Robust measures of dispersion for circular data with an anomaly detection rule

Resumo Técnico: Medidas Robustas de Dispersão para Dados Circulares com Regra de Detecção de Anomalias

1. Problema e Motivação

Variáveis circulares (ângulos, direções, observações periódicas) são comuns em áreas como biologia e ciências ambientais. A análise estatística desses dados enfrenta desafios específicos devido à sua natureza em uma variedade não linear e limitada (o círculo).

• Sensibilidade a Outliers: Medidas clássicas de dispersão, como o Desvio Padrão Circular (CSD), são extremamente sensíveis a valores atípicos (anomalias). O artigo ilustra isso com dados de estrelas-do-mar sardas, onde a remoção de apenas duas observações reduziu o CSD drasticamente (de 0,58 para 0,36), indicando que o estimador clássico não é robusto.
• Lacuna na Literatura: Embora existam medidas robustas de localização circular (como a mediana circular), as medidas de dispersão robustas receberam menos atenção. A Desvio Absoluto Mediano Circular (CMAD) já foi utilizada, mas não havia sido analisada rigorosamente através das ferramentas da estatística robusta (função de influência, valor de ruptura, etc.).

2. Metodologia

Os autores estendem três medidas de dispersão robustas do domínio linear para o circular e desenvolvem um procedimento de detecção de anomalias baseado nelas.

A. Novas Medidas de Dispersão Circular:
O artigo define e analisa três estimadores:

1. CMAD (Circular Median Absolute Deviation): A mediana das distâncias de arco mais curtas dos pontos até a mediana circular. É uma extensão do MAD linear.
2. CLMS (Circular Least Median Spread): A menor mediana das distâncias de um ponto arbitrário no círculo até os dados. Estende o método Least Median of Squares (LMS) de Rousseeuw. É definido como metade do comprimento do menor arco que contém pelo menos 50% da distribuição de probabilidade.
3. CLTS (Circular Least Trimmed Standard Deviation): O menor Desvio Padrão Circular (CSD) calculado sobre arcos que contêm pelo menos 50% da massa de probabilidade. Estende o método Least Trimmed Squares (LTS).

B. Análise Teórica de Robustez:
Para cada medida, os autores derivaram:

• Funções de Influência (IF): Avaliaram o efeito de uma pequena fração de contaminação pontual. As funções de influência do CMAD e CLMS são limitadas (bounded), indicando robustez, enquanto a do CLTS tem uma forma diferente, mas também limitada.
• Curvas de Viés Relativo: Analisaram o impacto de contaminações maiores (5%, 10%, 20%). Os resultados mostram que o CSD clássico sofre viés massivo, enquanto as medidas robustas mantêm o viés baixo.
• Valores de Ruptura (Breakdown Values): Determinaram a fração máxima de outliers que um estimador pode tolerar antes de falhar.
  • O CLMS e o CLTS atingem o valor de ruptura máximo teórico de 0,5 (50% dos dados podem ser outliers).
  • O CMAD tem um valor de ruptura ligeiramente inferior a 0,5, dependendo da concentração da distribuição, mas ainda é alto.

C. Estimação de Parâmetros e Eficiência:
Os autores construíram estimadores consistentes para os parâmetros de dispersão de distribuições padrão (Von Mises e Normal Envolvida) usando essas medidas.

• Eficiência Relativa Assintótica (ARE): Em simulações, o estimador baseado no CLMS demonstrou desempenho superior, mantendo uma eficiência superior a 70% para baixas concentrações e convergindo para 37% para altas concentrações (comportamento esperado ao se aproximar da normal linear). O CLTS foi ligeiramente menos eficiente (30,67% no limite).

D. Detecção de Anomalias e Visualização:

• Regra de Detecção: Propõe-se uma regra onde a distância de cada ponto à mediana circular robusta é comparada a um cutoff (limiar) baseado na distribuição teórica (ex: Von Mises) com o parâmetro de concentração estimado robustamente (via CLMS).
• Círculo Violin Plot (Circular Violin Plot): Uma nova ferramenta gráfica que adapta o violin plot linear para dados circulares.
  • A densidade estimada é montada na circunferência do círculo e espelhada radialmente para o interior.
  • A espessura do "violino" reflete a concentração local dos dados.
  • Pontos fora do limiar de detecção são marcados como outliers.
  • Integra elementos do boxplot circular (mediana e intervalo interquartil) dentro do violino.

3. Resultados Principais

• Comparação de Desempenho: Em estudos de simulação com dados contaminados (deslocamento de média e contaminação pontual), o estimador CLMS mostrou-se o mais robusto e eficiente entre os três propostos, superando o CMAD e o CLTS, e sendo drasticamente superior ao Estimador de Máxima Verossimilhança (MLE) na presença de outliers.
• Análise de Dados Reais:
  1. Rãs (Northern cricket frogs): O método identificou corretamente um outlier conhecido na literatura, alinhando-se com abordagens de exclusão, mas de forma mais robusta.
  2. Estrelas-do-mar (Sardinian sea stars): O método detectou dois outliers simultaneamente. Métodos de exclusão sequencial falharam devido ao efeito de mascaramento (um outlier esconde o outro), enquanto o CLMS, usando apenas 50% dos dados para a estimativa, ignorou ambos os outliers na estimação dos parâmetros, permitindo sua detecção correta.
  3. Larvas de Drosophila: O violin plot revelou que os dados não seguiam uma distribuição Von Mises (muitos pontos fora do violino e sem lacuna clara), sugerindo uma distribuição com caudas mais pesadas (como a distribuição Inverse Batschelet), demonstrando a utilidade da ferramenta para validação de modelos.

4. Contribuições Chave

1. Fundamentação Teórica: Primeira análise completa de robustez (função de influência, viés, ruptura) para o CMAD e introdução teórica do CLMS e CLTS no contexto circular.
2. Novos Estimadores: Definição formal e propriedades de CLMS e CLTS, com o CLMS emergindo como o estimador de dispersão circular robusto preferencial.
3. Ferramenta de Detecção: Desenvolvimento de uma regra de detecção de anomalias que evita o efeito de mascaramento, superando limitações de métodos de exclusão sequencial.
4. Visualização: Introdução do Circular Violin Plot, uma ferramenta gráfica inovadora que combina densidade, resumo robusto e detecção de outliers em um único visual circular.

5. Significância

Este trabalho preenche uma lacuna crítica na estatística de dados circulares, fornecendo ferramentas robustas que permitem a análise confiável de dados direcionais na presença de anomalias. A proposta do CLMS como o melhor estimador e a introdução do Circular Violin Plot oferecem aos pesquisadores métodos práticos e visualmente intuitivos para explorar, modelar e validar dados circulares em diversas áreas científicas, desde a ecologia até a neurociência. O trabalho também sugere extensões futuras para outras variedades, como a esfera e o toro.