Variance component score test for multivariate change point detection with applications to mobile health

Technische Samenvatting: Variantiecomponent Score-test voor Multivariate Change Point Detectie

Probleemstelling
Multivariate change point detectie betreft het identificeren van distributieve verschuivingen in tijdgeordende data over meerdere kenmerken. Deze taak is bijzonder uitdagend in mobiele gezondheidsapplicaties (mHealth), waarbij het aantal kenmerken ($p$) vaak groter is dan of vergelijkbaar met het aantal observaties ($T$), en waar tijdige detectie van gedragsveranderingen cruof is voor de interventie bij risicopatiënten (bijv. patiënten met affectieve instabiliteit). Bestaande methoden kennen beperkingen: Hotelling's $T^2$ is ontworpen voor offline outlier detectie en mist kracht bij persistente, subtiele veranderingen; Cumulative Sum (CUSUM) methoden zijn gevoelig voor afstemparameters en verliezen aan kracht naarmate het aantal datastromen toeneemt; en methoden gebaseerd op steekproefdivergentie zijn computationeel duur vanwege paarwijze vergelijkingen. Bovendien lijden standaard online detectiemethoden vaak aan bias bij het schatten van distributieve parameters (gemiddelde en covariantie) met behulp van data die mogelijk al het veranderingspunt (change point) bevat.

Methodologie
De auteurs stellen VC* voor, een variatiecomponent score-test aangepast voor multivariate change point detectie. De methode werkt in een online setting en evalueert potentiële veranderingspunten met behulp van uitsluitend de data voorafgaand aan het veranderingspunt om de distributieve parameters te schatten.

• Statistisch Model: De data wordt gemodelleerd als een feature-vector $\mathbf{Y}_t$ waarbij een veranderingspunt optreedt op dag $k$. Na de verandering verschuift de gemiddelde waarde van de features met een vector $\boldsymbol{\beta}$ en de variantie verschuift met $\delta$. De nulhypothese ($H_0$) stelt dat er geen verandering is in gemiddelde of variantie ($\boldsymbol{\beta}=\mathbf{0}, \delta=0$).
• Variantiecomponent Framework: De auteurs breiden het framework van de variatiecomponent score-test uit, die traditioneel wordt gebruikt in mixed-effects modellering en GWAS. Zij behandelen de verschuiving in het gemiddelde $\boldsymbol{\beta}$ als een random effect verdeeld als $\mathcal{N}(\mathbf{0}, \tau\mathbf{I}_p)$. Dit reduceert het testprobleem van $p+1$ parameters naar twee parameters: $\tau$ (variantie van de gemiddelde verschuivingen) en $\delta$ (variantieverschuiving).
• Bias-reductiestrategie: Een belangrijke methodologische innovatie is de schatting van het gemiddelde ($\boldsymbol{\mu}$) en de covariantie-matrices ($\Sigma$) met gebruikmaking van uitsluitend de dagen vóór het veranderingspunt. De auteurs tonen via Theorem 2.1 aan dat het gebruik van alle beschikbare dagen (inclusief de dagen na de verandering) leidt tot bevooroordeelde (biased) schatters onder de alternatieve hypothese. Hoewel het gebruik van minder dagen de variantie van de schatter verhoogt, beargumenteren de auteurs dat de reductie in bias leidt tot een hogere detectiekracht, met name in scenario's met een kleine $T$.
• Regularisatie: Om hoog-dimensionale settings te hanteren waar $p > T$, wordt de covariantieschatter geregulariseerd met een shrinkagesparameter $\phi \in [0, 1]$. Dit mengt de steekproefcorrelatiematrix met een diagonale matrix van varianties, wat de schatting stabiliseert wanneer de data schaars is.
• Teststatistiek: De teststatistiek $Q_k$ wordt berekend voor kandidaat-dagen $k$ binnen een zoekvenster ($d_b$). De uiteindelijke beslissing verwerpt de nulhypothese als de maximale $Q_k$ over het venster een drempelwaarde overschrijdt die is afgeleid van een empirische nulverdeling.

Belangrijkste Bijdragen

1. Nieuwe Toepassing: Dit is de eerste toepassing van een variatiecomponent score-test in de context van multivariate change point detectie.
2. Bias-bewuste Schatting: Het artikel introduceert een strategie om parameters te schatten met behulp van enkel de data vóór de verandering om bias te vermijden, en demonstreert via simulaties dat deze afweging (hogere variantie voor lagere bias) de kracht verbetert bij kleine steekproefomvang.
3. Robuustheid: De methode is ontworpen om veranderingen in gemiddelden, varianties of beide gelijktijdig te detecteren, wat het robuust maakt voor verschillende soorten distributieve verschuivingen.

Resultaten

• Simulatiestudies:
  • Krachtvergelijking: In simulaties met $T \in \{30, 60, 90\}$ en $p=50$, vertoonde VC* een hogere kracht dan Hotelling's $T^2$, CUSUM en steekproefdivergentie in diverse scenario's (alleen gemiddelde, alleen variantie en gecombineerde veranderingen).
  • Bias vs. Variantie Afweging: Vergelijkingen tussen VC* (schatting voorafgaand aan de verandering) en een traditionele VC-test (schatting op basis van alle data) toonden aan dat VC* consequent beter presteerde dan de traditionele methode wanneer feature-correlaties aanwezig waren ($\alpha > 0$). In ongecorreleerde settings was de prestatie vergelijkbaar of licht lager voor zeer kleine $T$ bij variantie-alleen veranderingen, maar VC* bleef superieur in gecorreleerde settings.
• Toepassing op Real-world Data:
  • De methode werd toegepast op passief verzamelde smartphone-data (GPS en sociale metrieken) van 41 adolescenten en jongvolwassenen met affectieve instabiliteit.
  • VC* detecteerde 99 veranderingspunten over 31 subjecten, aanzienlijk meer dan concurrerende methoden (Hotelling's $T^2$: 31; CUSUM: 32; Sample Divergence: 33).
  • Klinische Correlaties: De frequentie van door VC*-gedetecteerde veranderingspunten vertoonde een marginaal significante positieve correlatie met de subschaal "habitual sleep efficiency" van de Pittsburgh Sleep Quality Index (PSQI) en een marginaal significante negatieve correlatie met de subschaal "experience seeking" van de Brief Sensation Seeking (BSS) Scale. Er werd geen significant verschil gevonden in de frequentie van veranderingspunten tussen patiënten met en zonder persoonlijkheidsstoornis-diagnose.

Betekenis en Claims
Het artikel claimt dat VC* een statistisch rigoureus en krachtig proces biedt voor online multivariate change point detectie, specifiek afgestemd op de beperkingen van mHealth-data (hoge dimensionaliteit, kleine steekproeven en de noodzaak voor real-time interventie). De auteurs benadrukken dat het vermogen van de voorgestelde methode om uitsluitend de data vóór de verandering te gebruiken om bias te vermijden, een cruciaal voordeel is in sequentiële monitoring. Zij merken op dat hoewel de methode meer veranderingspunten detecteerde dan concurrenten in de real-world toepassing, de grondwaarheid (ground truth) onbekend blijft, en dat het hoge aantal detecties kan voortvloeien uit het sequentieel toepassen van een conventionele 0,05 significantiedrempel. De auteurs concluderen dat VC* goed geschikt is voor mHealth-contexten waar het identificeren van recente afwijkingen van het basisgedrag essentieel is voor tijdige klinische interventie, hoewel zij de uitdagingen erkennen met betrekking tot de controle van fout-positieven in sequentiële testen en de noodzaak van voldoende pre-change data om betrouwbare parameterschattingen te garanderen.