Depth-Based Vector Median Absolute Deviation Moments for Robust Multivariate Shape Analysis

Cet article propose une nouvelle méthode d'analyse de forme multivariée robuste basée sur les moments de déviation absolue médiane vectorielle (VMedAD), qui remplace les moments classiques sensibles aux valeurs aberrantes par des contrastes centrés sur la profondeur des données pour garantir l'équivariance affine et une interprétation géométrique améliorée.

L'essentiel

🌟 Le Titre : "Comment mesurer la forme d'un nuage de points sans se faire piéger par les extrêmes"

Imaginez que vous êtes un chef d'orchestre devant un groupe de musiciens (vos données). Votre but est de comprendre la forme de votre orchestre : est-il symétrique ? Est-ce que quelques musiciens jouent trop fort ? Est-ce que l'ensemble est déséquilibré ?

Jusqu'à présent, les statisticiens utilisaient une méthode classique (appelée "moments de Mardia") pour analyser ces formes. C'est comme si vous calculiez la moyenne de la hauteur de chaque musicien et la moyenne de leur volume sonore.

Le problème ? Si un seul musicien (un "outlier" ou une valeur aberrante) se met à hurler ou à sauter sur une chaise, toute votre moyenne explose. Votre analyse devient fausse. De plus, si les musiciens sont assis sur un sol instable (des distributions à "queues lourdes", comme la distribution de Cauchy), cette méthode classique ne fonctionne tout simplement pas.

🛠️ La Nouvelle Solution : Les "Moments VMedAD"

L'auteur, Elsayed Elamir, propose une nouvelle méthode appelée VMedAD (Moments de Déviation Absolue Médiatique Vectorielle). Voici comment cela fonctionne, avec des analogies simples :

1. Remplacer la "Moyenne" par la "Médiane" (Le Chef de Chœur)

Au lieu de faire la moyenne de tout le monde (ce qui est sensible aux extrêmes), la méthode VMedAD cherche le centre réel, la médiane.

• Analogie : Imaginez que vous voulez trouver le centre d'une foule. La moyenne vous dit de vous placer à un endroit où, si un géant arrive, tout le monde est tiré vers lui. La médiane, elle, vous dit de vous placer au milieu de la foule, peu importe si un géant ou un nain arrive. C'est beaucoup plus stable.

2. Utiliser des "Coquilles de Profondeur" (Les Oignons)

Au lieu de regarder les points au hasard, la méthode utilise la profondeur des données. Elle imagine que vos données sont comme les couches d'un oignon ou les cercles d'une cible.

• L'Analogie des Coquilles :
  • Le cœur de l'oignon (le centre) contient les données les plus "normales".
  • Les couches extérieures contiennent les données les plus "étranges" ou extrêmes.
  • La méthode VMedAD sépare le centre des extrémités. Elle ne mélange pas tout dans une seule moyenne. Elle regarde : "Est-ce que les gens de la couche extérieure tirent le groupe dans une direction spécifique ?"

3. Deux Types de Mesures Clés

Cette nouvelle méthode donne deux informations vitales sous forme de flèches (vecteurs) :

• La Flèche de l'Asymétrie (Skewness) :

  • Question : "Est-ce que notre nuage de points penche d'un côté ?"
  • Analogie : Imaginez un tas de sable. Si le vent pousse le sable vers la droite, le tas penche. Cette flèche vous dit dans quelle direction le tas penche et combien il penche. Contrairement aux anciennes méthodes qui vous donnaient juste un chiffre (ex: "c'est très penché"), celle-ci vous dit : "C'est penché vers le Nord-Est".

• La Flèche de la Domination Périphérique (Peripheral Dominance) :

  • Question : "Est-ce que ce sont les éléments du centre ou ceux de l'extérieur qui créent le déséquilibre ?"
  • Analogie : C'est comme distinguer si c'est le cœur de l'orchestre qui joue faux, ou si ce sont juste les violonistes du fond qui crient. Cette mesure isole les "extrêmes" (la périphérie) pour voir s'ils dominent la forme du groupe.

🧪 Pourquoi c'est génial ? (Les Exemples du Papier)

L'auteur a testé sa méthode sur deux cas concrets :

1. Le Nuage de Points Mélangé (Simulation) :

   • Il a créé un nuage avec deux groupes : un gros groupe calme et un petit groupe bruyant et loin.
   • Résultat : L'ancienne méthode était confuse. La méthode VMedAD a parfaitement identifié : "Ah, le groupe bruyant tire tout le monde vers lui !" Elle a séparé le centre calme des extrémités bruyantes.

2. Le Cancer du Sein (Données Réelles) :

   • Il a analysé des tumeurs (bénignes vs malignes) en regardant leur taille et leur forme.
   • Résultat : Les méthodes classiques disaient juste "Les données ne sont pas normales". La méthode VMedAD a dit : "Les tumeurs malignes (les extrêmes) sont très asymétriques et poussent la forme dans une direction précise." Cela aide les médecins à comprendre que ce sont les cas les plus graves qui déforment la distribution, et pas les cas bénins.

🏆 En Résumé : Les Avantages

• Robuste : Même si vous avez des données très bizarres, bruyantes ou extrêmes (comme la distribution de Cauchy), la méthode ne s'effondre pas. Elle reste solide comme un roc.
• Interprétable : Au lieu de donner des chiffres abstraits, elle donne des flèches. Vous voyez visuellement où le déséquilibre se produit.
• Sans "Moments" : Elle n'a pas besoin que les données aient une moyenne ou une variance finie (ce qui est souvent impossible avec des données réelles complexes). Elle utilise la médiane, qui existe toujours.

En conclusion :
Ce papier nous donne une nouvelle loupe pour observer les données. Au lieu de regarder un nuage de points d'un seul coup d'œil et de se faire aveugler par les points les plus brillants (les outliers), la méthode VMedAD nous permet de regarder couche par couche, de séparer le centre des bords, et de comprendre exactement pourquoi et dans quelle direction nos données sont déformées. C'est un outil plus intelligent, plus solide et plus facile à comprendre pour l'analyse moderne.

Résumé technique

1. Problématique

L'analyse de forme multivariée classique repose principalement sur des moments standardisés par la matrice de covariance, tels que l'asymétrie (skewness) et l'aplatissement (kurtosis) de Mardia. Ces mesures présentent deux limitations majeures :

• Sensibilité aux valeurs aberrantes (outliers) : Elles dépendent de moments d'ordre supérieur (3ème et 4ème) et de la matrice de covariance, ce qui les rend instables en présence de données lourdes ou de valeurs extrêmes.
• Définition limitée : Elles ne sont pas définies pour des distributions à queues lourdes (heavy-tailed) où les moments d'ordre supérieur n'existent pas (ex: distribution de Cauchy).
• Perte d'information directionnelle : Les mesures classiques réduisent souvent l'asymétrie multivariée à des scalaires, masquant la géométrie directionnelle de l'asymétrie.

L'objectif de l'article est de proposer une alternative robuste, définie même sans existence de moments, capable de séparer la structure centrale du comportement des queues de distribution, tout en conservant une interprétation géométrique vectorielle.

2. Méthodologie : Les Moments Vectoriels de Déviation Absolue Médiane (VMedAD)

L'auteur introduit une nouvelle classe de moments basés sur la déviation absolue médiane (MedAD) et la profondeur de données (Data Depth).

A. Fondements Théoriques

• Remplacement des moments par des médianes : Au lieu d'utiliser l'espérance mathématique $E[\cdot]$, la méthode utilise la médiane $Med[\cdot]$.
• Utilisation de la profondeur de données : Pour gérer l'absence d'ordre naturel en dimension supérieure à 1, la méthode utilise la profondeur spatiale (Spatial Depth). Cette profondeur transforme les observations non ordonnées en un classement « du centre vers l'extérieur » (centre-outward).
• Découpage en coquilles (Shells) : La distribution de profondeur est divisée en $b$ coquilles de probabilité égale ($S_a$). Ces coquilles servent d'intervalles de quantiles multivariés.

B. Définition des Moments

Soit $\mathbf{X}$ un vecteur aléatoire et $\mathbf{\Lambda}$ sa médiane multivariée (ex: médiane spatiale).

1. Moments bruts ($\mathbf{\Phi}_{b+1}$) :
   • Pour $b=0$ : $\mathbf{\Phi}_1 = \mathbf{\Lambda}$ (localisation).
   • Pour $b=1$ : $\mathbf{\Phi}_2 = Med(\mathbf{X} - \mathbf{\Lambda})$ (déséquilibre directionnel).
   • Pour $b \ge 2$ : Une somme alternée de médianes calculées sur les coquilles de profondeur $S_a$ :
     $$\mathbf{\Phi}_{b+1} = \sum_{a=0}^{b-1} (-1)^{a+1} Med((\mathbf{X} - \mathbf{\Lambda}) \mathbb{I}(\mathbf{X} \in S_a))$$
2. Échelle robuste ($\Phi_{Med}$) : Définie comme la racine carrée de la médiane des distances au carré, remplaçant l'écart-type classique.
3. Moments standardisés ($\mathbf{\Psi}_k$) : Obtenus en divisant les moments vectoriels par l'échelle $\Phi_{Med}$, rendant les mesures invariantes d'échelle sans utiliser de matrice de covariance.

C. Propriétés Théoriques

• Équivariance Affine : Les estimateurs respectent les transformations affines (rotation, mise à l'échelle, translation), une propriété cruciale pour l'analyse multivariée.
• Robustesse :
  • Le point de rupture (breakdown point) de l'estimateur de localisation est de 50 %.
  • Le point de rupture des moments d'ordre supérieur est d'au moins $1/(2b)$, ce qui est significativement plus robuste que les moments classiques (point de rupture 0).
• Consistance : Les estimateurs empiriques convergent vers les paramètres populationnels sous des hypothèses de régularité standard.

3. Résultats Principaux

A. Simulations et Distributions Théoriques

• Distributions Normales et $t$ : Pour des distributions elliptiques symétriques (Normale, $t$ de Student), les moments impairs ($\mathbf{\Phi}_3, \mathbf{\Phi}_5...$) sont nuls, confirmant la symétrie. Les moments pairs capturent la dispersion radiale.
• Robustesse aux queues lourdes : Contrairement aux moments de Mardia, les moments VMedAD sont bien définis pour la distribution de Cauchy ($t$ avec $\nu=1$), là où la variance est infinie.
• Mélange Asymétrique : Sur un mélange de lois normales asymétrique, les moments VMedAD identifient correctement la direction de l'asymétrie (vers le composant minoritaire) et séparent l'influence des coquilles périphériques (queues) de la structure centrale.

B. Application Réelle : Données du Cancer du Sein (Wisconsin)

Sur un jeu de données de 569 patients avec 30 variables morphologiques :

• Analyse : L'étude se concentre sur le rayon moyen et la concavité moyenne.
• Résultats :
  • Les statistiques de Mardia indiquent une forte déviation de la normalité mais ne précisent pas la direction géométrique.
  • Le vecteur d'asymétrie VMedAD ($\mathbf{\Psi}_3$) pointe vers la direction de la malignité.
  • Le vecteur de dominance périphérique ($\mathbf{\Psi}_4$) isole l'influence des cas extrêmes (tumeurs malignes) dans les coquilles de profondeur externes.
• Interprétation : Cela démontre que l'asymétrie observée provient principalement de la morphologie périphérique des tumeurs malignes, une nuance géométrique inaccessible aux méthodes classiques.

4. Contributions Clés

1. Nouveau Cadre de Mesure : Introduction de moments vectoriels basés sur la médiane et la profondeur, offrant une alternative robuste aux moments de covariance.
2. Indépendance des Moments : La méthode ne nécessite pas l'existence de moments d'ordre supérieur, fonctionnant ainsi sur des distributions à queues infinies.
3. Séparation Structure/Tail : Capacité unique à distinguer l'asymétrie centrale de la dominance des queues (peripheral dominance) via le découpage en coquilles de profondeur.
4. Interprétabilité Géométrique : Contrairement aux résumés scalaires, les résultats sont des vecteurs indiquant la direction de l'asymétrie et la nature de la déviation (centrale vs périphérique).
5. Extensibilité : Le cadre est défini pour tout ordre $b \ge 2$, permettant d'explorer des caractéristiques de forme d'ordre supérieur sans contraintes de moments.

5. Signification et Conclusion

Ce travail complète la théorie de l'analyse de forme multivariée en fournissant un analogue robuste aux moments classiques. Il permet aux statisticiens et aux praticiens d'analyser des données complexes, lourdes et asymétriques sans être limités par la sensibilité aux valeurs aberrantes ou l'inexistence des moments.

Bien que la méthode dépende du choix de la fonction de profondeur (l'auteur privilégie la profondeur spatiale pour son invariance affine), elle ouvre la voie à de nouvelles procédures d'inférence et d'analyse exploratoire pour des données multivariées réelles, notamment dans des domaines comme la biostatistique, la finance et l'apprentissage automatique où les données sont souvent non-gaussiennes et contaminées.