Logarithmic energy distances and Gini covariance for Hilbert-valued random elements

Resumen Técnico: Distancias de Energía Logarítmica y Covarianza de Gini para Elementos Aleatorios con Valores en un Espacio de Hilbert

Planteamiento del Problema
El artículo investiga el régimen de frontera de las distancias de energía generalizadas y las estadísticas de covarianza de Gini para elementos aleatorios que toman valores en un espacio de Hilbert real separable $H$. Estas estadísticas se definen tradicionalmente utilizando núcleos de distancia de potencia de la forma $(x, y) \mapsto \|x - y\|^\alpha$ para $\alpha \in (0, 2)$. Si bien estos métodos están bien establecidos para la inferencia no paramétrica y las pruebas de bondad de ajuste, el comportamiento de estas estadísticas a medida que el parámetro se aproxima al límite inferior, $\alpha \downarrow 0$, no había sido caracterizado completamente en entornos de dimensión infinita. Los autores pretenden determinar el objeto límite de esta familia de núcleos e investigar sus propiedades estadísticas, específicamente para los problemas de dos muestras y de $k$-muestras.

Metodología
El enfoque metodológico central se basa en la expansión elemental de la función de potencia cerca de cero: $\|x - y\|^\alpha = 1 + \alpha \log \|x - y\| + o(\alpha)$ cuando $\alpha \downarrow 0$. Al aplicar esta expansión a la definición de la distancia de energía generalizada $E_\alpha(X, Y)$, los autores demuestran que, tras cancelar los términos constantes y realizar una normalización adecuada (dividiendo por $\alpha$), la distancia converge a una distancia de energía logarítmica:
$$E_0(X, Y) = 2\mathbb{E}[\log \|X - Y\|] - \mathbb{E}[\log \|X - X'\|] - \mathbb{E}[\log \|Y - Y'\|],$$
donde $X'$ y $Y'$ son copias independientes de $X$ y $Y$.

Los autores extienden este concepto al problema de $k$-muestras mediante la definición de una covarianza de Gini logarítmica, $c_{\log}$, que sirve como una suma ponderada de las distancias de energía logarítmica por pares. El desarrollo teórico procede en varios pasos:

1. Caracterización: El artículo establece que $E_0(X, Y) = 0$ si y solo si las distribuciones de $X$ y $Y$ son idénticas. La prueba utiliza la fórmula de Frullani para representar la distancia logarítmica como una integral de las discrepancias máximas de medias (MMD) asociadas con núcleos gaussianos $k_z(x, y) = \exp(-z\|x - y\|^2)$. Esta representación aprovecha el teorema de Schoenberg y el hecho de que las medidas de probabilidad en un espacio de Hilbert separable están determinadas por sus marginales de dimensión finita.
2. Propiedades Estructurales: Se demuestra que la covarianza de Gini logarítmica es invariante bajo traslaciones comunes y cambios de escala, una propiedad que distingue al tipo de covarianza de Gini de núcleo de potencia estándar (que escala por $b^\alpha$).
3. Teoría Asintótica:
   • Bajo la Hipótesis Nula ($H_0$): Para un $k$ fijo, la covarianza de Gini logarítmica empírica es asintóticamente degenerada. Su distribución límite se deriva como una suma infinita ponderada de variables aleatorias chi-cuadrado centradas, donde los pesos son los autovalores de un operador integral asociado con el núcleo $K_0(x, y)$.
   • Bajo Alternativas: Cuando las distribuciones difieren, la estadística es no degenerada. El artículo demuestra la normalidad asintótica para la estadística empírica bajo alternativas fijas, estableciendo la consistencia.
4. Implementación: Debido a la dependencia de la distribución nula de los autovalores desconocidos, los autores proponen un procedimiento basado en permutaciones para calibrar la estadística de prueba.

Contribuciones Clave
El artículo realiza tres contribuciones primarias:

1. Introducción de Análogos Logarítmicos: Introduce formalmente las distancias de energía logarítmicas y la covarianza de Gini logarítmica como los objetos de frontera naturales de la familia de distancias de potencia cuando $\alpha \downarrow 0$.
2. Caracterización en Espacios de Hilbert: Demuestra que la distancia de energía logarítmica retiene la propiedad de caracterización fundamental ($E_0 = 0 \iff P=Q$) en espacios de Hilbert separables, vinculándola con las MMD de núcleo gaussiano, lo que extiende la aplicabilidad de las estadísticas de energía a datos funcionales sin requerir la modificación de la metodología.
3. Marco Asintótico y Práctico: Deriva las teorías asintóticas nula y de alternativa para la covarianza de Gini logarítmica empírica en un marco de $k$-fijo y proporciona una estrategia de implementación práctica basada en permutaciones.

Resultados
Los autores presentan resultados numéricos de un estudio de simulación y aplicaciones de datos reales:

• Simulación: El estudio compara las pruebas logarítmicas propuestas ($E_0$ y una variante $E_{\log}$) contra la prueba de distancia de energía estándar ($E_1$) y otro competidor. Los resultados indican que, si bien todas las pruebas mantienen el nivel de significancia nominal, los procedimientos logarítmicos exhiben un poder sustancialmente mayor contra las alternativas de escala y forma, particularmente aquellas que involucran cambios en la estructura de la covarianza, desviaciones de la normalidad o diferencias en la dispersión relativa. Las ganancias son más pronunciadas en entornos de dimensiones altas y de datos funcionales.
• Aplicaciones de Datos Reales:
  • Conjuntos de Datos Iris y Vino: Las pruebas rechazan con éxito la hipótesis nula de distribuciones iguales para los conjuntos de datos multivariantes Fisher Iris y Wine, consistentes con las diferencias conocidas en estas muestras.
  • Datos de Crecimiento de Berkeley: Aplicado a datos funcionales (curvas de crecimiento de niños y niñas), las pruebas logarítmicas detectan diferencias en intervalos de edad específicos ([1, 4), [13, 18), y [1, 18]) donde las funciones de media también difieren, mientras que fallan correctamente en rechazar la igualdad en el intervalo [4, 13) donde las funciones de media son similares.

Significancia y Reivindicaciones
El artículo afirma que el marco logarítmico revela un "nuevo fenómeno de frontera" dentro de la familia de las estadísticas de tipo energía. Su significancia radica en:

• Análisis de Datos Funcionales: La formulación en el espacio de Hilbert permite el tratamiento directo de datos funcionales, evitando la necesidad de reducción de dimensionalidad o modificaciones específicas de la metodología.
• Sensibilidad a la Estructura Geométrica: A diferencia de los núcleos de energía ordinarios que enfatizan la separación global, el núcleo logarítmico se describe como más sensible a la estructura geométrica relativa y a las interacciones locales. Esto proporciona una herramienta complementaria a las estadísticas de energía existentes, particularmente para detectar alternativas de no-localización.
• Conexión con Métodos de Núcleo: La derivación establece un vínculo teórico entre las distancias de energía logarítmicas y las discrepancias máximas de medias de núcleo gaussiano, uniendo diferentes áreas de la inferencia no paramétrica.

Los autores concluyen modestamente, señalando que este trabajo abre varias vías para la investigación futura, incluyendo extensiones a espacios de Banach generales, regímenes asintóticos de alta dimensión ($d_N \gg N$), y procedimientos adaptativos que combinen múltiples valores de $\alpha$.