Logarithmic energy distances and Gini covariance for Hilbert-valued random elements

Résumé technique : Distances d'énergie logarithmiques et covariance de Gini pour les éléments aléatoires à valeurs dans un espace de Hilbert

Énoncé du problème
L'article étudie le régime limite des distances d'énergie généralisées et des statistiques de covariance de Gini pour des éléments aléatoires prenant des valeurs dans un espace de Hilbert réel séparable $H$. Ces statistiques sont traditionnellement définies à l'aide de noyaux de distance de puissance de la forme $(x, y) \mapsto \|x - y\|^\alpha$ pour $\alpha \in (0, 2)$. Bien que ces méthodes soient bien établies pour l'inférence non paramétrique et les tests de qualité d'ajustement, le comportement de ces statistiques lorsque le paramètre approche la limite inférieure, $\alpha \downarrow 0$, n'avait pas été pleinement caractérisé dans les contextes de dimension infinie. Les auteurs visent à déterminer l'objet limite de cette famille de noyaux et à étudier ses propriétés statistiques, spécifiquement pour les problèmes à deux échantillons et à $k$ échantillons.

Méthodologie
L'approche méthodologique centrale repose sur l'expansion élémentaire de la fonction de puissance au voisinage de zéro : $\|x - y\|^\alpha = 1 + \alpha \log \|x - y\| + o(\alpha)$ lorsque $\alpha \downarrow 0$. En appliquant cette expansion à la définition de la distance d'énergie généralisée $E_\alpha(X, Y)$, les auteurs montrent qu'après avoir annulé les termes constants et effectué une normalisation appropriée (division par $\alpha$), la distance converge vers une distance d'énergie logarithmique :
$$E_0(X, Y) = 2\mathbb{E}[\log \|X - Y\|] - \mathbb{E}[\log \|X - X'\|] - \mathbb{E}[\log \|Y - Y'\|],$$
où $X'$ et $Y'$ sont des copies indépendantes de $X$ et $Y$.

Les auteurs étendent ce concept au problème à $k$ échantillons en définissant une covariance de Gini logarithmique, $c_{\log}$, qui sert de somme pondérée des distances d'énergie logarithmiques par paires. Le développement théorique procède en plusieurs étapes :

1. Caractérisation : L'article établit que $E_0(X, Y) = 0$ si et seulement si les distributions de $X$ et $Y$ sont identiques. La preuve utilise la formule de Frullani pour représenter la distance logarithmique comme une intégrale de MMD (Maximum Mean Discrepancies) au carré associés à des noyaux gausiens $k_z(x, y) = \exp(-z\|x - y\|^2)$. Cette représentation exploite le théorème de Schoenberg et le fait que les mesures de probabilité sur un espace de Hilbert séparable sont déterminées par leurs marginales de dimension finie.
2. Propriétés structurelles : Il est démontré que la covariance de Gini logarithmique est invariante sous les translations et les changements d'échelle communs, une propriété qui distingue la covariance de Gini standard à noyau de puissance (qui change d'échelle par $b^\alpha$).
3. Théorie asymptotique :
   • Sous l'hypothèse nulle ($H_0$) : Pour un $k$ fixé, la covariance de Gini logarithmique empirique est asymptotiquement dégénérée. Sa distribution limite est dérivée comme une somme pondérée infinie de variables aléatoires chi-deux centrées, où les poids sont les valeurs propres d'un opérateur intégral associé au noyau $K_0(x, y)$.
   • Sous les alternatives : Lorsque les distributions diffèrent, la statistique est non dégénérée. L'article prouve la normalité asymptotique de la statistique empirique sous des alternatives fixes, établissant ainsi la cohérence.
4. Implémentation : En raison de la dépendance de la distribution nulle vis-à-vis des valeurs propres inconnues, les auteurs proposent une procédure basée sur la permutation pour calibrer la statistique de test.

Contributions clés
L'article présente trois contributions principales :

1. Introduction d'analogues logarithmiques : Il introduit formellement les distances d'énergie logarithmiques et la covariance de Gini logarithmique comme les objets limites naturels de la famille des distances de puissance lorsque $\alpha \downarrow 0$.
2. Caractérisation dans les espaces de Hilbert : Il prouve que la distance d'énergie logarithmique conserve la propriété fondamentale de caractérisation ($E_0 = 0 \iff P=Q$) dans les espaces de Hilbert séparables, la liant aux MMD à noyaux gausiens, ce qui étend l'applicabilité des statistiques d'énergie aux données fonctionnelles sans nécessiter de modification de la méthodologie.
3. Cadre asymptotique et pratique : Il dérive les théories asymptotiques nulle et alternative pour la covariance de Gini logarithmique dans un cadre à $k$ échantillons fixés et fournit une stratégie d'implémentation pratique basée sur la permutation.

Résultats
Les auteurs présentent des résultats numériques issus d'une étude de simulation et d'applications sur des données réelles :

• Simulation : L'étude compare les tests logarithmiques proposés ($E_0$ et une variante $E_{\log}$) contre le test de distance d'énergie standard ($E_1$) et un autre compétiteur. Les résultats indiquent que, bien que tous les tests maintiennent le niveau de signification nominal, les procédures logarithmiques présentent une puissance sensiblement plus élevée contre les alternatives de scale (échelle) et de forme, particulièrement celles impliquant des changements de structure de covariance, des écarts à la normalité ou des différences de dispersion relative. Les gains sont notés comme étant plus prononcés dans les contextes de haute dimension et de données fonctionnelles.
• Applications de données réelles :
  • Jeux de données Iris et Wine : Les tests rejettent avec succès l'hypothèse nulle d'égalité des distributions pour les échantillons multivariés Fisher Iris et Wine, ce qui est cohérent avec les différences connues entre ces échantillons.
  • Données de croissance de Berkeley : Appliqués à des données fonctionnelles (courbes de croissance des garçons et des filles), les tests logarithmiques détectent des différences de distribution dans des intervalles d'âge spécifiques ([1, 4), [13, 18) et [1, 18]) où les fonctions moyennes diffèrent également, tout en échouant correctement à rejeter l'égalité dans l'intervalle [4, 13) où les fonctions moyennes sont similaires.

Signification et affirmations
L'article affirme que le cadre logarithmique révèle un « nouveau phénomène limite » au sein de la famille des statistiques de type énergie. Sa signification réside dans :

• Analyse de données fonctionnelles : La formulation dans l'espace de Hilbert permet le traitement direct des données fonctionnelles, évitant ainsi la réduction de dimension ou des modifications spécifiques de la méthodologie.
• Sensibilité à la structure géométrique : Contra est de l'usage des noyaux d'énergie ordinaires qui mettent l'accent sur la séparation globale, le noyau logarithmique est décrit comme étant plus sensible à la structure géométrique relative et aux interactions locales. Cela fournit un outil complémentaire aux statistiques d'énergie existantes, particulièrement pour la détection d'alternatives de non-localisation.
• Lien avec les méthodes à noyaux : La dérivation établit un lien théorique entre les distances d'énergie logarithmiques et les MMD à noyaux gausiens, jetant un pont entre différents domaines de l'inférence non paramétrique.

Les auteurs concluent avec modestie, notant que ce travail ouvre plusieurs pistes pour la recherche future, notamment des extensions aux espaces de Banach généraux, aux régimes asymptotiques de haute dimension ($d_N \gg N$), et des procédures adaptatives combinant plusieurs valeurs de $\alpha$.