FunctionalCalibration: an R package for estimation in aggregated functional data model

Il pacchetto R FunctionalCalibration fornisce strumenti per stimare curve costituenti a partire da dati funzionali aggregati, utilizzando espansioni in basi di spline o wavelet in modelli con errori additivi, come quelli che derivano dalla legge di Beer-Lambert in chemiometria.

L'essenziale

🎨 Il Mistero della "Zuppa di Curve"

Immagina di essere in una cucina. Hai davanti a te una grande pentola di zuppa (la curva aggregata). Sai che questa zuppa è fatta mescolando tre ingredienti principali: carote, patate e sedano (le curve costituenti).

Il problema è questo: tu vedi solo il sapore finale della zuppa (la curva misurata), ma non sai esattamente quanto c'è di carota, quanto di patata e quanto di sedano, né sai come sono fatti esattamente i singoli ingredienti. Il tuo obiettivo è separare la zuppa per capire la forma e la quantità di ogni singolo ingrediente.

Questo è esattamente il problema che risolve il pacchetto software FunctionalCalibration, descritto nel paper di Sousa e Perrone.

🧪 Il Contesto Reale: La Chimica della Carne

Nel mondo reale, questo non succede solo in cucina, ma nei laboratori chimici. Immagina di analizzare un pezzo di carne con uno strumento speciale (spettroscopia). Lo strumento ti dà una linea curva che rappresenta l'assorbimento della luce.
Questa linea è in realtà un mix di tre cose: proteine, grassi e acqua.
Il pacchetto FunctionalCalibration è lo strumento matematico che permette di dire: "Ehi, guarda questa linea complessa, e ti dico esattamente com'è fatta la curva delle proteine, com'è quella dei grassi e com'è quella dell'acqua, e quanto ce n'è di ciascuna".

🛠️ Due Strumenti Magici: Le Forbici e il Microscopio

Per risolvere questo mistero, il pacchetto offre due "superpoteri" (metodi matematici) diversi, a seconda di quanto sono "regolari" o "disordinati" gli ingredienti:

1. L'Approccio "Splines" (Le Forbici Liscie)

Immagina di dover ritagliare un foglio di carta con le forbici. Se devi tagliare una linea dritta o una curva morbida e dolce (come un'onda del mare), le forbici funzionano benissimo.

• Quando usarlo: Quando le curve degli ingredienti sono liscie e fluide, senza salti improvvisi.
• Come funziona: Usa dei "punti di aggancio" (chiamati B-spline) per disegnare una linea che si adatta perfettamente alla forma morbida. È come modellare l'argilla: se l'argilla è morbida, la plasmiamo facilmente.

2. L'Approccio "Ondelette" (Il Microscopio Magico)

Ora immagina di dover ritagliare un foglio che ha dei buchi, delle strappi o dei picchi improvvisi. Le forbici normali (le splines) farebbero fatica: cercherebbero di "ammorbidire" il taglio, rovinando il dettaglio.
Qui servono le ondelette (wavelets). Immagina di avere un microscopio che ti permette di guardare la curva a diversi livelli di ingrandimento.

• Quando usarlo: Quando le curve hanno salti bruschi, picchi acuti o interruzioni (come un interruttore che si accende e spegne di colpo).
• Come funziona: Le ondelette sono come un set di lenti che ti permettono di vedere sia la forma generale della curva, sia i dettagli minuscoli e i "buchi" senza perderli. Nel paper, vedono che l'approccio a ondelette riesce a recuperare perfettamente i "salti" nella curva, mentre le forbici liscie no.

📦 Cosa contiene la "Scatola degli Attrezzi" (Il Pacchetto R)

Gli autori hanno creato una scatola degli attrezzi chiamata FunctionalCalibration (disponibile su CRAN, il negozio di software per statistici). Ecco cosa puoi fare con essa:

1. simulated_data(): È come un banco di prova. Prima di usare i tuoi dati reali, puoi creare una "zuppa finta" al computer per vedere se il tuo metodo funziona. Ti dà curve finte, pesi finti e rumore di fondo.
2. functional_calibration_wavelets(): Il tuo microscopio. Prende la zuppa complessa e la separa usando le ondelette. È perfetto se i tuoi ingredienti hanno forme strane o irregolari.
3. functional_calibration_splines(): Il tuo set di forbici liscie. Prende la zuppa e la separa usando curve morbide. Ottimo se i tuoi ingredienti sono fluidi e regolari.
4. plot_aggregated_curve(): Ti permette di ricomporre la zuppa. Prende gli ingredienti separati e li mescola di nuovo per vedere se il risultato assomiglia all'originale.
5. weight_estimation(): Fa l'inverso. Se sai già come sono fatti gli ingredienti (le curve), ti dice quanto ce n'è in ogni campione (i pesi). È come dire: "So com'è fatta la carota e la patata, dimmi quanto ce n'è in questa zuppa".

🎯 La Conclusione

In sintesi, questo paper ci dice: "Non serve essere maghi per separare una zuppa complessa. Se hai una curva liscia, usa le forbici (Splines). Se hai una curva piena di salti e picchi, usa il microscopio (Ondelette)".

Il pacchetto FunctionalCalibration mette queste due tecniche a disposizione di chiunque, rendendo possibile analizzare dati complessi (come la qualità della carne o i farmaci) in modo più veloce ed economico rispetto ai test di laboratorio tradizionali. È come avere una ricetta segreta per capire esattamente cosa c'è dentro ogni cosa, senza doverla smontare pezzo per pezzo.

Sommario tecnico

Titolo del Lavoro

FunctionalCalibration: un pacchetto R per la stima in modelli di dati funzionali aggregati

1. Il Problema Statistico

Il lavoro affronta il problema statistico di stimare le curve costituenti (o componenti) a partire dalle osservazioni delle loro curve aggregate. Questo scenario, noto come "dati funzionali aggregati", si presenta in vari campi, con un'applicazione emblematica nella chemiometria attraverso la Legge di Beer-Lambert.

• Contesto: Secondo la legge di Beer-Lambert, la curva di assorbimento di una sostanza è una somma pesata delle curve di assorbimento dei suoi costituenti, dove i pesi corrispondono alle concentrazioni di tali costituenti.
• Obiettivo: Il problema di "calibrazione" consiste nel stimare le curve di assorbimento individuali dei costituenti partendo dalla curva aggregata osservata (misurata in punti discreti), assumendo che i pesi (concentrazioni) siano noti. Una volta calibrato il modello, è possibile stimare le concentrazioni in nuovi campioni, un processo spesso più economico rispetto alle analisi di laboratorio tradizionali.
• Modello: Il modello assume errori additivi. La funzione aggregata $A(t)$ è definita come:
  $$A(t) = \sum_{l=1}^{L} y_l \alpha_l(t) + \epsilon(t)$$
  dove $\alpha_l(t)$ sono le funzioni componenti da stimare, $y_l$ sono pesi noti, e $\epsilon(t)$ è un errore casuale normale con media zero e varianza $\sigma^2$.

2. Metodologia e Approcci di Stima

Il pacchetto FunctionalCalibration implementa due principali approcci basati sull'analisi dei dati funzionali (FDA) per stimare le funzioni $\alpha_l(t)$:

A. Approccio basato sulle Wavelet (Sousa, 2024)

• Idea: Le funzioni componenti vengono espresse in termini di una base di wavelet ortonormale. Questo approccio è particolarmente efficace per funzioni che presentano caratteristiche locali come discontinuità, picchi o oscillazioni rapide.
• Procedura:
  1. Trasformazione del modello discreto in forma matriciale.
  2. Applicazione della Trasformata Wavelet Discreta (DWT) per ottenere i coefficienti empirici.
  3. Applicazione di una regola di shrinkage (restringimento) ai coefficienti per ridurre il rumore. Il pacchetto implementa specificamente una regola Bayesiana proposta da Sousa (2022), basata su una prior mista (massa puntuale a zero e distribuzione logistica).
  4. Stima dei coefficienti tramite minimi quadrati e successiva applicazione della Trasformata Wavelet Inversa (IDWT) per ricostruire le funzioni stimate.
• Vantaggi: Eccellente capacità di recuperare discontinuità e dettagli locali.

B. Approccio basato sugli Spline (Saraiva e Dias, 2009; Dias et al., 2009)

• Idea: Le funzioni componenti vengono espresse come combinazione lineare di funzioni di base B-spline.
• Procedura:
  1. Espansione delle funzioni $\alpha_l(t)$ in una base di B-spline con coefficienti incogniti $\theta_{lk}$.
  2. Formulazione del modello in forma matriciale lineare.
  3. Stima dei coefficienti tramite il metodo dei Minimi Quadrati Ordinari (OLS).
• Vantaggi: Molto efficace per funzioni lisce e continue.
• Limiti: Può performare male nel rappresentare funzioni con forti discontinuità.

3. Contributi Chiave del Pacchetto R

Il pacchetto FunctionalCalibration, sviluppato da Perrone e Sousa (2025) e disponibile su CRAN e GitHub, offre le seguenti funzionalità principali:

1. simulated_data(): Genera un dataset simulato per test e validazione. Include 100 campioni di curve aggregate generate da due funzioni componenti (una liscia e una con discontinuità) con rumore gaussiano additivo.
2. functional_calibration_wavelets(): Implementa l'approccio basato sulle wavelet.
   • Supporta diverse famiglie di wavelet (es. Haar, Daubechies).
   • Offre diverse regole di shrinkage (Bayesiana, universale, SURE, ecc.).
   • Permette la stima automatica dei parametri iperparametrici ($p, \tau, \sigma$) o la loro definizione manuale.
3. functional_calibration_splines(): Implementa l'approccio basato sugli spline.
   • Consente di specificare il numero di funzioni di base B-spline.
4. plot_aggregated_curve(): Visualizza una curva aggregata costruita a partire da funzioni note e pesi specifici.
5. weight_estimation(): Risolve il problema inverso: stima i pesi (concentrazioni) noti partendo da una curva aggregata osservata e curve componenti note, utilizzando il metodo dei minimi quadrati.

4. Risultati ed Evidenze Sperimentali

Gli autori hanno validato il pacchetto utilizzando il dataset simulato descritto sopra, che contiene:

• $\alpha_1(x)$: Una funzione liscia (combinazione di seno ed esponenziale).
• $\alpha_2(x)$: Una funzione con discontinuità (funzione a gradino).

Risultati osservati:

• Approccio Wavelet: Ha recuperato con successo sia il comportamento generale di $\alpha_1(x)$ che le discontinuità nette di $\alpha_2(x)$. La capacità delle wavelet di adattarsi alle variazioni locali ha permesso una stima accurata anche della funzione a gradino.
• Approccio Spline: Ha stimato bene $\alpha_1(x)$ grazie alla sua natura liscia. Tuttavia, ha fallito nel rappresentare accuratamente le discontinuità di $\alpha_2(x)$, producendo un'approssimazione "smussata" che non cattura i salti bruschi.
• Conclusione empirica: La scelta della base di espansione è critica. Le wavelet sono superiori per dati con caratteristiche locali complesse, mentre gli spline sono ottimali per dati lisci.

5. Significato e Impatto

• Innovazione Metodologica: Il pacchetto integra formalmente nel contesto dei dati funzionali aggregati sia le tecniche classiche basate sugli spline che quelle più recenti basate sulle wavelet, fornendo un framework unificato in R.
• Applicabilità Pratica: Offre agli statistici e ai ricercatori in chemiometria uno strumento accessibile per risolvere problemi di calibrazione inversa, riducendo la necessità di analisi di laboratorio costose.
• Flessibilità: La possibilità di scegliere tra diverse basi e regole di shrinkage permette di adattare il modello alla natura specifica dei dati (lisci vs. discontinui).
• Accessibilità: Essendo disponibile su CRAN, il pacchetto democratizza l'accesso a metodi statistici avanzati precedentemente descritti solo in letteratura accademica.

In sintesi, FunctionalCalibration rappresenta un contributo significativo all'analisi dei dati funzionali, fornendo una soluzione robusta e flessibile per la decomposizione di segnali aggregati, con una chiara distinzione delle prestazioni tra approcci basati su spline e wavelet a seconda della regolarità delle funzioni sottostanti.