Bias-Corrected Multiplier Bootstrap Inference for Spectral Edges of Large Covariance Matrices

Resumen Técnico: Inferencia de Bootstrap de Multiplicador con Corrección de Sesgo para Bordes Espectrales de Matrices de Covarianza Grandes

1. Planteamiento del Problema
El artículo aborda el problema fundamental de la inferencia estadística para los bordes espectrales de matrices de covarianza grandes en entornos de alta dimensión. Específicamente, el objetivo es construir intervalos de confianza válidos para el borde derecho determinista ($E$) del espectro masivo (bulk) de una matriz de covarianza muestral.

Una dificultad primordial en este dominio es que los mayores autovalores no con picos (non-spiked) fluctúan en la escala de Tracy–Widom ($n^{-2/3}$). Aunque la teoría asintótica para estas fluctuaciones está bien establecida (p. ej., Johnstone, 2001; El Karoui, 2007), la inferencia válida requiere un centrado preciso por el borde determinista y una constante de escala precisa. Bajo estructuras de covarianza poblacional generales y desconocidas, la estimación de estas cantidades de centrado y escala es a menudo intratable en la práctica. En consecuencia, la inferencia directa basada en la ley de Tracy–Widom es teóricamente delicada y prácticamente inconveniente. Además, determinar el número de "picos" (autovalores separados del bulk) suele depender de reglas de testificación secuencial o de umbrales que pueden requerir que los picos sean distintos o muy grandes.

2. Metodología
Los autores proponen un procedimiento de bootstrap de multiplicador con corrección de sesgo para inferir el borde espectral determinista $E$. El método difiere de los enfoques de bootstrap estándar al alterar intencionalmente la escala de fluctuación para facilitar la aproximación Gaussiana.

• Perturbación por Multiplicador: El procedimiento construye una matriz de covarianza de bootstrap de multiplicador $Q_{MB}$ perturbando los vectores muestrales originales $y_i$ con multiplicadores independientes $\xi_i^2$.
  • Los multiplicadores se eligen de tal manera que su varianza es del orden de $n^{-1/3+\delta}$ (donde $\delta > 0$). Esta varianza es asintóticamente mayor que la escala de fluctuación nativa de Tracy–Widom ($n^{-2/6}$) pero lo suficientemente pequeña como para preservar la estructura espectral subyacente.
  • Esta perturbación "regulariza" la fluctuación del borde, ampliando la escala hacia un régimen donde la distribución de los mayores autovalores no con picos del bootstrap es asintóticamente Gaussiana (condicional a los datos), en lugar de Tracy–Widom.
• Corrección de Sesgo: Una novedad crítica es que la perturbación del multiplicador desplaza el propio borde determinista de $E$ a un borde perturbado $E_{MB}$. Esto introduce un sesgo sistemático. Los autores proponen un paso de recentrado basado en datos para corregir esto:
  • Estiman el sesgo $\Delta_{r_0}$ como la diferencia entre el autovalor muestral observado $\mu_{r_0}$ y la media de los autovalores del bootstrap $\bar{\lambda}_{r_0}$.
  • Este término de corrección alinea la distribución del bootstrap con el estadístico muestral original.
• Inferencia y Estimación:
  • Se construye un intervalo de confianza para $E$ directamente a partir de los autovalores del bootstrap utilizando el centro corregido y la desviación estándar estimada del bootstrap.
  • Este intervalo sirve como un estimador libre de umbral para el número de picos ($\hat{r}$). El estimador cuenta el número de autovalores muestrales que exceden el límite superior del intervalo de confianza para el borde del bulk.
• Calibración: El parámetro de ajuste $N$ (que controla la varianza del multiplicador) se selecciona mediante un procedimiento de calibración basado en un modelo de referencia Gaussiano (matriz de Wishart), aprovechando el principio de universalidad de la teoría de matrices aleatorias. Esto produce una elección dependiente únicamente del par de dimensiones $(p, n)$, independiente de los datos.

3. Principales Contribuciones Teóricas
El artículo establece los siguientes resultados teóricos bajo supuestos estándar de alta dimensión (número de picos fijo, autovalores acotados y condiciones específicas de separación):

• Normalidad Asintótica: El Teorema 3.1 demuestra que, tras la corrección de sesgo y el reescalado, los primeros autovalores no con picos del bootstrap son asintóticamente Gaussianos condicionales a los datos. Esto reemplaza el difícil de usar límite de Tracy–Widom por un límite Gaussiano tratable a una escala ligeramente ampliada ($n^{-2/3+\delta/2}$).
• Validez de los Intervalos de Confianza: El Teorema 3.2 establece la validez asintótica del intervalo de confianza propuesto.
  • Bajo la hipótesis nula (donde el autovalor candidato pertenece al bulk), el intervalo alcanza la probabilidad de cobertura nominal.
  • Bajo la hipótesis alternativa (donde un pico adicional se separa del bulk), la probabilidad de cobertura desaparece, siempre que la separación del pico sea mayor que $n^{-1/6}$ (hasta factores polinómicos).
• Detección y Estimación de Picos: El artículo demuestra que el mismo intervalo de confianza proporciona un estimador consistente para el número de picos sin requerir testificación secuencial. Se demuestra que el procedimiento es consistente incluso para picos degenerados, siempre que se separen del bulk al nivel de escala especificado.

4. Resultados Empíricos
Las simulaciones numéricas y los análisis de datos reales respaldan los hallazgos teóricos:

• Precisión en Muestras Finitas: Los intervalos de confianza propuestos alcanzan probabilidades de cobertura empíricas cercanas a los niveles nominales (0.90 y 0.95) a través de varias estructuras de covarianza (homogénea, uniforme y de dos masas de bulk) y pares de dimensiones.
• Potencia: El procedimiento exhibe una alta potencia para detectar picos a medida que se separan del bulk, con una potencia que aumenta constantemente a medida que aumenta el parámetro de separación.
• Comparación: En la estimación del número de picos, el método propuesto supera a varios enfoques existentes (incluyendo BN2002, Onat2009, PY2014 y DY2022), particularmente en entornos desafiantes con picos débiles o espectros de bulk heterogéneos. Identifica el número correcto de picos a niveles de separación más pequeños que sus competidores.
• Datos Reales: Aplicado a los datos de expresión génica GEUVADIS y a los datos de genotipo EUR del Proyecto 1000 Genomas, el método estimó correctamente el número de subestructuras poblacionales (picos) como 4, alineándose con las referencias basadas en etiquetas. Fue el único método entre los comparados que logró esta precisión en el conjunto de datos de genotipo EUR, que es más desafiante.

5. Significación y Reivindicaciones
Los autores afirman que este trabajo proporciona un marco práctico, totalmente basado en datos y teóricamente justificado para la inferencia del borde espectral que evita la estimación directa de las constantes de centrado y escala de Tracy–Widom.

Las reivindicaciones clave sobre la significación del método incluyen:

• Tractabilidad: Al desplazar la escala de fluctuación a un régimen Gaussiano, el método elude las dificultades computacionales y teóricas asociadas con la inferencia de Tracy–Widom bajo estructuras de covarianza generales.
• Robustez: El procedimiento no requiere que los picos sean distintos o muy grandes; sigue siendo efectivo para picos débiles y casos degenerados donde la separación excede el umbral de $n^{-1/6}$.
• Unificación: Unifica tres tareas estadísticas —la construcción de intervalos de confianza para el borde espectral, la testificación de hipótesis para la presencia de picos y la estimación del número de picos— en un único procedimiento coherente.
• Practicidad: La calibración del parámetro del multiplicador es independiente de los datos (basada en la dimensión), lo que hace que el método sea fácil de implementar sin necesidad de un ajuste iterativo sobre el espectro observado.

El artículo posiciona este enfoque como una mejora significativa respecto a los métodos de remuestreo existentes, que a menudo luchan con la sensibilidad de los autovalores del borde respecto a la ubicación del borde determinista o requieren supuestos estrictos sobre la magnitud de los picos.