Inference for High-Dimensional Sparse Spectral Precision Matrices

Résumé Technique : Inférence pour les Matrices de Précision Spectrales Creuses à Haute Dimension

Énoncé du Problème
Les modèles graphiques gaussiens (MGG) dans le domaine spectral offrent une approche rigoureuse pour la récupération des structures de dépendance conditionnelle dans les séries temporelles stationnaires à haute dimension. La matrice de précision spectrale (MPS), $\Theta(\omega) = f(\omega)^{-1}$, à une fréquence $\omega$ fixée, encode l'absence ou la présence de relations conditionnelles entre les composantes de séries temporelles. Bien que la littérature existante ait établi des méthodes pour estimer les MPS par optimisation régularisée (par exemple, le Complex Graphical Lasso) et pour l'inférence en basse dimension sur la densité spectrale, un cadre rigoureux pour l'inférence statistique élément par élément (intervalles de confiance et tests d'hypothèses) dans des contextes à haute dimension fait défaut.

Le problème est techniquement complexe en raison de trois facteurs principaux :

1. Nature à valeurs complexes : La MPS et ses estimateurs sont à valeurs complexes, ce qui complique l'estimation de la variance par rapport aux cas i.i.d. à valeurs réelles.
2. Dépendance temporelle : Les transformations de Fourier discrètes (TFD) à échantillon fini induisent des biais de troncature et de lissage ; de plus, les TFD à des fréquences proches ne sont pas strictement indépendantes.
3. Biais de haute dimension : Les techniques de débaisage standard pour les données i.i.d. (par exemple, Jankova et al., 2017) ne s'appliquent pas directement car elles ne parviennent pas à prendre en compte les erreurs d'approximation spécifiques introduites par le lissage spectral et la structure de covariance à échantillon fini des TFD. Les approches existantes, telles que la régression nodewise sur les TFD, n'exploitent pas pleinement la structure de vraisemblance des fréquences Fourier voisines.

Méthodologie
Les auteurs proposent un cadre d'inférence à haute dimension centré sur un estimateur de deCGLASSO (debiased complex graphical lasso).

1. Construction de l'Estimateur :

   • La méthode commence par l'estimateur Complex Graphical Lasso (CGLASSO), $\hat{\Theta}_j$, qui minimise une vraisemblance approximative des TFD voisines à la fréquence $\omega_j$.
   • Pour corriger le biais de régularisation inhérent au Lasso, les auteurs adaptent la technique de débaisage de Jankova et al. (2017) au domaine spectral complexe. L'estimateur débiaisé est défini par :
     $$\tilde{\Theta}_j = \hat{\Theta}_j + \lambda \hat{\Theta}_j \hat{\Psi} \hat{\Theta}_j = 2\hat{\Theta}_j - \hat{\Theta}_j \hat{f}_j \hat{\Theta}_j$$
     où $\hat{f}_j$ est l'estimateur de la période moyenne et $\hat{\Psi}$ est le sous-gradient du terme de pénalité. Cette construction conserve la structure de vraisemblance du CGLASSO, en utilisant l'information provenant des fréquences Fourier voisines.

2. Théorie Asymptotique :

   • Les auteurs établissent la normalité asymptotique des parties réelle et imaginaire des entrées de l'estimateur débiaisé.
   • Une étape théorique clé consiste à étendre les résultats du théorème central limite (TCL) pour les formes quadratiques de séries temporelles stationnaires (Wu et Zaffaroni, 2014) à un TCL conjoint pour des collections de formes quadratiques à valeurs complexes.
   • Les auteurs contrôlent rigoureusement le biais de régularisation, le biais de troncature à échantillon fini et le biais de lissage. Ils démontrent que, sous des conditions de régularité appropriées (incluant les hypothèses de parcimonie et d'incohérence), les termes de biais s'annulent asymptotiquement, laissant le terme principal déterminé par la forme quadratique des TFD.

3. Estimation de la Variance et Inférence :

   • Pour construire des régions de confiance élément par élément, les auteurs dérivent la structure de covariance asymptotique des parties réelle et imaginaire de l'estimateur.
   • Ils proposent deux estimateurs cohérents pour cette covariance :
     • Un estimateur par substitution (plug-in) basé sur la variance de la population et des expressions de pseudo-variance.
     • Un estimateur HAC (Heteroscedasticity and Autocorrelation Consistent) qui rend compte de la dépendance entre les TFD proches en pondérant les paires de TFD.
   • En utilisant ces estimateurs, ils construisent des ellipsoïdes de confiance conjoints pour les entrées complexes de la MPS et développent une procédure de tests multiples pour contrôler le taux de fausses découvertes (FDR) sur l'ensemble des entrées hors-diagonale.

Contributions Clés

1. Estimateur Débiaisé Basé sur la Vraisemblance : Introduction de l'estimateur deCGLASSO, qui adapte le débaisage au domaine spectral complexe tout en exploitant la vraisemblance complète des TFD voisines, offrant des avantages potentiels par rapport aux approches de régression nodewise.
2. Garanties Théoriques : Établissement de la normalité asymptotique élément par élément de l'estimateur de la MPS débiaisée. Cela inclut une nouvelle technique de preuve contrôlant simultanément les biais de régularisation, de troncature et de lissage, étendant les résultats existants du TCL aux séries temporelles multivariées à valeurs complexes.
3. Cadre d'Inférence Réalisable : Développement d'estimateurs de variance cohérents (plug-in et HAC) et d'une procédure formelle pour construire des intervalles de confiance et contrôler le FDR pour les associations conditionnelles spécifiques à la fréquence.

Résultats Expérimentaux
Les auteurs valident le cadre via des études de simulation et une application aux données d'IRM fonctionnelle (IRMf) au repos :

• Simulations : En utilisant des processus VAR(1) et VMA(3), la méthode démontre que les régions de confiance estimées atteignent des probabilités de couverture proches du niveau nominal (ex: 95 %) à mesure que la taille de l'échantillon augmente. La méthode proposée (deCGLASSO) présente une puissance statistique nettement plus élevée pour détecter les arêtes conditionnelles par rapport à la méthode de référence de régression nodewise avec cohérence spectrale partielle (NWR-PSC), particulièrement pour de petits échantillons. Le FDR est contrôlé près du niveau souhaité (0,05), avec de légers dépassements qui diminuent avec l'augmentation de $n$.
• Application IRMf : Appliquée aux données du Human Connectome Project (86 régions cérébrales, 1200 points de temps), deCGLASSO a identifié un ensemble plus dense et plus étendu de connexions fonctionnelles significatives spécifiques à la fréquence par rapport à NWR-PSC. À des fréquences plus élevées (ex: $\omega = \pi/2$), la méthode de référence n'a pas réussi à détecter d'arêtes significatives, tandis que deCGLASSO a identifié des connexions au sein et entre les réseaux fonctionnels majeurs (visuel, somatomoteur, mode par défaut). À des fréquences plus basses, les deux méthodes ont détecté plus d'arêtes, mais deCGLASSO a maintenu un schéma de découverte plus dense.

Signification
L'article affirme que sa principale importance réside dans le fait de fournir le premier cadre d'inférence rigoureux, basé sur la vraisemblance, pour les matrices de précision spectrales creuses à haute dimension. En abordant les défis uniques des données à valeurs complexes et de la dépendance temporelle, la méthode permet de tester valablement les dépendances conditionnelles spécifiques à la fréquence. Cela permet aux chercheurs de distinguer les relations conditionnelles stables des relations spécieuses dans les systèmes dynamiques, tels que les réseaux neuronaux ou les marchés financiers, où les structures d'association varient selon les échelles temporelles. Ce travail comble le fossé entre l'estimation à haute dimension et l'inférence statistique formelle dans le domaine spectral.