The Fréchet correlation coefficient for heterogeneous random objects

1. Problématique et Contexte

L'analyse statistique moderne, en particulier dans les études multimodales, fait face à un défi majeur : la régression et l'analyse de dépendance impliquent souvent des réponses ($Y$) et des prédicteurs ($X$) qui prennent leurs valeurs dans des espaces métriques hétérogènes et non-euclidiens (par exemple, des distributions de probabilité, des matrices définies positives, des formes géométriques).

Dans ces contextes, les mesures classiques de puissance explicative, telles que le coefficient de détermination $R^2$ d'Euclide ou les coefficients de corrélation de Pearson, ne sont pas directement applicables. Les tentatives de réduire ces objets complexes à des résumés euclidiens (comme des moyennes scalaires) risquent de perdre l'information géométrique cruciale et de produire des classements de prédicteurs instables ou trompeurs.

Le problème central abordé par l'article est de définir un coefficient de corrélation directionnel, sans modèle et interprétable qui quantifie la proportion de la variation de Fréchet de la réponse $Y$ expliquée par un prédicteur $X$, permettant ainsi de comparer des prédicteurs hétérogènes sur une échelle commune.

2. Méthodologie : Le Coefficient de Corrélation de Fréchet (FCC)

Les auteurs introduisent le Fréchet Correlation Coefficient (FCC), noté $\rho$, défini comme la réduction relative de la variance de Fréchet de la réponse après conditionnement sur le prédicteur.

Définition Théorique

Soient $(X, d_X)$ et $(Y, d_Y)$ deux espaces métriques complets, séparables et bornés.

• La moyenne de Fréchet $\mu_F$ de $Y$ est le minimiseur de $E[d_Y^2(Y, \mu)]$.
• La variance de Fréchet $V_F$ est $E[d_Y^2(Y, \mu_F)]$.
• La variance conditionnelle $V(X)$ est l'espérance de la variance de Fréchet de $Y$ sachant $X$.

Le FCC est défini par :
$$\rho = 1 - \frac{E[V(X)]}{V_F}$$
Cette mesure représente la proportion de la variabilité de $Y$ expliquée par $X$.

Propriétés Fondamentales

• Directionnalité : Contrairement aux mesures de dépendance symétriques (comme la covariance de distance), le FCC distingue le rôle de la réponse et du prédicteur. $\rho(X, Y) \neq \rho(Y, X)$ en général.
• Interprétabilité :
  • $\rho = 1$ si et seulement si $Y$ est une fonction mesurable de $X$ (dépendance fonctionnelle presque sûre).
  • $\rho = 0$ si et seulement si la moyenne de Fréchet conditionnelle $\mu_{F,X}$ est égale à la moyenne globale $\mu_F$ presque sûrement (absence de dépendance de la moyenne).
• Indépendance : L'indépendance implique $\rho = 0$, mais la réciproque n'est pas vraie (le FCC ne détecte que la dépendance via la moyenne de Fréchet).

Estimateur Basé sur la Partition

L'estimation directe de la fonction de régression conditionnelle (la moyenne de Fréchet conditionnelle) est un problème non paramétrique difficile. Les auteurs proposent un estimateur basé sur la partition :

1. L'espace du prédicteur $\mathcal{X}$ est divisé en $M_n$ cellules $\{\Omega_m\}$.
2. Pour chaque cellule, on calcule la moyenne et la variance de Fréchet empiriques des observations de $Y$ appartenant à cette cellule.
3. Le coefficient est estimé par :
   $$\hat{\rho}_{M_n} = 1 - \frac{\sum_{m=1}^{M_n} \frac{n_m}{n} \hat{V}_m}{\hat{V}_F}$$
   où $n_m$ est le nombre d'observations dans la cellule $m$.

Cette approche évite l'estimation explicite de la fonction de régression continue, améliorant ainsi l'efficacité computationnelle et la flexibilité pratique.

3. Contributions Théoriques

L'article établit des résultats théoriques rigoureux pour le FCC et son estimateur :

1. Consistance : Sous des conditions de régularité (existence et unicité des moyennes de Fréchet, densité suffisante dans les cellules), l'estimateur $\hat{\rho}_{M_n}$ est consistant pour $\rho$.
2. Théorie Asymptotique sous l'Hypothèse Nulle ($H_0: \rho = 0$) : Les auteurs dérivent les distributions limites de la statistique sous l'hypothèse d'absence de dépendance de la moyenne de Fréchet, en distinguant deux régimes de partition :
   • Partition Fixe ($M_n = O(1)$) : La statistique normalisée converge vers une loi du chi-deux pondéré (somme de variables $\chi^2$ pondérées par les valeurs propres d'un opérateur).
   • Partition Croissante ($M_n \to \infty$) :
     • Si la variance cumulée diverge, la statistique suit une loi Gaussienne (après centrage et mise à l'échelle appropriés).
     • Si la variance cumulée reste bornée, la limite est un chaos gaussien d'ordre deux (somme infinie de variables $\chi^2 - 1$).
3. Généralité Géométrique : Ces résultats sont prouvés pour des variétés riemanniennes de dimension finie et pour des réponses dans l'espace de Wasserstein unidimensionnel (via l'embedding $L^2$ des fonctions de quantile).

4. Résultats Empiriques et Simulations

Les auteurs évaluent la puissance empirique du FCC à travers des simulations couvrant des espaces euclidiens et non-euclidiens :

• Scénarios : Données euclidiennes ($\mathbb{R}^p$), sphériques ($S^2$), distributions (espace de Wasserstein $W_2$) et matrices définies positives (SPD).
• Comparaison : Le FCC est comparé à des méthodes existantes comme la corrélation de Pearson, le coefficient de rang de Chatterjee, la covariance de distance (Ball covariance) et la covariance d'énergie.
• Performances :
  • Le FCC montre une puissance élevée pour détecter des dépendances non linéaires et directionnelles dans des espaces non-euclidiens.
  • Il se distingue particulièrement lorsque la réponse est intrinsèquement non-euclidienne (ex: profils de demande de vélos représentés comme des distributions), là où les méthodes euclidiennes échouent ou sont moins informatives.
  • Dans les simulations, le FCC est compétitif, souvent supérieur aux méthodes basées sur la distance globale pour les structures de dépendance complexes, tout en restant robuste.

5. Signification et Conclusion

Ce travail fournit un cadre unifié pour l'analyse de la dépendance dans les données hétérogènes :

• Extension du $R^2$ : Le FCC généralise le concept classique de coefficient de détermination aux espaces métriques, offrant une métrique standardisée (entre 0 et 1) pour l'importance des prédicteurs.
• Flexibilité Pratique : L'estimateur basé sur la partition est facile à implémenter, ne nécessite pas de spécifier un modèle paramétrique et s'adapte à n'importe quelle géométrie de prédicteur et de réponse.
• Impact Scientifique : Il permet de répondre à des questions directionnelles précises (« Quelle part de la variabilité de la forme de la distribution est expliquée par le temps ? ») qui étaient auparavant difficiles à quantifier rigoureusement.

En résumé, le FCC comble un vide méthodologique crucial dans l'analyse de données modernes, permettant de comparer et de sélectionner des prédicteurs hétérogènes basés sur leur capacité explicative réelle, tout en respectant la géométrie intrinsèque des données.