Variance component score test for multivariate change point detection with applications to mobile health

Résumé technique : Test de score de composante de variance pour la détection de points de rupture multivariés

Énoncé du problème
La détection de points de rupture multivariés consiste à identifier des changements de distribution dans des données ordonnées dans le temps à travers de multiples caractéristiques. Cette tâche est particulièrement complexe dans les applications de santé mobile (mHealth) où le nombre de caractéristiques ($p$) est souvent supérieur ou comparable au nombre d'observations ($T$), et où la détection opportune de changements comportementaux est cruciale pour intervenir auprès des patients à risque (par exemple, ceux présentant une instabilité affective). Les méthodes existantes présentent des limites : le $T^2$ de Hotelling est conçu pour la détection d'anomalies hors ligne et manque de puissance pour les changements persistants et subtils ; les méthodes de somme cumulée (CUSUM) sont sensibles aux paramètres de réglage et perdent en puissance à mesure que le nombre de flux de données augmente ; et les méthodes de divergence d'échantillon sont coûteuses en calcul en raison des comparaisons par paires. De plus, les méthodes de détection en ligne standard souffrent souvent de biais lors de l'estimation des paramètres de distribution (moyenne et covariance) en utilisant des données qui contiennent déjà le point de rupture.

Méthodologie
Les auteurs proposent VC*, un test de score de composante de variance adapté à la détection de points de rupture multivariés. La méthode opère dans un cadre en ligne, évaluant les points de rupture potentiels en utilisant uniquement les données antérieures au point de rupture pour estimer les paramètres de distribution.

• Modèle statistique : Les données sont modélées comme un vecteur de caractéristiques $\mathbf{Y}_t$ où un point de rupture survient au jour $k$. Après le changement, les moyennes des caractéristiques dérivent par un vecteur $\boldsymbol{\beta}$ et la variance dérive par $\delta$. L'hypothèse nulle ($H_0$) postule l'absence de changement de moyenne ou de variance ($\boldsymbol{\beta}=\mathbf{0}, \delta=0$).
• Cadre de composante de variance : Les auteurs étendent le cadre du test de score de composante de variance, traditionnellement utilisé dans la modélisation à effets mixtes et les études d'association pangénomique (GWAS). Ils traitent le décalage de moyenne $\boldsymbol{\beta}$ comme un effet aléatoire distribué selon $\mathcal{N}(\mathbf{0}, \tau\mathbf{I}_p)$. Cela réduit le problème de test de $p+1$ paramètres à deux paramètres : $\tau$ (variance des décalages de moyenne) et $\delta$ (décalage de variance).
• Stratégie de réduction du biais : Une innovation méthodologique clé est l'estimation de la moyenne ($\boldsymbol{\mu}$) et des matrices de covariance ($\Sigma$) en utilisant uniquement les jours précédant le point de rupture. Les auteurs démontrent, via le Théorème 2.1, que l'utilisation de tous les jours disponibles (incluant les données post-changement) entraîne des estimateurs biaisés sous l'hypothèse alternative. Bien que l'utilisation de moins de jours augmente la variance de l'estimateur, les auteurs soutiennent que la réduction du biais produit une puissance de détection plus élevée, particulièrement dans les scénarios avec un petit $T$.
• Régularisation : Pour gérer les contextes de haute dimension où $p > T$, l'estimateur de covariance est régularisé à l'aide d'un paramètre de contraction (shrinkage) $\phi \in [0, 1]$. Cela mélange la matrice de corrélation de l'échantillon avec une matrice diagonale de variances, stabilisant l'estimation lorsque les données sont rares.
• Statistique de test : La statistique de test $Q_k$ est calculée pour les jours candidats $k$ au sein d'une fenêtre de recherche ($d_b$). La décision finale rejette l'hypothèse nulle si le maximum de $Q_k$ sur la fenêtre dépasse un seuil dérivé d'une distribution nulle empirique.

Contributions clés

1. Application novatrice : Il s'agit de la première application d'un test de score de composante de variance au contexte de la détection de points de rupture multivariés.
2. Estimation sensible au biais : Le papier introduit une stratégie pour estimer les paramètres en utilisant uniquement les données pré-changement afin d'éviter le biais, démontrant par simulation que ce compromis (variance plus élevée pour un biais moindre) améliore la puissance dans les petits échantillons.
3. Robustesse : La méthode est conçue pour détecter les changements de moyennes, de variances, ou les deux simultanément, ce qui la rend robuste aux différents types de décalages de distribution.

Résultats

• Études de simulation :
  • Comparaison de puissance : Dans des simulations avec $T \in \{30, 60, 90\}$ et $p=50$, VC* a démontré une puissance supérieure au $T^2$ de Hotelling, au CUSUM et à la divergence d'échantillon à travers divers scénarios (changement de moyenne seule, de variance seule, et changements conjoints).
  • Compromis Biais vs Variance : Les comparaisons entre VC* (estimation pré-changement) et un test VC traditionnel (estimation sur l'ensemble des données) ont montré que VC* surpasse systématiquement la méthode traditionnelle en présence de corrélations entre caractéristiques ($\alpha > 0$). Dans les contextes non corrélés, les performances étaient comparables ou légèrement inférieures pour de très petits $T$ dans les changements de variance seule, mais VC* restait supérieur dans les contextes corrélés.
• Application sur données réelles :
  • La méthode a été appliquée à des données de smartphones collectées passivement (GPS et mesures sociales) auprès de 41 adolescents et jeunes adultes présentant une instabilité affective.
  • VC* a détecté 99 points de rupture chez 31 sujets, soit nettement plus que les méthodes concurrentes (Hotelling's $T^2$ : 31 ; CUSUM : 32 ; Divergence d'échantillon : 33).
  • Corrélations cliniques : Le taux de points de rupture détectés par VC* présentait une corrélation positive marginalement significative avec la sous-échelle « efficacité du sommeil habituel » de l'indice de qualité du sommeil de Pittsburgh (PSQI) et une corrélation négative marginalement significative avec la sous-échelle « recherche de sensations » de l'échelle de recherche de sensations brève (BSS). Aucune différence significative dans les taux de points de rupture n'a été trouvée entre les patients avec ou sans diagnostic de trouble de la personnalité.

Signification et affirmations
Le papier affirme que VC* offre une approche statistiquement rigoureuse et puissante pour la détection de points de rupture multivariés en ligne, spécifiquement adaptée aux contraintes des données de santé mobile (haute dimensionnalité, petits échantillons de taille et nécessité d'intervention en temps réel). Les auteurs soulignent que la capacité de la méthode proposée à utiliser uniquement les données pré-changement pour éviter le biais est un avantage critique dans la surveillance séquentielle. Ils notent que bien que la méthode ait détecté plus de points de rupture que ses concurrentes dans l'application réelle, la vérité terrain demeure inconnue, et le nombre élevé de détections peut refléter l'utilisation d'un seuil de signification conventionnel de 0,05 appliqué séquentiellement. Les auteurs concluent que VC* est bien adapté aux contextes de mHealth où l'identification de déviations récentes par rapport au comportement de base est vitale pour une intervention clinique opportune, tout en reconnaissant les défis concernant le contrôle des faux positifs dans les tests séquentiels et la nécessité de disposer de suffisamment de données pré-changement pour assurer une estimation fiable des paramètres.