a nivel de caso fallen. Además, las aplicaciones contemporáneas a menudo implican valores faltantes y dimensiones donde $p \geq n$, lo que genera inestabilidad en la estimación clásica. Finalmente, aunque la estimación robusta está establecida, proporcionar una inferencia estadística válida (por ejemplo, intervalos de confianza) bajo contaminación simultánea a nivel de celda y de caso, particularmente con datos faltantes, sigue siendo un desafío abierto.

Metodología
Los autores proponen cellMR (Regresión Multivariante a Nivel de Celda) y cellBoot (Bootstrap a Nivel de Celda) para abordar estos desafíos.

1. El Estimador cellMR:

   • Fundamento: El método se basa en un estimador robusto de covarianza a nivel de celda (cellCov) desarrollado por Centofanti et al. (2025).
   • Mecanismo: Utiliza un enfoque de Análisis de Componentes Principales (PCA) robusto llamado cellPCA para manejar la matriz combinada de predictores y respuestas $[X; Y]$. Este método modela los datos como una estructura de rango bajo más ruido, empleando funciones $\rho$ válidas (específicamente una función tangente hiperbólica) para acotar la influencia tanto de los valores atípicos a nivel de celda como de los de caso.
   • Regularización: Para garantizar la estabilidad numérica en configuraciones de alta dimensión ($p \geq n$), los coeficientes de regresión se estiman utilizando regularización ridge. Los parámetros de regresión se derivan sustituyendo las estimaciones robustas de ubicación ($\hat{\mu}$) y dispersión ($\hat{\Sigma}$) de cellCov en las fórmulas estándar de regresión ridge.
   • Datos Faltantes: El marco accommodate naturalmente los valores faltantes a través del mecanismo cellPCA, que utiliza indicadores de ausencia para ponderar las contribuciones durante la estimación.
   • Predicción: Para la predicción fuera de la muestra, el método emplea una estrategia de imputación donde las celdas sospechosas en los nuevos datos se limpian y las celdas faltantes se rellenan basándose en la estructura robusta aprendida de los datos de entrenamiento.

2. El Procedimiento de Inferencia cellBoot:

   • Desafío: La inferencia directa mediante bootstrap sobre el estimador cellMR es problemática porque no se garantiza que el estimador sea consistente debido a su construcción a nivel de celda.
   • Solución: Los autores introducen cellBoot, un procedimiento de bootstrap basado en Inferencia Indirecta (II).
   • Estimador Auxiliar: Una aproximación de un paso, computacionalmente eficiente, de cellCov, denominada FastCellCov, se utiliza como estimador auxiliar. Aunque FastCellCov es inconsistente, captura las propiedades de robustez del estimador completo.
   • Corrección de Sesgo: El marco de II construye un estimador consistente al igualar el estimador auxiliar calculado sobre los datos observados con el promedio del estimador auxiliar calculado sobre conjuntos de datos simulados generados a partir de un modelo paramétrico.
   • Implementación: El algoritmo genera muestras de bootstrap, calcula estimaciones de FastCellCov, aplica la corrección de sesgo de II para obtener estimaciones consistentes de la ubicación y la dispersión, y finalmente deriva los coeficientes de regresión. Los intervalos de confianza se construyen utilizando los cuantiles empíricos de estas estimaciones de bootstrap corregidas.

Contribuciones Clave

• Marco Unificado: Hasta donde se sabe por los autores, este es el primer método de regresión multivariante capaz de manejar simultáneamente valores atípicos a nivel de celda, valores atípicos a nivel de caso, datos faltantes y alta dimensionalidad ($p \geq n$).
• Propiedades Teóricas:
  • Los autores derivan las funciones de influencia (IF) para los estimadores de regresión cellMR bajo modelos de contaminación tanto a nivel de caso como a nivel de celda, demostrando que los estimadores están acotados y, por tanto, son robustos.
  • Demuestran la consistencia asintótica del procedimiento cellBoot.
  • Derivan las funciones de influencia para el centro y la longitud de los intervalos de confianza resultantes, demostrando su robustez.
• Validez de la Inferencia: El artículo establece que los intervalos de confianza cellBoot son asintóticamente exactos, proporcionando una cuantificación válida de la incertidumbre en configuraciones donde los métodos de bootstrap estándar o robustos (como FRB) fallan.

Resultados

• Simulaciones: Experimentos extensos de Monte Carlo demuestran que cellMR logra un rendimiento predictivo superior (Menor Error Cuadrático Medio) en comparación con métodos competidores (incluidos RIDGE, SEST, PENSE, CRM, REGCELL y SHOOT) en diversos escenarios de contaminación (a nivel de celda, de caso y mixtos) y dimensiones. Los métodos competidores fallan en altas dimensiones o tienen un rendimiento deficiente bajo contaminación a nivel de celda.
• Rendimiento de la Inferencia: El método cellBoot mantiene probabilidades de cobertura nominales (por ejemplo, 90%) incluso bajo contaminación significativa y datos faltantes. En contraste, los intervalos basados en OLS sufren una subcobertura severa, y el Bootstrap Rápido y Robusto (FRB) falla en configuraciones de alta dimensión.
• Aplicación a Datos Reales: Los métodos se aplicaron a un conjunto de datos genómicos que involucraba 59 líneas celulares de cáncer, 50 genes y 3 proteínas. El análisis identificó con éxito asociaciones robustas entre los niveles de expresión génica y de proteínas, visualizadas mediante mapas de valores atípicos y diagramas de bosque, mientras manejaba eficazmente los posibles valores atípicos y los valores faltantes.

Significado y Afirmaciones
El artículo afirma proporcionar una metodología unificada que aborda la "triple amenaza" del análisis de datos moderno: contaminación a nivel de celda, contaminación a nivel de caso y ausencia de datos en altas dimensiones. Afirma que cellMR es el primer enfoque que aborda conjuntamente estos problemas dentro de un marco de regresión multivariante. Además, se afirma que la introducción de cellBoot es el primer marco de inferencia diseñado específicamente para proporcionar intervalos de confianza válidos en presencia de contaminación simultánea a nivel de celda y de caso combinada con valores faltantes. Los autores enfatizan que su enfoque va más allá de la predicción para permitir una interpretación científica fiable mediante una cuantificación robusta de la incertidumbre.