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

Resumo Técnico: Teste de Score de Componente de Variância para Detecção de Mudança de Ponto Multivariada

Definição do Problema
A detecção de mudança de ponto multivariada envolve identificar mudanças distributivas em dados ordenados no tempo através de múltiplas características. Esta tarefa é particularmente desafiadora em aplicações de saúde móvel (mHealth), onde o número de características ($p$) frequentemente excede ou é comparável ao número de observações ($T$), e onde a detecção oportuna de mudanças comportamentais é crítica para intervir em pacientes em risco (ex: aqueles com instabilidade afetiva). Os métodos existentes enfrentam limitações: o $T^2$ de Hotelling foi projetado para detecção de outliers offline e carece de poder para mudanças persistentes e sutis; os métodos de Soma Cumulativa (CUSUM) são sensíveis a parâmetros de ajuste e perdem poder à medida que o número de fluxos de dados aumenta; e os métodos de divergência de amostra são computacionalmente caros devido às comparações pareadas. Além disso, os métodos de detecção online padrão frequentemente sofrem de viés ao estimar parâmetros distributivos (média e covariância) usando dados que podem já conter o ponto de mudança.

Metodologia
Os autores propõem o VC*, um teste de score de componente de variância adaptado para detecção de mudança de ponto multivariada. O método opera em um cenário online, avaliando potenciais pontos de mudança usando apenas dados pré-mudança para estimar os parâmetros distributivos.

• Modelo Estatístico: Os dados são modelados como um vetor de características $\mathbf{Y}_t$, onde ocorre uma mudança de ponto no dia $k$. Pós-mudança, as médias das características mudam por um vetor $\boldsymbol{\beta}$ e a variância muda por $\delta$. A hipótese nula ($H_0$) postula nenhuma mudança na média ou variância ($\boldsymbol{\beta}=\mathbf{0}, \delta=0$).
• Estrutura de Componente de Variância: Os autores estendem a estrutura do teste de score de componente de variância, tradicionalmente usada em modelagem de efeitos mistos e GWAS. Eles tratam a mudança de média $\boldsymbol{\beta}$ como um efeito aleatório distribuído como $\mathcal{N}(\mathbf{0}, \tau\mathbf{I}_p)$. Isso reduz o problema de teste de $p+1$ parâmetros para dois parâmetros: $\tau$ (variância das mudanças de média) e $\delta$ (mudança de variância).
• Estratégia de Redução de Viés: Uma inovação metodológica chave é a estimativa da média ($\boldsymbol{\mu}$) e das matrizes de covariância ($\Sigma$) usando apenas os dias pré-mudança. Os autores demonstram, via Teorema 2.1, que usar todos os dias disponíveis (incluindo dias pós-mudança) resulta em estimadores enviesados sob a hipótese alternativa. Embora o uso de menos dias aumente a variância do estimador, os autores argumentam que a redução no viés gera maior poder de detecção, particularmente em cenários com $T$ pequeno.
• Regularização: Para lidar com cenários de alta dimensionalidade onde $p > T$, o estimador de covariância é regularizado usando um parâmetro de encolhimento (shrinkage) $\phi \in [0, 1]$. Isso combina a matriz de correlação amostral com uma matriz diagonal de variâncias, estabilizando a estimativa quando os dados são esparsos.
• Estatística de Teste: A estatística de teste $Q_k$ é computada para dias candidatos $k$ dentro de uma janela de busca ($d_b$). A decisão final rejeita a hipótese nula se o máximo de $Q_k$ sobre a janela exceder um limiar derivado de uma distribuição nula empírica.

Principais Contribuições

1. Aplicação Inédita: Esta é a primeira aplicação de um teste de score de componente de variância ao contexto de detecção de mudança de ponto multivariada.
2. Estimativa Consciente de Viés: O artigo introduz uma estratégia para estimar parâmetros usando apenas dados pré-mudança para evitar viés, demonstrando via simulação que este trade-off (maior variância para menor viés) melhora o poder em amostras pequenas.
3. Robustez: O método é projetado para detectar mudanças em médias, variâncias ou ambas simultaneamente, tornando-o robusto a diferentes tipos de mudanças distributivas.

Resultados

• Estudos de Simulação:
  • Comparação de Poder: Em simulações com $T \in \{30, 60, 90\}$ e $p=50$, o VC* demonstrou maior poder que o $T^2$ de Hotelling, CUSUM e divergência de amostra em vários cenários (mudança apenas na média, apenas na variância e mudanças conjuntas).
  • Trade-off Viés vs. Variância: Comparações entre o VC* (estimativa pré-mudança) e um teste VC tradicional (estimativa de todos os dados) mostraram que o VC* superou consistentemente o método tradicional quando as correlações de características estavam presentes ($\alpha > 0$). Em configurações não correlacionadas, o desempenho foi comparável ou ligeiramente inferior para $T$ muito pequeno em mudanças apenas de variância, mas o VC* permaneceu superior em configurações correlacionadas.
• Aplicação em Dados Reais:
  • O método foi aplicado a dados de smartphones coletados passivamente (GPS e métricas sociais) de 41 adolescentes e jovens adultos com instabilidade afetiva.
  • O VC* detectou 99 pontos de mudança em 31 sujeitos, significativamente mais do que os métodos concorrentes (Hotelling's $T^2$: 31; CUSUM: 32; Divergência de Amostra: 33).
  • Correlações Clínicas: A taxa de pontos de mudança detectados pelo VC* mostrou uma correlação positiva marginalmente significativa com a subescala "eficiência do sono habitual" do Índice de Qualidade do Sono de Pittsburgh (PSQI) e uma correlação negativa marginalmente significativa com a subescala "busca de sensações" da Escala de Busca de Sensação Breve (BSS). Nenhuma diferença significativa na taxa de pontos de mudança foi encontrada entre pacientes com e sem diagnósticos de transtornos de personalidade.

Significância e Alegações
O artigo afirma que o VC* oferece uma abordagem estatisticamente rigorosa e poderosa para a detecção online de mudança de ponto multivariada, especificamente adaptada às restrições dos dados de saúde móvel (alta dimensionalidade, pequenos tamanhos de amostra e necessidade de intervenção em tempo real). Os autores enfatizam que a capacidade do método proposto de utilizar apenas dados pré-mudança para evitar viés é uma vantagem crítica no monitoramento sequencial. Eles observam que, embora o método tenha detectado mais pontos de mudança do que os concorrentes na aplicação do mundo real, a verdade fundamental (ground truth) permanece desconhecida, e o alto número de detecções pode refletir o uso de um limiar de significância convencional de 0,05 aplicado sequencialmente. Os autores concluem que o VC* é bem adequado para contextos de mHealth, onde identificar desvios recentes do comportamento basal é vital para a intervenção clínica oportuna, embora reconheçam desafios em relação ao controle de falsos positivos no teste sequencial e a necessidade de dados pré-mudança suficientes para garantir uma estimativa de parâmetros confiável.