Resumen Técnico: Una Prueba de Independencia de Núcleo Martingala

1. Planteamiento del Problema

El artículo aborda los desafíos de calibración computacional y estadística inherentes a las pruebas de independencia basadas en núcleos, específicamente el Criterio de Independencia Hilbert-Schmidt (HSIC) y su extensión a la independencia conjunta, dHSIC.

Las implementaciones estándar de HSIC y dHSIC se basan en estadísticas V degeneradas. Bajo la hipótesis nula de independencia ($H_0$), las estadísticas reescaladas convergen a una suma ponderada de variables aleatorias $\chi^2$, donde los pesos dependen de la distribución conjunta desconocida de los datos. En consecuencia, la calibración práctica requiere pruebas de permutación para aproximar la distribución nula. Este proceso implica recalcular la estadística $B$ veces (típicamente $B \ge 200$), inflando el costo computacional por prueba de $O(n^2)$ a $O(B n^2)$, un factor de dos órdenes de magnitud.

Los autores buscan eliminar por completo el paso de permutación construyendo estadísticas con un límite nulo conocido y libre de distribución (normal estándar), reduciendo así el costo por prueba para que coincida con la complejidad cuadrática de la propia estadística V sesgada.

2. Metodología

El enfoque propuesto adapta la reciente construcción de MMD martingala para pruebas de dos muestras (Chatterjee y Ramdas [2025]) al contexto de independencia. La idea central es transformar el estimador cuadrático estándar en una suma de diferencias de martingala, la cual puede luego ser studentizada para converger a una distribución normal estándar mediante el Teorema del Límite Central (CLT) de martingala auto-normalizada.

2.1 La Estadística mHSIC (Independencia Bivariada)

Para probar la independencia entre dos variables $X$ e $Y$, los autores definen mHSIC.

• Construcción: La estadística es una suma triangular inferior studentizada del producto de Hadamard de dos matrices de Gram centradas empíricamente ($K_X$ y $K_Y$).
  $$\hat{T}^{\text{mHSIC}}_n = \frac{1}{n} \sum_{i=2}^n \frac{1}{i} \sum_{j=1}^{i-1} (HK_XH)_{ij} (HK_YH)_{ij}$$
• Studentización: La estadística se normaliza mediante su variación cuadrática empírica $\hat{\sigma}_n$.
• Base Teórica: Bajo $H_0$, el producto de núcleos $\bar{k}_X \bar{k}_Y$ (donde $\bar{k}$ denota núcleos centrados poblacionales) forma una secuencia de diferencias de martingala. Aunque la matriz de centrado empírico $H$ introduce un sesgo, los autores demuestran que este sesgo es $O_P(1/\sqrt{n})$ y asintóticamente despreciable tras la studentización.
• Propiedades: Bajo condiciones de momentos cuartos acotados, mHSIC converge a $\mathcal{N}(0, 1)$ independientemente de la ley de los datos. Es consistente frente a toda alternativa fija y mantiene un costo computacional de $O(n^2)$ sin división de muestras.

2.2 La Estadística mdHSIC (Independencia Conjunta)

Para probar la independencia conjunta entre $d$ variables ($X_1, \dots, X_d$), una extensión ingenua de mHSIC falla.

• El Fracaso del Producto Directo: Reemplazar el núcleo bivariado por un producto de $d$ núcleos centrados empíricamente resulta en un sesgo agregado de $O_P(d/\sqrt{n})$. Cuando el número de variables $d$ supera a $\sqrt{n}$, este sesgo domina la escala studentizada, rompiendo la calibración normal estándar.
• La Solución de Martingala Dividida (mdHSIC): Para resolver esto, los autores introducen una única división de media muestra:
  1. División: La muestra se divide en $S_1$ (primera mitad) y $S_2$ (segunda mitad).
  2. Centrado: Los embebimientos de la media y los núcleos centrados se estiman utilizando únicamente $S_1$.
  3. Ejecución de Martingala: La suma triangular inferior auto-normalizada de martingala se calcula utilizando los núcleos centrados en $S_1$ aplicados a pares dentro de $S_2$.
• Base Teórica: Esta construcción asegura que el residuo de la media condicional del producto de núcleos sea $O_P(m^{-d/2})$ (donde $m \approx n/2$). Este residuo es exponencialmente pequeño en $d$, haciéndolo despreciable para cualquier $d \ge 2$ fijo.
• Propiedades: mdHSIC converge a $\mathcal{N}(0, 1)$ para cualquier $d$ fijo bajo independencia conjunta. El costo por prueba es $O(d n^2)$, lineal en $d$, evitando el factor de permutación $B$.

3. Contribuciones Clave

1. mHSIC: Una estadística libre de permutaciones y libre de división de muestras para independencia bivariada que converge a una distribución normal estándar bajo la nula, igualando el costo $O(n^2)$ de la estadística V sesgada de HSIC.
2. mdHSIC: Una estadística libre de permutaciones para la independencia conjunta de $d$ variables. Corrige el sesgo de centrado empírico de las extensiones de producto directo mediante una única división de media muestra, asegurando normalidad asintótica para cualquier $d$ fijo con complejidad $O(d n^2)$.
3. Garantías Teóricas: Demostraciones de convergencia a $\mathcal{N}(0, 1)$ bajo la nula (Teoremas 3 y 6) y consistencia frente a alternativas fijas, basadas en el CLT de martingala auto-normalizada (Fan [2018]).
4. Validación Empírica: Demostración de que ambas estadísticas igualan las tasas de error Tipo I y la potencia de prueba de las líneas base calibradas por permutación, logrando al mismo tiempo aceleraciones significativas.

4. Resultados Experimentales

Los autores evaluaron los métodos en datos sintéticos con dimensiones y tamaños de muestra variables.

• Calibración (Error Tipo I):
  • mHSIC: En datos bivariados con dimensiones ambientales de hasta 500, la tasa de error Tipo I empírica en $\alpha=0.05$ se mantuvo ajustada alrededor del nivel nominal para $n$ suficientemente grande. Los autores notan una "maldición de la dimensión de muestra finita" donde la tasa de error se infla si $d_{\text{ambient}} \gtrsim n^{0.875}$ debido al sesgo de centrado residual.
  • mdHSIC: En tareas de independencia conjunta con $d \in \{2, \dots, 10\}$, la tasa de error Tipo I se mantuvo dentro de $[0.036, 0.066]$ a través de todos los tamaños de muestra y dimensiones probadas, confirmando la calibración libre de distribución.
• Potencia: Ambas estadísticas exhibieron aumentos monótonos de potencia con la fuerza de dependencia y el tamaño de muestra, igualando el rendimiento de las líneas base basadas en permutación.
• Eficiencia Computacional:
  • mHSIC y mdHSIC fueron 25 a 60 veces más rápidas que sus contrapartes calibradas por permutación (HSIC-perm y dHSIC-perm con $B=200$).
  • Para $n=16,000$, mHSIC tardó 0.042 segundos en comparación con 2.532 segundos para HSIC-perm.
  • La aceleración escala con $n$ porque el costo de permutación crece linealmente con $B$, mientras que el costo de martingala permanece constante por prueba.

5. Significado y Afirmaciones

El artículo afirma resolver el cuello de botella de calibración en las pruebas de independencia de núcleos. Al aprovechar estructuras de martingala, los autores eliminan la necesidad de remuestreo por permutación costoso, reduciendo la carga computacional en dos órdenes de magnitud mientras preservan la validez estadística.

• Libre de Permutaciones: El significado principal es la sustitución del paso de permutación $O(B n^2)$ por una única búsqueda de cuantil normal, haciendo que las pruebas sean factibles para conjuntos de datos a gran escala donde la permutación es prohibitiva.
• Robustez: Los métodos son libres de distribución; el límite nulo es normal estándar independientemente de la ley de datos subyacente, siempre que se cumplan condiciones de momentos suaves.
• Escalabilidad: La estadística mdHSIC aborda específicamente el problema de escalabilidad en las pruebas de independencia conjunta de alta dimensión, donde las extensiones ingenuas fallan debido al sesgo acumulativo.

Los autores posicionan su trabajo como una adaptación directa del paradigma de MMD martingala (Chatterjee y Ramdas [2025]) al problema de independencia, ofreciendo una alternativa práctica a los métodos existentes de división de muestras (como xHSIC) al retener la estructura triangular inferior que utiliza todos los pares disponibles en la segunda mitad de la muestra, mejorando así la potencia estadística en comparación con los enfoques de bloques cruzados rectangulares.