📊 statistics

Statistical description and dimension reduction of continuous time categorical trajectories with multivariate functional principal components

Cet article propose un cadre d'analyse en composantes principales fonctionnelles multivariées qui transforme des trajectoires catégorielles en fonctions indicatrices binaires au sein d'un espace de Hilbert, permettant une réduction de dimension cohérente et une comparaison statistique de trajectoires constantes par morceaux sous des hypothèses de régularité faibles, comme démontré sur des données de perception sensorielle.

Auteurs originaux : Hervé Cardot, Caroline Peltier

Publié 2026-05-05

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Hervé Cardot, Caroline Peltier

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous observez un groupe de personnes goûtant différents aliments. Toutes les quelques secondes, elles doivent crier à haute voix la saveur qu'elles ressentent le plus fortement : « Sucré ! », « Acide ! », « Amer ! » ou « Salé ! ». Au cours d'une minute, chaque personne crée une chronologie unique et sinueuse de saveurs.

Dans le monde des statistiques, analyser ces chronologies est délicat. Les méthodes traditionnelles supposent généralement que les données sont lisses et continues (comme une rivière qui coule). Mais ces chronologies de saveurs ressemblent davantage à une série de sauts soudains (comme un interrupteur qui s'allume et s'éteint). Si vous essayez de forcer ces données « sautillantes » dans des modèles lisses, vous perdez des détails importants.

Cet article présente une nouvelle et ingénieuse méthode pour cartographier et comparer ces chronologies de saveurs sinueuses sans perdre aucune information. Voici le détail de leur approche à l'aide d'analogies simples :

1. Le Problème : La Chronologie « Sinueuse »

Habituellement, les statisticiens examinent la « saveur moyenne » à chaque seconde donnée. Si 50 personnes goûtent un citron, la moyenne pourrait indiquer « Citron » à la seconde 1, « Acide » à la seconde 2, et « Sucré » à la seconde 3.

Le Défaut : Cette moyenne cache les histoires individuelles. Elle ne vous dit pas qui est passé au « Sucré » tôt ou qui a continué à goûter « Acide » tard. Elle éprouve également des difficultés si les personnes peuvent goûter deux choses à la fois (comme « Sucré » et « Salé » ensemble), ce qui se produit dans certaines expériences.

2. La Solution : L'Astuce de l'« Interrupteur »

Les auteurs proposent une astuce simple mais puissante : au lieu d'essayer d'analyser directement la « saveur » complexe, ils transforment chaque saveur possible en son propre interrupteur binaire.

Imaginez un panneau de contrôle avec 8 interrupteurs, un pour chaque saveur (Citron, Sucré, Acide, etc.).
Pour une personne spécifique à une seconde donnée, l'interrupteur « Citron » est soit ALLUMÉ (1), soit ÉTEINT (0).
Si la personne goûte le Citron, l'interrupteur Citron est ALLUMÉ, et tous les autres sont ÉTEINTS (dans l'expérience standard).
En faisant cela, ils transforment une chronologie complexe et sinueuse en un ensemble d'histoires binaires simples, allumées/éteintes.

3. La Carte : Trouver les « Thèmes Principaux »

Maintenant qu'ils ont ces histoires allumées/éteintes, ils utilisent une technique appelée Analyse en Composantes Principales Fonctionnelles Multivariées (MFPCA).

L'Analogie : Imaginez cela comme trouver les « thèmes principaux » d'une chanson. Si vous avez 150 enregistrements différents de personnes goûtant de la nourriture, la MFPCA demande : « Quelles sont les façons les plus courantes dont ces chronologies varient ? »
Le Résultat : Ils trouvent quelques « motifs maîtres » (appelés Composantes Principales) qui expliquent la plupart des différences entre les personnes.
- Le Motif 1 pourrait représenter la différence entre les personnes qui goûtent « Citron » en premier et celles qui goûtent « Sucré » en premier.
- Le Motif 2 pourrait représenter la différence entre ceux qui goûtent « Salé » à la fin et ceux qui ne le font pas.

4. Pourquoi C'est Mieux que les Anciennes Méthodes

L'article compare leur nouvelle méthode « Interrupteur » à une ancienne méthode appelée « Analyse de Correspondance en Temps Continu » (qui revient à essayer de cartographier les saveurs en utilisant une grille complexe et multidimensionnelle).

La Faiblesse de l'Ancienne Méthode : Elle éprouve des difficultés lorsqu'une saveur n'est jamais choisie par personne à un moment précis. C'est comme essayer de dessiner une carte d'une ville où certaines rues n'existent pas ; les mathématiques s'effondrent et la carte présente des trous. Elle utilise également une mathématique « multiplicative » (multiplier des nombres entre eux) qui est difficile à interpréter.
La Force de la Nouvelle Méthode : Elle utilise une mathématique « additive » (additionner des nombres). Elle gère parfaitement les « trous » (les moments où personne ne choisit une saveur). Elle traite les données comme une collection d'interrupteurs simples allumés/éteints, ce qui la rend robuste même lorsque les données sont désordonnées ou lorsque les personnes goûtent plusieurs choses à la fois.

5. Le Test Réel : L'Épreuve du Goût

Les auteurs ont testé cela sur un véritable ensemble de données de 150 personnes goûtant trois stimuli liquides contrôlés différents (S04, S06, S07).

Le Résultat : Leur nouvelle méthode a réussi à regrouper les personnes en trois clusters distincts qui correspondaient parfaitement aux trois liquides différents qu'elles avaient goûtés.
L'Interprétation : Ils pouvaient examiner les « Motifs » et dire : « Ah, les personnes du Groupe A ont goûté le Citron tôt et le Sucré tard », ce qui correspondait à la recette réelle du liquide qu'elles avaient bu. L'ancienne méthode pouvait aussi séparer les groupes, mais il était beaucoup plus difficile d'expliquer pourquoi ils étaient différents, et elle était confuse face aux saveurs que personne n'avait goûtées (comme la « Menthe » dans ce test spécifique).

Résumé

En bref, cet article dit : « N'essayez pas de lisser les sauts sinueux dans les données catégorielles. Au lieu de cela, transformez chaque catégorie en un simple interrupteur allumé/éteint, puis cherchez les motifs principaux dans la façon dont ces interrupteurs basculent. »

Cela permet aux statisticiens de :

Conserver toutes les informations originales (aucune donnée n'est perdue).
Gérer les cas où les personnes goûtent plusieurs choses à la fois.
Interpréter facilement les résultats en voyant quelles saveurs montent et descendent ensemble.
Réduire une masse énorme de données chronologiques complexes en quelques « scores » simples et compréhensibles qui racontent toute l'histoire.

Résumé technique : Description statistique et réduction de dimension de trajectoires catégorielles en temps continu

1. Énoncé du problème

L'article aborde le défi consistant à décrire et à comparer statistiquement des ensembles de trajectoires catégorielles en temps continu. Alors que l'analyse de données fonctionnelles (FDA) a largement développé des outils pour des trajectoires aléatoires prenant des valeurs dans $\mathbb{R}$ , moins d'attention a été portée aux trajectoires prenant des valeurs dans un ensemble fini d'états non numériques $S = \{S_1, \dots, S_q\}$ .

Les approches existantes rencontrent des limitations spécifiques :

Analyse de données fonctionnelles catégorielles (CFDA) : Basée sur l'analyse factorielle des correspondances en temps continu (Deville, 1982), cette méthode encode les trajectoires en composantes réelles. Cependant, l'interprétation des trajectoires individuelles est souvent délicate, et la méthode peine avec les états ayant une probabilité nulle d'occurrence à certains moments.
Processus de Markov/Semi-Markov : Ces modèles décrivent la loi des trajectoires au niveau de la population mais sont souvent trop simplistes pour une analyse au niveau individuel. De plus, ils peinent dans les cadres où plusieurs états peuvent être observés simultanément (par exemple, le Temporal Check-All-That-Apply ou TCATA), car cela nécessite une augmentation exponentielle du nombre d'états du système ( $2^q$ ).

Les auteurs visent à fournir un outil pour une représentation et une comparaison simples des trajectoires catégorielles sans perte d'information, en accommodant spécifiquement les scénarios où les trajectoires sont constantes par morceaux avec des sauts finis et où plusieurs états peuvent co-occurrence.

2. Méthodologie

L'approche proposée transforme le problème de la description statistique des trajectoires catégorielles en une Analyse en Composantes Principales Fonctionnelles Multivariées (MFPCA).

Cadre mathématique :

Transformation en indicateurs binaires : Au lieu d'analyser directement le processus catégoriel $Y(t)$ , les auteurs associent chaque état $S_j$ à une fonction indicatrice aléatoire binaire $X_j(t) = \mathbb{1}_{\{Y(t) \ni S_j\}}$ . Cela crée un vecteur fonctionnel multivarié $X(t) = (X_1(t), \dots, X_q(t))$ prenant des valeurs dans $\{0, 1\}^q$ .
Espace fonctionnel : Les trajectoires sont modélisées comme des éléments aléatoires dans l'espace de Hilbert $H = L^2([0, T], \mathbb{R}^q)$ . Les auteurs établissent que, sous l'hypothèse faible que les trajectoires sont continues en probabilité (Hypothèse H1) et appartiennent à l'espace des fonctions continues à droite admettant des limites à gauche ( $D([0, T], \mathbb{R}^q)$ ), ces processus sont mesurables conjointement et possèdent des opérateurs de moyenne et de covariance bien définis.
Décomposition additive : Contrairement à la CFDA, qui utilise une décomposition multiplicative des probabilités conjointes, cette méthode repose sur une décomposition additive de la structure de covariance. L'opérateur de covariance $\Gamma$ est défini via le noyau $\gamma(s, t)$ , où les termes hors diagonale représentent les écarts à l'indépendance.
Réduction de dimension : La méthode effectue une MFPCA sur le vecteur $X$ . Le développement de Karhunen-Loève permet la représentation du processus centré $X - p$ (où $p$ est la trajectoire moyenne) dans un sous-espace de basse dimension engendré par les fonctions propres $\phi_r$ .

Estimation :

Consistance : L'article fournit des résultats de consistance pour la moyenne empirique $\hat{p}$ et l'opérateur de covariance empirique $\hat{\Gamma}$ sous des hypothèses de régularité faibles.
Observation discrète : Les auteurs notent que, bien que les trajectoires puissent être observées de manière exhaustive dans des expériences contrôlées, des estimateurs consistants peuvent également être obtenus à partir d'une grille suffisamment dense de points de discrétisation en utilisant un lissage non paramétrique (lisseurs linéaires locaux), atteignant des taux de convergence paramétriques jusqu'à un facteur logarithmique.

3. Contributions clés

Cadre unifié : L'approche englobe à la fois la Dominance Temporelle des Sensations (TDS) (où exactement un état est actif à tout moment) et le TCATA (où plusieurs états peuvent être actifs simultanément) sans nécessiter une explosion de la dimension de l'espace d'états.
Rigueur théorique : L'article fournit une justification mathématique rigoureuse pour traiter les trajectoires catégorielles discontinues et constantes par morceaux comme des éléments aléatoires dans un espace de Hilbert de fonctions de carré intégrable, établissant la continuité des fonctions de moyenne et de covariance sous l'hypothèse de continuité en probabilité.
Interprétabilité : Les composantes principales résultantes s'avèrent facilement interprétables comme des variations autour des courbes de probabilité moyennes pour chaque état. La méthode permet d'identifier des motifs dominants dans les trajectoires individuelles.
Robustesse aux probabilités nulles : En utilisant une décomposition additive de la covariance plutôt que l'approche multiplicative de l'analyse factorielle des correspondances, la méthode évite le problème de fonctions d'encodage non définies lorsqu'un état a une probabilité nulle d'occurrence à des points temporels spécifiques.

4. Résultats

La méthodologie a été illustrée à l'aide d'un ensemble de données de 150 expériences de perception sensorielle impliquant 50 panélistes goûtant trois stimuli différents contrôlés par un gustomètre (S04, S06, S07) avec $q=8$ états de sensation possibles.

Réduction de dimension : Les deux premières composantes principales ont capturé 34 % de la variance totale (23 % et 11 % respectivement). Les valeurs propres diminuaient lentement, reflétant la nature discontinue des trajectoires.
Différenciation des stimuli :
- PC1 distinguait efficacement le stimulus S04 (caractérisé par une forte probabilité de Citron au début et de Sucré à la fin) du stimulus S06 (caractérisé par le motif inverse).
- PC2 distinguait le stimulus S07 (Acide $\to$ Sucré $\to$ Salé) des autres.
Comparaison avec la CFDA :
- Les scores de la MFPCA montraient une forte corrélation linéaire (0,93) avec la première dimension des scores de la CFDA, séparant avec succès les groupes de stimuli.
- Cependant, la MFPCA offrait une interprétation plus directe en termes de probabilité d'occurrence.
- La CFDA peinait avec le descripteur « Menthe » (un leurre), car les fonctions d'encodage étaient non définies lorsque la proportion d'occurrence était nulle. En revanche, la MFPCA gérait naturellement ces intervalles de probabilité nulle.
- La deuxième dimension en CFDA capturait principalement des valeurs aberrantes (événements rares comme le leurre Menthe), tandis que la deuxième dimension en MFPCA séparait avec succès le signal S07 des autres.

5. Importance et affirmations

Les auteurs affirment que cette approche fournit un outil puissant pour la réduction de dimension de données fonctionnelles catégorielles, à la fois statistiquement consistant et interprétable.

Analyse au niveau individuel : Contrairement aux approches basées sur Markov qui se concentrent sur les lois au niveau de la population, cette méthode facilite l'analyse et la comparaison des trajectoires individuelles.
Gestion des états simultanés : La méthode gère naturellement des cadres expérimentaux comme le TCATA où plusieurs états co-occurrent, un scénario difficile à modéliser avec des approches standard de Markov ou d'analyse factorielle des correspondances sans augmenter drastiquement la complexité.
Utilité prédictive : La représentation en dimension réduite (scores de composantes principales) peut servir de variables explicatives pour des modèles prédictifs, tels que la régression scalaire sur données fonctionnelles catégorielles. Les auteurs ont démontré qu'une analyse discriminante simple basée sur ces scores pouvait prédire avec précision l'expérience de dégustation sous-jacente (S04, S06 ou S07).
Généralité : Le cadre est présenté comme une extension des travaux précédents (Cardot et Peltier, 2025), offrant une description mathématique plus détaillée et des estimateurs consistants sous des hypothèses faibles, applicable à tout processus catégoriel en temps continu avec des sauts finis.