Projection Diagnostics for Directional Asymmetry and Tail-Ratio Departure in Multivariate Data

Resumen Técnico: Diagnóstico de Proyección para la Asimetría Direccional y la Desviación de la Relación de Colas en Datos Multivariantes

Planteamiento del Problema
Los métodos existentes para evaluar la no normalidad multivariante, como la asimetría (skewness) y la curtosis basadas en momentos de Mardia o las pruebas ómnibus (por ejemplo, Henze–Zirkler, Doornik–Hansen, distancia de energía), enfrentan dos limitaciones primarias. Primero, suelen confundir diferentes fuentes de no gaussianidad; un rechazo de la normalidad no distingue si la desviación es impulsada por asimetría direccional (asimetría), inflación de colas (colas pesadas) o una combinación de ambas. Segundo, los enfoques basados en momentos dependen de terceros y cuartos momentos, los cuales pueden ser inestables o no estar definidos en entornos de colas pesadas, y son sensibles a los efectos de muestras finitas en alta dimensión. Además, los competidores basados en proyecciones, como la prueba de Malkovich–Afifi, aunque abordan la direccionalidad, siguen siendo basados en momentos y computacionalmente intensivos. Los autores proponen la necesidad de un marco de diagnóstico que separe la asimetría direccional de la desviación de la relación de colas utilizando medidas robustas basadas en cuantiles para guiar las decisiones de modelado subsecuentes (por ejemplo, la selección entre modelos simétricos, asimétricos, con desviación de colas o combinados).

Metodología
El procedimiento propuesto reduce el problema del diagnóstico multivariante a una colección de proyecciones unidimensionales. Sean $X_1, \dots, X_n$ observaciones de $p$ dimensiones. El método opera sobre proyecciones centradas $Y_i(u) = u^\top(X_i - \hat{\theta})$ a lo largo de un conjunto de direcciones $U_m = \{u_1, \dots, u_m\}$ muestreadas de la esfera unitaria $S^{p-1}$. El conjunto de direcciones combina direcciones aleatorias (muestreadas uniformemente) y direcciones de coordenadas para asegurar una cobertura amplia y sensibilidad a desviaciones dispersas o marginales.

Se computan dos resúmenes basados en cuantiles sobre las direcciones buscadas:

1. Asimetría Direccional ($\hat{S}U_{m, A_S}$): Una medida de asimetría evaluada sobre un conjunto finito de niveles de cuantiles $A_S \subset (0, 0.5)$. Los autores utilizan un estadístico de tipo Bowley y asimetría de cuantiles generalizada:
   $$\hat{\gamma}_a(u) = \frac{\hat{Q}_{1-a}(u) + \hat{Q}_a(u) - 2\hat{Q}_{0.50}(u)}{\hat{Q}_{1-a}(u) - \hat{Q}_a(u)}$$
   El estadístico de resumen es el valor absoluto máximo sobre las direcciones y los niveles de cuantiles: $\hat{S}U_{m, A_S} = \max_{u \in U_m} \max_{a \in A_S} |\hat{\gamma}_a(u)|$.

2. Relación de Cola Direccional ($\hat{T}U_m$): Una medida del grosor de la cola relativo a un punto de referencia (por ejemplo, Gaussiano). Compara el ancho de un intervalo central externo con el rango intercuartílico:
   $$\hat{\tau}_q(u) = \frac{\hat{Q}_{1-q}(u) - \hat{Q}_q(u)}{\hat{Q}_{0.75}(u) - \hat{Q}_{0.25}(u)}$$
   El resumen es la desviación máxima de un valor de referencia $\tau^0_q$: $\hat{T}U_m = \max_{u \in U_m} |\hat{\tau}_q(u) - \tau^0_q|$.

Calibración y Clasificación
Para dar cuenta de la dimensionalidad y el número de direcciones buscadas, los estadísticos brutos se calibran mediante simulación bajo un modelo de referencia (típicamente Gaussiano, aunque se discute la calibración elíptica). Esto produce valores $p$ para la asimetría ($p_S$) y la desviación de la cola ($p_T$). Estas dos dimensiones definen una clasificación de cuatro regímenes:

• Referencia Simétrica-Cola: Sin asimetría significativa ni desviación de la cola.
• Simétrica con Desviación de Cola: Desviación de la cola significativa pero sin asimetría.
• Asimétrica de Referencia-Cola: Asimetría significativa pero sin desviación de la cola.
• Asimétrica con Desviación de Cola: Asimetría significativa y desviación de la cola.

Resultados Teóricos
El artículo establece varias propiedades teóricas:

• Separación de la Población: Bajo simetría central, la asimetría direccional desaparece en todas las direcciones. Bajo elipticidad, la relación de cola libre de escala es constante en todas las direcciones no degeneradas.
• Detectabilidad: Los teoremas demuestran que un conjunto finito de direcciones aleatorias puede detectar desviaciones localizadas si la señal persiste en un vecindario esférico, siendo la probabilidad de detección controlada por el número de proyecciones y la masa del casquete esférico.
• Control de Muestra Finita: Se derivan límites uniformes para los diagnósticos de cuantiles empíricos sobre las direcciones buscadas, mostrando una convergencia a una tasa de $\sqrt{\log(m)/n}$. Crucialmente, estos límites no requieren la existencia de terceros o cuartos momentos.
• Consistencia: Se muestra que un clasificador de umbral basado en los dos resúmenes es consistente bajo regímenes separados (donde los estadísticos de la población están alejados de cero).
• Alternativas Dispersas: Un análisis de rango uno ilustra que, si bien las direcciones aleatorias proporcionan una cobertura amplia, pueden ser ineficientes para señales dispersas. Aumentar con direcciones de coordenadas asegura la sensibilidad a desviaciones asimétricas alineadas con las coordenadas.

Resultados de Simulación
Experimentos de Monte Carlo evalúan el método a través de distribuciones Gaussianas, Student-$t$, skew-normal, skew-$t$ y normales contaminadas.

• Separación: El componente de asimetría rechaza correctamente los modelos skew-normal y skew-$t$ mientras mantiene el tamaño nominal para modelos simétricos (incluyendo modelos de colas pesadas como Student-$t$ y normales contaminadas). Por el contrario, el componente de cola rechaza Student-$t$, skew-$t$ y normales contaminadas mientras permanece estable para datos Gaussianos y skew-normal.
• Dimensionalidad: En entornos de asimetría densa, el poder disminuye en altas dimensiones con muestras pequeñas debido a la dificultad de alinear las proyecciones aleatorias con la señal. Sin embargo, incluir direcciones de coordenadas mejora significativamente el poder para la asimetría dispersa.
• Comparación: El método propuesto exhibe un comportamiento de rechazo comparable a las pruebas ómnibus estándar (Mardia, Henze–Zirkler, etc.), pero ofrece una interpretabilidad superior al descomponer la fuente de la no normalidad. También es computacionalmente más eficiente que las pruebas de curtosis de búsqueda de proyecciones.

Aplicación a Datos Reales
El método se aplica a datos multivariantes de calidad del aire (10 contaminantes) de cinco ciudades de la India.

• Hallazgos: El análisis de la muestra completa clasifica a todas las ciudades como "asimétricas con desviación de cola", lo que sugiere la necesidad de modelos de colas pesadas asimétricos (por ejemplo, skew-$t$).
• Dinámicas Temporales: Un análisis de subperíodos revela un cambio. Los datos previos a 2020 para algunas ciudades (Mumbai, Kolkata, Bangalore) fueron clasificados como "asimétricos de referencia" (asimétricos pero no de colas pesadas), mientras que los datos posteriores a 2020 para todas las ciudades cambiaron a "asimétricos con desviación de cola". Esto resalta la capacidad del diagnóstico para guiar elecciones de modelado específicas (por ejemplo, si las colas pesadas son necesarias) que las pruebas ómnibus simplemente pasarían por alto.

Significancia y Reivindicaciones
Los autores posicionan este trabajo no como un dominio uniforme en el poder de rechazo bruto sobre las pruebas existentes, sino como un diagnóstico robusto e interpretable de descomposición. La contribución primaria es la separación de la no gaussianidad multivariante en dos componentes distintos e interpretables: la asimetría direccional y la desviación de la relación de cola. Al utilizar funcionales basados en cuantiles, el método evita la inestabilidad de los momentos de orden superior en entornos de colas pesadas. El marco está diseñado como una herramienta de cribado para informar la elección de los modelos paramétricos subsecuentes (simétricos vs. asimétricos, de colas ligeras vs. pesadas), abordando un vacío dejado por las pruebas de normalidad ómnibus que simplemente rechazan la hipótesis nula sin caracterizar la naturaleza de la desviación. El artículo concluye señalando las limitaciones respecto a la dependencia temporal y el potencial para futuras extensiones que involucren direcciones adaptativas a los datos (PCA/ICA) y datos funcionales.