Cellwise and Casewise Robust Multivariate Regression with Inference

Sintesi Tecnica: Regressione Multivariata Robusta per Cella e per Caso con Inferenza

Enunciato del Problema
La regressione lineare multivariata è uno strumento statistico fondamentale per modellare le relazioni tra predittori di dimensione $p$ e risposte di dimensione $q$. Tuttavia, stimatori classici come i Minimi Quadrati Ordinari (OLS) sono altamente sensibili ai valori anomali. Le statistiche robuste tradizionali hanno affrontato principalmente i valori anomali per caso (interi casi che si discostano dalla maggioranza), richiedendo che almeno il 50% dei dati sia pulito. Tuttavia, i moderni dataset ad alta dimensione soffrono frequentemente di valori anomali per cella, dove singole voci nella matrice dei predittori o delle risposte sono contaminate. In alta dimensione, anche una piccola proporzione di celle contaminate può rendere "cattivi" (e.g., con $p=100$ e $q=2$, il 1% di contaminazione cellulare colpisce il 64% dei casi) una grande frazione dei casi, causando il fallimento dei metodi robusti per caso. Inoltre, le applicazioni contemporanee spesso coinvolgono valori mancanti e dimensioni dove $p \geq n$, portando a instabilità nella stima classica. Infine, sebbene la stima robusta sia consolidata, fornire un'inferenza statistica valida (e.g., intervalli di confidenza) sotto contaminazione simultanea per cella e per caso, specialmente con dati mancanti, rimane una sfida aperta.

Metodologia
Gli autori propongono cellMR (Regressione Multivariata per Cella) e cellBoot (Bootstrap per Cella) per affrontare queste sfide.

1. Lo stimatore cellMR:

   • Fondamento: Il metodo si basa su uno stimatore robusto della covarianza per cella (cellCov) sviluppato da Centofanti et al. (2025).
   • Meccanismo: Utilizza un approccio di Analisi delle Componenti Principali (PCA) robusto chiamato cellPCA per gestire la matrice combinata di predittori e risposte $[X; Y]$. Questo metodo modella i dati come una struttura a rango basso più rumore, impiegando funzioni $\rho$ valide (specificamente una funzione tangente iperbolica) per limitare l'influenza sia dei valori anomali per cella che per caso.
   • Regolarizzazione: Per garantire la stabilità numerica in contesti ad alta dimensione ($p \geq n$), i coefficienti di regressione sono stimati utilizzando la regolarizzazione ridge. I parametri di regressione sono derivati inserendo le stime robuste di posizione ($\hat{\mu}$) e dispersione ($\hat{\Sigma}$) da cellCov nelle formule standard della regressione ridge.
   • Dati Mancanti: Il quadro concettuale accoglie naturalmente i valori mancanti attraverso il meccanismo cellPCA, che utilizza indicatori di mancata presenza per ponderare i contributi durante la stima.
   • Previsione: Per la previsione su campioni fuori dal campione, il metodo impiega una strategia di imputazione in cui le celle sospette nei nuovi dati vengono pulite e le celle mancanti vengono riempite sulla base della struttura robusta appresa dai dati di addestramento.

2. La procedura di inferenza cellBoot:

   • Sfida: L'inferenza bootstrap diretta sullo stimatore cellMR è problematica perché lo stimatore non è garantito essere consistente a causa della sua costruzione per cella.
   • Soluzione: Gli autori introducono cellBoot, una procedura bootstrap basata sull'Inferenza Indiretta (II).
   • Stimatore Ausiliario: Un'approssimazione a un passo computazionalmente efficiente di cellCov, denominata FastCellCov, è utilizzata come stimatore ausiliario. Sebbene FastCellCov non sia consistente, cattura le proprietà di robustezza dello stimatore completo.
   • Correzione del Bias: Il quadro II costruisce uno stimatore consistente confrontando lo stimatore ausiliario calcolato sui dati osservati con la media dello stimatore ausiliario calcolato su dataset simulati generati da un modello parametrico.
   • Implementazione: L'algoritmo genera campioni bootstrap, calcola le stime FastCellCov, applica la correzione del bias II per ottenere stime consistenti di posizione e dispersione e, infine, deriva i coefficienti di regressione. Gli intervalli di confidenza sono costruiti utilizzando le quantili empiriche di queste stime bootstrap corrette.

Contributi Chiave

• Quadro Unificato: A conoscenza degli autori, questo è il primo metodo di regressione multivariata capace di gestire simultaneamente valori anomali per cella, valori anomali per caso, dati mancanti e alta dimensionalità ($p \geq n$).
• Proprietà Teoriche:
  • Gli autori derivano le funzioni di influenza (IF) per gli stimatori di regressione cellMR sotto entrambi i modelli di contaminazione per caso e per cella, dimostrando che gli stimatori sono limitati e quindi robusti.
  • Dimostrano la consistenza asintotica della procedura cellBoot.
  • Derivano le funzioni di influenza per il centro e la lunghezza degli intervalli di confidenza risultanti, dimostrandone la robustezza.
• Validità dell'Inferenza: Il documento stabilisce che gli intervalli di confidenza cellBoot sono asintoticamente esatti, fornendo una quantificazione valida dell'incertezza in contesti dove i metodi bootstrap standard o robusti (come FRB) falliscono.

Risultati

• Simulazioni: Estesi esperimenti Monte Carlo dimostrano che cellMR ottiene prestazioni predittive superiori (Minimo Errore Quadratico Medio inferiore) rispetto ai metodi concorrenti (inclusi RIDGE, SEST, PENSE, CRM, REGCELL e SHOOT) in vari scenari di contaminazione (per cella, per caso e misti) e dimensioni. I metodi concorrenti falliscono in alta dimensione o performano male sotto contaminazione per cella.
• Prestazioni di Inferenza: Il metodo cellBoot mantiene le probabilità di copertura nominale (e.g., 90%) anche sotto significativa contaminazione e dati mancanti. Al contrario, gli intervalli basati su OLS soffrono di una grave sottocopertura, e il Bootstrap Rapido e Robusto (FRB) fallisce in contesti ad alta dimensione.
• Applicazione su Dati Reali: I metodi sono stati applicati a un dataset di genomica che coinvolge 59 linee cellulari tumorali, 50 geni e 3 proteine. L'analisi ha identificato con successo associazioni robuste tra i livelli di espressione genica e proteica, visualizzate attraverso mappe degli outlier e diagrammi a foresta, gestendo efficacemente potenziali valori anomali e valori mancanti.

Significato e Affermazioni
Il documento afferma di fornire una metodologia unificata che affronta la "tripla minaccia" dell'analisi dati moderna: contaminazione per cella, contaminazione per caso e valori mancanti in alta dimensione. Afferma che cellMR è il primo approccio ad affrontare congiuntamente queste problematiche all'interno di un quadro di regressione multivariata. Inoltre, l'introduzione di cellBoot è presentata come il primo quadro di inferenza specificamente progettato per fornire intervalli di confidenza validi in presenza di contaminazione simultanea per cella e per caso combinata con valori mancanti. Gli autori sottolineano che il loro approccio va oltre la previsione per abilitare un'interpretazione scientifica affidabile attraverso una quantificazione robusta dell'incertezza.