📊 statistics

The Spatial Cram'{e}r--von Mises Test of Independence under $\beta$ -Mixing: Asymptotic Theory and Python Implementation

Este artículo establece la teoría asintótica para una prueba de independencia espacial de Cramér–von Mises bajo dependencia de mezcla $\beta$ polinómica en campos aleatorios estacionarios y proporciona una implementación en Python que demuestra el poder superior de la prueba, particularmente con pesos de Anderson–Darling, en comparación con métodos tradicionales como las pruebas de Mantel y de $K$ cruzada.

Autores originales: Marco Mandap

Publicado 2026-05-20

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Marco Mandap

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 eres un detective tratando de resolver un misterio en una ciudad abarrotada. Tu trabajo es averiguar si dos grupos de personas, llamémoslos "Equipo X" y "Equipo Y", se mueven completamente de forma independiente entre sí, o si están coordinando secretamente sus pasos.

En una ciudad normal donde todos caminan al azar y no hablan con sus vecinos (lo que los estadísticos llaman "datos independientes"), es fácil verificar esto. Solo tienes que observar la multitud y ver si los patrones coinciden.

Pero en el mundo real, las personas a menudo influyen en sus vecinos. Si una persona se detiene a atarse el zapato, la persona junto a ella podría detenerse también. Si todo un vecindario se mueve en una ola, todos en esa cuadra se mueven juntos. Esto es lo que el artículo llama dependencia espacial. Cuando los puntos de datos son "vecinos", las herramientas de detective estándar a menudo se confunden y piensan que hay una conexión secreta cuando no la hay, o pasan por alto una conexión real porque el "ruido" del vecindario es demasiado fuerte.

Este artículo introduce una nueva herramienta de detective superinteligente llamada Prueba Espacial de Cramér–von Mises. Así es como funciona, explicado de forma sencilla:

1. El Problema: El "Vecindario Ruidoso"

Los autores están analizando datos distribuidos en un mapa (como lecturas de temperatura o precios de acciones en diferentes ciudades). Quieren saber: ¿El patrón de X está relacionado con el patrón de Y?
El truco es que los datos son "pegajosos". Un valor en un lugar es probablemente similar al valor justo al lado. Esta "pegajosidad" (llamada mezcla- $\beta$ ) rompe las reglas de las pruebas antiguas y clásicas. Si usas las pruebas antiguas en estos datos pegajosos, podrías obtener falsas alarmas.

2. La Solución: El Truco de la "Forma Interna"

En lugar de intentar mapear el movimiento de toda la ciudad de una vez (lo cual es matemáticamente desordenado y requiere reglas muy estrictas), los autores usan un atajo astuto. Dividen el problema en dos acertijos más pequeños y simples.

La Analogía: Imagina que tienes una bola gigante de ovillo de lana enredada que representa la relación entre el Equipo X y el Equipo Y. En lugar de intentar desenredar toda la bola de una vez, cortan la lana en dos hebras separadas: una para el Equipo X y otra para el Equipo Y.
Las Matemáticas: Reformulan la prueba para que trate a los dos equipos por separado primero, y luego multipliquen los resultados. Esto se llama un núcleo producto. Como separaron las hebras, pueden usar un atajo matemático bien conocido (llamado estadístico U) que ignora el desordenado "ruido del vecindario" y se centra solo en la relación central.

3. La "Fórmula Mágica" (La Distribución Límite)

Una vez que separan las hebras, necesitan saber cómo se ve un resultado "normal" para decidir si los equipos están realmente conectados.

En los viejos tiempos, necesitarías una simulación por computadora súper compleja para adivinar esto.
Los autores encontraron una fórmula mágica (una factorización de valores propios). Resulta que la "puntuación" para toda la ciudad es simplemente el producto de las "puntuaciones" del Equipo X y del Equipo Y.
Esto les permite calcular un valor crítico (una puntuación umbral) usando una suma ponderada simple de números aleatorios (específicamente, una mezcla de variables $\chi^2$ ). Si tu puntuación de prueba es más alta que este umbral, puedes decir con confianza: "¡Sí, el Equipo X y el Equipo Y están coordinando!".

4. La Elección del "Peso": La Lupa

La prueba utiliza una "función de peso" para decidir cuánto atención prestar a diferentes partes de los datos. Los autores probaron tres "lupas" diferentes:

Uniforme: Observa todo por igual.
Normal Óptima: Intenta ser la más eficiente, pero resulta ser demasiado sensible al ruido, lo que dificulta detectar conexiones débiles.
Anderson–Darling: Este es el jugador estrella del artículo. Actúa como una lupa que hace zoom en los bordes y las colas de los datos. Las simulaciones mostraron que esta es la mejor para detectar conexiones secretas, incluso cuando los datos son muy "pegajosos" o la conexión es débil.

5. Lo Que Encontraron (Los Resultados)

Los autores escribieron un programa en Python para probar su nueva herramienta de detective contra las antiguas.

Las Herramientas Antiguas (Mantel, Cross-K): Estas herramientas son como detectives que solo miran la distancia entre las personas. Se dejaron engañar por el "ruido del vecindario". No podían decir si los equipos estaban realmente coordinando o simplemente viviendo en el mismo vecindario. Tenían casi poder cero para encontrar la verdad en estas situaciones complejas y pegajosas.
La Nueva Herramienta (CvM Espacial): Esta herramienta ignoró con éxito el ruido del vecindario y encontró las conexiones secretas. Funcionó perfectamente incluso cuando los datos dependían mucho de sus vecinos.
El Ganador: La versión Anderson–Darling de la nueva prueba fue la más poderosa, encontrando conexiones que las otras pasaron por alto.

Resumen

El artículo dice: "Construimos una nueva forma de probar si dos cosas están relacionadas cuando viven en un vecindario abarrotado y pegajoso. Encontramos un truco matemático para separar los dos problemas, derivamos una fórmula simple para los resultados y demostramos que nuestra nueva herramienta es mucho mejor que las antiguas para encontrar la verdad sin confundirse con la multitud".

También proporcionaron el código Python (el "plano") para que cualquiera pueda usar esta nueva herramienta de detective de inmediato.

Resumen Técnico: La Prueba Espacial Cramér–von Mises de Independencia bajo Mezcla $\beta$

Enunciado del Problema
El artículo aborda el desafío de probar la independencia bivariada en campos aleatorios estacionarios en $\mathbb{R}^2$ . Si bien la prueba clásica Cramér–von Mises (CvM) está bien establecida para observaciones independientes e idénticamente distribuidas (i.i.d.), su aplicación a datos con dependencia espacial no es trivial debido a la estructura de dependencia compleja. La hipótesis nula $H_0$ postula que las componentes marginales $X_s$ y $Y_s$ de un campo aleatorio bivariado $Z_s = (X_s, Y_s)$ son independientes, lo que implica que la función de distribución acumulada conjunta (CDF) se factoriza como $H(x, y) = F_1(x)F_2(y)$ . Los autores buscan derivar la distribución asintótica de la estadística espacial CvM bajo dependencia de mezcla $\beta$ polinómica y proporcionar una implementación reproducible en Python.

Metodología
Los autores proponen un marco teórico y una tubería computacional que evitan la necesidad de un teorema central del límite funcional (FCLT). La metodología se basa en tres ingredientes teóricos principales:

Límites de Covarianza de Tipo Davydov: Los autores establecen la integrabilidad del núcleo de covarianza espacial bajo una condición de mezcla $\beta$ polinómica donde la tasa de decaimiento $\theta$ satisface $\theta > 2(2 + \delta)/\delta$ . Esto asegura que la covarianza espacial sea absolutamente sumable, un requisito previo para los teoremas de límite.
Reformulación como Estadístico U: Siguiendo a De Wet (1980), la estadística espacial CvM se reformula como un estadístico U degenerado de orden 2 con un núcleo producto $Q = G_1 \otimes G_2$ . Este enfoque de "forma interna" utiliza las CDFs marginales empíricas, permitiendo reducir el problema espectral bidimensional a dos problemas unidimensionales.
Extensión del Teorema de Límite: Al combinar el teorema de límite de Gregory (1977) para estadísticos U degenerados con la extensión de Yoshihara (1976) a secuencias de mezcla $\beta$ , los autores derivan la distribución asintótica sin probar la convergencia débil en espacios de funciones (por ejemplo, $C([0, 1])$ ).

Contribuciones Clave

Teoría Asintótica: El artículo deriva la distribución límite de la estadística espacial CvM centrada y normalizada. Bajo la hipótesis nula, la estadística converge a una suma ponderada de variables $\chi^2_1$ correlacionadas. Crucialmente, los valores propios del operador límite se factorizan como productos de valores propios marginales ( $\gamma_{jk} = \lambda^{(1)}_j \cdot \lambda^{(2)}_k$ ).
Límite de Ancho de Banda Pequeño: En el límite donde el ancho de banda del núcleo $h \to 0$ , la correlación entre las variables límite desaparece y la distribución se reduce a una suma ponderada de variables $\chi^2_1$ independientes, recuperando la forma clásica i.i.d.
Valores Críticos Explícitos: Los autores proporcionan fórmulas explícitas para los valores propios correspondientes a tres funciones de peso comunes: Uniforme, Normal Óptima y Anderson–Darling. Esto permite el cálculo de valores críticos sin integración numérica.
Implementación de Software: Se documenta un paquete completo de Python que incluye:
- Generación de campos aleatorios Mat´ern mediante incrustación circulant.
- Cálculo de la estadística CvM utilizando descomposición de núcleo de forma interna.
- Evaluación de valores críticos asintóticos mediante simulación Monte Carlo de la distribución límite.
- Inferencia basada en permutaciones para valores p de muestras finitas.
- Implementación de pruebas competidoras (Mantel, cross-K, covarianza de distancia) para comparación de potencia.

Resultados
Los experimentos de simulación realizados en retículas $m \times m$ arrojan los siguientes hallazgos:

Calibración de Tamaño: La prueba mantiene un tamaño aceptable (tasas de rechazo dentro de 1–2 puntos porcentuales de los niveles nominales) para tamaños de muestra $n \ge 400$ bajo mezcla moderada a fuerte. En $n=100$ , la prueba está ligeramente inflada bajo mezcla débil ( $\theta=3$ ).
Rendimiento de Potencia:
- La función de peso Anderson–Darling logra consistentemente la mayor potencia frente a alternativas de cópula Gaussiana y t, particularmente en niveles de dependencia débil.
- El peso Normal Óptimo exhibe una potencia cercana a cero en alternativas débiles debido a una constante de centrado divergente que infla los valores críticos.
- El peso Uniforme se desempeña de manera competitiva pero generalmente es superado por Anderson–Darling.
Comparación con Pruebas Competidoras:
- Las pruebas Mantel y Cross-K demuestran ninguna potencia contra la dependencia cruzada en campos espacialmente correlacionados, fallando en distinguir la autocorrelación espacial de la verdadera dependencia cruzada.
- La prueba de Covarianza de Distancia se desempeña bien pero generalmente es superada por la prueba CvM Anderson–Darling en alternativas débiles.
Robustez: El tamaño y la potencia de la prueba son estables ante variaciones en el parámetro de rango efectivo de Mat´ern, confirmando la robustez de la implementación del límite de ancho de banda pequeño.

Significado y Afirmaciones
El artículo afirma que su significado principal radica en proporcionar una justificación asintótica rigurosa para el uso de la prueba CvM en datos con dependencia espacial sin recurrir al teorema central del límite funcional más exigente. Al utilizar la ruta del estadístico U, los autores evitan argumentos de compacidad (Arzel´a–Ascoli) y cálculos de entropía de acotamiento, requiriendo solo convergencia escalar.

Los autores posicionan la prueba espacial CvM como una herramienta robusta para detectar dependencia cruzada en campos aleatorios donde las pruebas espaciales tradicionales (Mantel, Cross-K) fallan. El trabajo sirve como un "resultado de robustez", justificando el uso de valores críticos i.i.d. estándar para datos con dependencia espacial bajo el límite de ancho de banda pequeño, siempre que se cumplan las condiciones de mezcla. El artículo no afirma resolver todos los problemas de independencia espacial, sino que ofrece una solución específica y teóricamente fundamentada para la prueba de independencia bivariada bajo mezcla $\beta$ , acompañada de una implementación de software verificada para aplicación inmediata.