Projection Diagnostics for Directional Asymmetry and Tail-Ratio Departure in Multivariate Data

Technische Samenvatting: Projectie-diagnostiek voor Directionele Asymmetrie en Tail-Ratio Afwijking in Multivariate Data

Probleemstelling
Bestaande methoden voor het beoordelen van multivariate niet-normaliteit, zoals Mardia's moment-gebaseerde scheefheid (skewness) en kurtosis, of omnibus-testen (bijv. Henze–Zler, Doornik–Hansen, energy distance), kampen met twee primaire beperkingen. Ten eerste confunderen zij vaak verschillende bronnen van niet-Gaussianiteit; een verwerping van normaliteit maakt geen onderscheid tussen of de afwijking wordt gedreven door directionele asymmetrie (scheefheid), staartinflatie (heavy tails), of een combinatie van beide. Ten tweede zijn moment-gebaseerde benaderingen afhankelijk van derde en vierde momenten, die instabiel of ongedefinieerd kunnen zijn in heavy-tailed settings en gevoelig zijn voor effecten van hoge dimensionaliteit in kleine steekproeven. Bovendien blijven projectie-gebaseerde concurrenten, zoals de Malkovich–Afifi-test, hoewel zij directionaliteit adresseren, moment-gebaseerd en computationeel intensief. De auteurs stellen de behoefte aan een diagnostisch kader voor die directionele scheefheid scheidt van tail-ratio afwijking met behulp van robuuste, kwantiel-gebaseerde maten om daaropvolgende modelleringskeuzes te sturen (bijv. de selectie tussen symmetrische, scheve, tail-departed, of gecombineerde modellen).

Methodologie
De voorgestelde procedure reduceert het multivariate diagnostische probleem tot een collectie eendimensionale projecties. Laat $X_1, \dots, X_n$ observaties zijn van $p$ dimensies. De methode werkt op gecentreerde projecties $Y_i(u) = u^\top(X_i - \hat{\theta})$ langs een verzameling richtingen $U_m = \{u_1, \dots, u_m\}$ gesampled uit de eenheidsbol $S^{p-1}$. De verzameling richtingen combineert willekeurige richtingen (uniform gesampled) en coördinatierichtingen om brede dekking en gevoeligheid voor ijle of marginale afwijkingen te garanderen.

Twee kwantiel-gebaseerde samenvattingen worden berekend over de gezochte richtingen:

1. Directionele Scheefheid ($\hat{S}U_{m, A_S}$): Een maat voor asymmetrie geëvalueerd over een eindige verzameling kwantielniveaus $A_S \subset (0, 0.5)$. De auteurs maken gebruik van een Bowley-type statistiek en gegeneraliseerde kwantiel-scheefheid:
   $$\hat{\gamma}_a(u) = \frac{\hat{Q}_{1-a}(u) + \hat{Q}_a(u) - 2\hat{Q}_{0.50}(u)}{\hat{Q}_{1-a}(u) - \hat{Q}_a(u)}$$
   De samenvattende statistiek is de maximale absolute waarde over de richtingen en kwantielniveaus: $\hat{S}U_{m, A_S} = \max_{u \in U_m} \max_{a \in A_S} |\hat{\gamma}_a(u)|$.

2. Directionele Tail-Ratio ($\hat{T}U_m$): Een maat voor staartdikte relatief aan een benchmark (bijv. Gaussian). Het vergelijkt de breedte van een extern centraal interval met de interkwartielafstand:
   $$\hat{\tau}_q(u) = \frac{\hat{Q}_{1-q}(u) - \hat{Q}_q(u)}{\hat{Q}_{0.75}(u) - \hat{Q}_{0.25}(u)}$$
   De samenvatting is de maximale afwijking van een referentiewaarde $\tau^0_q$: $\hat{T}U_m = \max_{u \in U_m} |\hat{\tau}_q(u) - \tau^0_q|$.

Kalibratie en Classificatie
Om rekening te houden met dimensionaliteit en het aantal gezochte richtingen, worden de ruwe statistieken gekalibreerd via simulatie onder een referentiemodel (typisch Gaussian, hoewel elliptische kalibratie wordt besproken). Dit levert p-waarden op voor scheefheid ($p_S$) en staartafwijking ($p_T$). Deze twee dimensies definiëren een vier-regime classificatie:

• Symmetric Benchmark-Tail: Geen significante scheefheid of staartafwijking.
• Symmetric Tail-Departed: Significante staartafwijking maar geen scheefheid.
• Skewed Benchmark-Tail: Significante scheefheid maar geen staartafwijking.
• Skewed Tail-Departed: Significante scheefheid én staartafwijking.

Theoretische Resultaten
Het artikel stelt verschillende theoretische eigenschappen vast:

• Populatie-scheiding: Onder centrale symmetrie verdwijnt directionele scheefheid in alle richtingen. Onder ellipticiteit is de schaal-onafhankelijke tail-ratio constant over alle niet-degeneratieve richtingen.
• Detecteerbaarheid: Stellingen tonen aan dat een eindige verzameling willekeurige richtingen gelokaliseerde afwijkingen kan detecteren als het signaal persisteert in een sferische buurt, waarbij de detectiekans wordt gecontroleerd door het aantal projecties en de massa van de sferische kap.
• Eindste-steekproef Controle: Uniforme grenzen worden afgeleid voor de empirische kwantiel-diagnostiek over de gezochte richtingen, wat aantoont dat ze convergeren met een snelheid van $\sqrt{\log(m)/n}$. Cruciaal is dat deze grenzen geen bestaan van derde of vierde momenten vereisen.
• Consistentie: Een drempel-classifier gebaseerd op de twee samenvattingen wordt getoond consistent te zijn onder gescheiden regimes (waar de populatiestatistieken ver van nul af liggen).
• Sparse Alternatieven: Een rank-één analyse illustreert dat hoewel willekeurige richtingen brede dekking bieden, ze inefficiënt kunnen zijn voor sparse signalen. Het aanvullen met coördinatierichtingen zorgt voor gevoeligheid voor sparse, coördinaat-gealigneerde afwijkingen.

Simulatie-resultaten
Monte Carlo-experimenten evalueren de methode over Gaussian, Student-$t$, skew-normal, skew-$t$ en contaminated normal distributies.

• Scheiding: De scheefheid-component verwerpt correct skew-normal en skew-$t$ modellen terwijl de nominale grootte wordt behouden voor symmetrische modellen (inclusief heavy-tailed Student-$t$ en contaminated normals). Omgekeerd verwerpt de staart-component Student-$t$, skew-$t$ en contaminated normals terwijl deze stabiel blijft voor Gaussian en skew-normal data.
• Dimensionaliteit: In dense skewness settings neemt de power af in hoge dimensies met kleine steekproeven door de moeilijkheid om willekeurige projecties uit te lijnen met het signaal. Echter, het toevoegen van coördinatierichtingen verbetert de power aanzienlijk voor sparse scheefheid.
• Vergelijking: De voorgestelde methode vertoont een verwerpingsgedrag vergelijkbaar met standaard omnibus-testen (Mardia, Henze–Zler, etc.), maar biedt superieure interpreteerbaarheid door de bron van de niet-normaliteit te deconstrueren. Het is ook computationeel efficiënter dan projectie-zoek (projection-pursuit) kurtosis-testen.

Toepassing op Werkelijke Data
De methode wordt toegepast op multivariate luchtkwaliteitsdata (10 verontreinigende stoffen) uit vijf Indiase steden.

• Bevindingen: Een analyse van de volledige steekproef classificeert alle steden als "skewed tail-departed", wat suggereert dat skewed heavy-tailed modellen (bijv. skew-$t$) nodig zijn.
• Temporele Dynamiek: Een sub-periode analyse onthult een verschuiving. Pre-2020 data voor sommige steden (Mumbai, Kolkata, Bangalore) werden geclassificeerd als "skewed benchmark" (asymmetrisch maar niet heavy-tailed), terwijl post-2020 data voor alle steden verschoven naar "skewed tail-departed". Dit benadrukt het vermogen van de diagnostiek om specifieke modelleringskeuzes te sturen (bijv. of heavy tails noodzakelijk zijn), wat omnibus-testen zouden missen.

Betekenis en Claims
De auteurs positioneren dit werk niet als een uniforme dominantie in ruwe verwerpingskracht over bestaande testen, maar als een robuuste, interpreteerbare diagnostische decompositie. De primaire bijdrage is de scheiding van multivariate niet-Gaussianiteit in twee afzonderlijke, interpreteerbare componenten: directionele asymmetrie en tail-ratio afwijking. Door gebruik te maken van kwantiel-gebaseerde functionalen, vermijdt de methode de instabiliteit van hogere-orde momenten in heavy-tailed settings. Het kader is ontworpen als een screeningtool om de keuze van daaropvolgende parametrische modellen te informeren (symmetrisch vs. scheef, light-tailed vs. heavy-tailed), waarmee een gat wordt opgevuld dat door omnibus normaliteitstesten wordt achtergelaten, die slechts de nullhypothese verwerpen zonder de aard van de afwijking te karakteriseren. Het artikel concludeert door te wijzen op beperkingen met betrekking tot temporele afhankelijkheid en de potentie voor toekomstige uitbreidingen met data-adaptieve richtingen (PCA/ICA) en functionele data.