Resumen Técnico: Detección de Valores Atípicos Explicable para Datos Funcionales Multivariantes

Planteamiento del Problema

El Análisis de Datos Funcionales Multivariantes (FDA) implica analizar datos representados como funciones continuas a través de múltiples variables (por ejemplo, series temporales de varios sensores). Aunque el Análisis de Componentes Principales Funcionales (FPCA) es una herramienta dominante, la estimación robusta de las funciones de media y covarianza sigue siendo un desafío crítico, particularmente en presencia de valores atípicos. Los valores atípicos pueden distorsionar severamente las estimaciones no robustas, lo que lleva a conclusiones poco fiables. Además, los métodos existentes de detección de valores atípicos a menudo carecen de interpretabilidad; identifican que una observación es anómala, pero no logran explicar por qué —específicamente, qué componentes (variables) y en qué puntos temporales ocurre la desviación.

La literatura actual ofrece métodos robustos para datos funcionales univariantes y enfoques basados en profundidad para configuraciones multivariantes, pero existe una brecha en la provisión de un marco unificado que combine la estimación basada en distancias robusta con explicaciones de valores atípicos interpretables, específicas de componentes y tiempo, para datos funcionales multivariantes, particularmente bajo estructuras de covarianza separables.

Metodología

El marco propuesto integra tres componentes centrales: estimación robusta de la covarianza, una distancia de Mahalanobis funcional multivariante truncada y una descomposición basada en valores de Shapley.

1. Marco Teórico: Covarianza Separable y Representación en Base

El método asume que el proceso estocástico multivariante $X(t)$ posee una estructura de covarianza separable, donde el núcleo de covarianza $K(s, t)$ se descompone en una matriz de covarianza cruzada $\Sigma_{row}$ (entre componentes) y un núcleo temporal $\kappa(s, t)$ (dentro de los componentes):
$$K(s, t) = \Sigma_{row} \kappa(s, t)$$
Para manejar observaciones discretas, los datos se suavizan utilizando una representación en base finita (por ejemplo, B-splines). Una contribución teórica clave es el establecimiento de un vínculo directo entre el proceso funcional y su matriz de coeficientes $A$. Si $X(t) = A' \phi(t)$, el artículo demuestra que, bajo separabilidad, la matriz de coeficientes $A$ sigue una distribución matricial con media $M_A$ y covarianzas $\Sigma_{row}$ y $\Sigma_{col}$ (donde $\Sigma_{col}$ se relaciona con $\kappa$). Esto permite calcular la distancia de Mahalanobis funcional como una distancia de Mahalanobis matricial sobre las matrices de coeficientes, reduciendo significativamente la complejidad computacional.

2. Estimación Robusta: MMCD

Para garantizar la robustez frente a valores atípicos, el marco emplea el estimador Mínimo Determinante de Covarianza Matricial (MMCD) (Mayrhofer et al., 2025) para estimar la media y la covarianza de las matrices de coeficientes. Este enfoque es altamente robusto, eficiente y consistente para distribuciones elípticas matriciales. Los estimadores MMCD ($\hat{M}_A, \hat{\Sigma}_{row}, \hat{\Sigma}_{col}$) se utilizan para construir una distancia de Mahalanobis funcional truncada robusta.

3. Métrica de Distancia: Distancia de Mahalanobis Funcional Multivariante Truncada (fMMD)

Los autores definen la distancia semimétrica de Mahalanobis funcional multivariante truncada al cuadrado (fMMD) como:
$$fMMD^2(X; M) = \sum_{k=1}^{M} \frac{1}{\pi_k} \langle X - \mu, \psi_k \rangle^2$$
donde $(\pi_k, \psi_k)$ son los pares propios del operador de covarianza. Bajo el supuesto de separabilidad, se demuestra que esta distancia es equivalente a la distancia de Mahalanobis matricial de la matriz de coeficientes $A$. Esta equivalencia permite un cálculo eficiente utilizando estimadores matriciales robustos.

4. Explicabilidad: Descomposición de Valores de Shapley

Para abordar la naturaleza de "caja negra" de la detección de valores atípicos, el artículo generaliza los valores de Shapley (de la teoría de juegos cooperativos) para descomponer la total anormalidad (fMMD) en contribuciones aditivas.

• Específico de coordenada: Identifica qué variable (componente) contribuye más a la anomalía.
• Específico de tiempo: Identifica qué intervalos de tiempo contribuyen más.
• Específico de tiempo-coordenada: Descompone simultáneamente las contribuciones por variable e intervalo de tiempo.

Crucialmente, los autores derivan una solución de forma cerrada para estas contribuciones que reduce la complejidad computacional de exponencial (relativa al número de componentes) a lineal, manteniendo al mismo tiempo las propiedades clave de los valores de Shapley (eficiencia, simetría, monotonicidad).

Contribuciones Clave

1. Marco Robusto para FDA Multivariante: El artículo introduce un marco integral para la estimación robusta de media y covarianza en datos funcionales multivariantes utilizando estimadores MMCD aplicados a coeficientes de base bajo un supuesto de covarianza separable.
2. Vínculo Teórico entre Distribuciones Funcionales y Matriciales: Establece rigurosamente que la separabilidad del operador de covarianza en un proceso funcional multivariante se traduce en una estructura separable específica en la distribución de la matriz de coeficientes aleatoria. Esto une la robustez funcional con la teoría de robustez matricial.
3. Detección Explicable de Valores Atípicos Eficiente: El trabajo generaliza los valores de Shapley a datos funcionales, proporcionando un método principiado para descomponer la anormalidad funcional multivariante en contribuciones específicas de tiempo y componente. La derivación de un algoritmo de complejidad lineal para estas descomposiciones es un avance computacional significativo.
4. Validación Empírica: El método se valida mediante simulaciones extensas y aplicaciones del mundo real, demostrando su efectividad en la detección de diversos tipos de valores atípicos (desplazamiento, forma, aislados, inducidos por covarianza) y su robustez incluso cuando el supuesto de separabilidad está mal especificado.

Resultados

Estudios de Simulación

Se realizaron simulaciones extensas comparando el método propuesto (distancia de Mahalanobis basada en MMCD) con métodos basados en profundidad de última generación (por ejemplo, fSDO, fAO, fDO), gráficos de magnitud-forma y bosques de aislamiento funcionales.

• Rendimiento: El enfoque basado en distancia robusta propuesto superó consistentemente a los métodos competidores en términos de puntuación F, AUC y recuperación, particularmente para valores atípicos de desplazamiento y forma.
• Robustez ante Malas Especificaciones: Incluso cuando los datos violaban el supuesto de separabilidad (procesos no separables), el método propuesto permaneció efectivo, a menudo superando a los estimadores de covarianza muestral no regularizados debido a una favorable compensación entre sesgo y varianza.
• Datos No Gaussianos: En configuraciones de colas pesadas (distribuciones t), el método robusto mantuvo una alta recuperación y AUC, aunque la precisión fue menor debido a la dificultad de distinguir las colas de la distribución de los verdaderos valores atípicos.
• Interpretabilidad: Los valores de Shapley identificaron con éxito las coordenadas específicas y los intervalos de tiempo responsables de los valores atípicos, superando a las medidas de desviación ingenuas y a las puntuaciones locales basadas en profundidad en escenarios de contaminación localizada.

Aplicaciones del Mundo Real

1. Oscilación Sur de El Niño (ENSO): Se analizaron datos de temperatura superficial del mar (SST) de cuatro regiones Niño. El enfoque multivariante identificó episodios de ENSO más extremos que el análisis univariante. La descomposición de Shapley reveló que los eventos de El Niño fueron impulsados por el calentamiento en Niño 3.4 y Niño 3, mientras que los eventos de La Niña fueron impulsados por el enfriamiento en Niño 4 y Niño 3.
2. Soldadura por Puntos de Resistencia: Aplicado a curvas de resistencia dinámica de la fabricación automotriz. El método logró un AUC de 0.95, superando a otros métodos, e identificó con éxito qué puntos de soldadura e intervalos de tiempo eran anómalos en casos de expulsión.
3. Tasas de Fertilidad: Se analizaron curvas de fertilidad específicas por edad para 22 países. El método robusto detectó valores atípicos enmascarados por estimadores clásicos (por ejemplo, EE. UU., Alemania) y proporcionó insights interpretables sobre los cambios en el momento de la fertilidad a través de diferentes grupos de edad y décadas.

Significado y Afirmaciones

El artículo afirma proporcionar un enfoque robusto e interpretable para analizar datos funcionales multivariantes con estructuras de covarianza separables. Su significado radica en:

• Ir más allá de la detección hacia la explicación: Al integrar valores de Shapley, el marco no solo señala anomalías, sino que las explica en términos de componentes y puntos temporales específicos, lo cual es crucial para expertos del dominio (por ejemplo, climatólogos, ingenieros de fabricación).
• Eficiencia Computacional: La reducción de la complejidad de los valores de Shapley de exponencial a lineal hace que el método sea escalable para datos funcionales de alta dimensión.
• Robustez: El uso de estimadores MMCD asegura que la detección y la interpretación no se vean sesgadas por los propios valores atípicos que buscan encontrar.
• Utilidad Práctica: Se demuestra que el marco es efectivo incluso cuando los supuestos del modelo (separabilidad, normalidad) no se cumplen perfectamente, lo que lo convierte en una herramienta viable para el análisis de datos del mundo real donde tales supuestos a menudo son aproximaciones.

Los autores concluyen que, aunque el supuesto de separabilidad simplifica la modelización, el estimador estructurado propuesto actúa como una aproximación robusta que a menudo produce diagnósticos más estables que los estimadores sin restricciones en tamaños de muestra moderados. Se sugiere trabajo futuro para extender estas técnicas de estimación robusta a estructuras de covarianza no separables.