The W-footrule coefficient: A copula-based measure of countermonotonicity

Este artigo introduz o coeficiente $W$-footrule, uma medida de contra-monotonicidade baseada em cópulas definida como a distância $L^1$ à cópula $W$, demonstra sua relação com o gamma de Gini e o footrule de Spearman, e propõe um estimador baseado em postos com propriedades estatísticas assintóticas validadas por simulações.

O essencial

Imagine que você está tentando entender como duas coisas estão relacionadas. Na estatística, usamos ferramentas chamadas "coeficientes" para medir essa conexão. Geralmente, essas ferramentas são ótimas para dizer se duas coisas andam juntas na mesma direção (quando uma sobe, a outra sobe) ou se andam em direções opostas (quando uma sobe, a outra desce).

A maioria das ferramentas clássicas trata o "andar junto" e o "andar oposto" de forma simétrica, como se fossem dois lados da mesma moeda. Mas os autores deste artigo, Enrique de Amo, David García-Fernández e Manuel Úbeda-Flores, disseram: "E se precisássemos de uma régua especial, feita sob medida, apenas para medir o quanto algo está indo na direção oposta perfeita?"

É aí que entra o Coeficiente W-footrule (ou $\Phi_C$).

A Analogia da "Dança dos Parceiros"

Para entender isso, imagine uma sala de dança com muitos casais:

1. A Dança Perfeita (Dependência Positiva): Todos os casais dançam exatamente igual. Se o parceiro A dá um passo para frente, o parceiro B também dá. Eles estão colados, espelhando-se perfeitamente. Na estatística, chamamos isso de copula $M$.
2. A Dança Espelhada (Independência): Os casais dançam sem se olhar. O movimento de um não tem nada a ver com o outro. É o caos organizado. Chamamos isso de copula $\Pi$.
3. A Dança de Contraste (Dependência Negativa Perfeita): Aqui está a estrela do show. Imagine que, para cada passo que o parceiro A dá para a direita, o parceiro B dá um passo para a esquerda. Se A sobe, B desce. Eles estão sempre se movendo em direções opostas, como se estivessem tentando se afastar o máximo possível, mas mantendo um ritmo perfeito. Na estatística, chamamos isso de copula $W$ (a "contra-monótona").

O Problema das Réguas Antigas

As réguas antigas (como o coeficiente de Spearman) medem o quão "desorganizado" o casal está em relação à Dança Perfeita (o espelhamento). Elas olham para o centro da sala e dizem: "Quão longe vocês estão de dançarem juntos?".

Mas e se você quiser saber especificamente: "Quão perto vocês estão de fazerem a Dança de Contraste perfeita?"? As réguas antigas não são tão boas nisso. Elas tratam o "andar junto" e o "andar oposto" de forma genérica.

A Nova Solução: A Régua W-footrule

Os autores criaram uma nova régua, o Coeficiente W-footrule.

• O Conceito: Em vez de medir a distância até a "Dança Perfeita" (andar juntos), essa nova régua mede a distância até a "Dança de Contraste" (andar opostos).
• A Metáfora do Espelho Quebrado: Imagine que a "Dança Perfeita" é um espelho intacto. A "Dança de Contraste" é um espelho quebrado onde a imagem é invertida. O coeficiente antigo mede o quanto você está longe do espelho intacto. O novo coeficiente mede o quanto você está longe do espelho invertido.
• O Resultado: Se o casal está fazendo a "Dança de Contraste" perfeita, o novo coeficiente diz: "Estão no alvo!" (valor -1). Se estão dançando juntos, o coeficiente diz: "Estão no extremo oposto do que queremos medir" (valor 0,5). Se estão independentes, fica no meio (valor 0).

Por que isso é importante?

1. Precisão em Cenários Específicos: Se você está estudando algo onde o "andar em direções opostas" é crucial (como em certos mercados financeiros onde um ativo sobe e o outro desce para proteger investimentos), essa nova régua é muito mais sensível e precisa do que as antigas.
2. A Quebra de Ouro: Os autores mostraram que o famoso "Gini's Gamma" (uma medida de concordância muito usada) pode ser desmontado em duas partes: uma parte que mede a proximidade da "Dança Perfeita" e outra que mede a proximidade da "Dança de Contraste". O novo coeficiente é a peça que faltava para completar esse quebra-cabeça.
3. Robustez: Eles provaram matematicamente que essa nova régua não "quebra" se houver um ou dois casais na sala que estejam dançando de forma estranha (outliers). Ela é resistente a erros.

O que os testes mostraram?

Os autores fizeram simulações de computador (como se fossem milhares de ensaios de dança) para testar a régua.

• Resultado: A nova régua funcionou perfeitamente. Ela foi mais precisa do que as réguas antigas quando os casais estavam realmente tentando fazer a "Dança de Contraste".
• Aplicação Prática: Agora, os estatísticos têm uma ferramenta nova e poderosa para detectar e medir relacionamentos negativos fortes com muito mais clareza.

Resumo em uma frase

Os autores criaram um novo "termômetro" estatístico que é especialista em medir o quanto duas coisas estão se movendo em direções opostas de forma perfeita, preenchendo uma lacuna que as ferramentas antigas deixavam para trás, e provando que essa medida é confiável, precisa e resistente a erros.

Resumo técnico

Resumo Técnico: O Coeficiente $W$-footrule

1. Problema e Motivação

As medidas de dependência baseadas em cópulas, como o $\rho$ de Spearman e o $\tau$ de Kendall, são fundamentais para quantificar associações monotônicas. No entanto, a maioria dessas medidas trata a dependência positiva e negativa de forma simétrica. O coeficiente footrule de Spearman ($\varphi_C$) possui uma interpretação geométrica como uma distância $L_1$ até a diagonal principal ($u=v$), focando no desvio da dependência positiva perfeita.

O problema central abordado neste trabalho é a falta de uma medida complementar que quantifique especificamente o desvio da dependência negativa perfeita (contramonotonicidade), ou seja, a distância até a anti-diagonal ($u+v=1$). Medidas existentes, como o $\gamma$ de Gini, detectam associação negativa, mas não isolam a "proximidade" à contramonotonicidade de forma direcional e geométrica análoga ao footrule de Spearman.

2. Metodologia e Definição do Coeficiente

Os autores introduzem o coeficiente $W$-footrule, denotado por $\Phi_C$, definido como uma distância $L_1$ até a cópula de Fréchet-Hoeffding inferior $W(u,v) = \max\{u+v-1, 0\}$, que caracteriza a dependência negativa perfeita.

• Definição Integral: O coeficiente é definido através da distribuição de $C(U, 1-U)$, onde $(U,V)$ possui cópula $C$. A representação $L_1$ é dada por:
  $$\Phi_C = 3 \int_0^1 \int_0^1 |1 - u - v| \, dC(u,v) - 1$$
• Normalização: O coeficiente é normalizado de modo que:
  • $\Phi_W = -1$ (dependência negativa perfeita);
  • $\Phi_M = 1/2$ (dependência positiva perfeita, onde $M$ é a cópula superior);
  • $\Phi_\Pi = 0$ (independência).
• Representação Alternativa: Uma forma computacionalmente mais eficiente é derivada como:
  $$\Phi_C = 6 \int_0^1 C(u, 1-u) \, du - 1$$
• Decomposição do $\gamma$ de Gini: Um dos resultados teóricos centrais é a prova de que o coeficiente de concordância de Gini ($\gamma_C$) pode ser decomposto como uma combinação linear do footrule de Spearman e do novo coeficiente:
  $$\gamma_C = \frac{2}{3} (\varphi_C + \Phi_C)$$
  Isso estabelece uma relação direta entre as medidas de desvio da diagonal e da anti-diagonal.

3. Propriedades Teóricas

O artigo estabelece diversas propriedades do coeficiente $\Phi_C$:

• Não é uma medida de concordância clássica: Diferente de $\gamma_C$, $\Phi_C$ não atinge o valor 1 para a dependência positiva perfeita ($M$), mas sim $1/2$.
• Monotonicidade e Simetria: É monotônico em relação à ordem de cópulas e invariante sob transformações marginais estritamente crescentes.
• Relação com Cópulas de Sobrevivência: $\Phi_{\hat{C}} = \Phi_C$, onde $\hat{C}$ é a cópula de sobrevivência.
• Exemplos Analíticos: O coeficiente é calculado explicitamente para a família de cópulas Gaussianas, resultando em uma expressão fechada em função do parâmetro de correlação $\rho$.

4. Estimação e Teoria Assintótica

Os autores propõem um estimador baseado em postos (rank-based) para amostras finitas:
$$\hat{\Phi}_n = \frac{6}{n(n+1)} \sum_{i=1}^n (n + 1 - R_i - S_i)_+ - 1$$
onde $R_i$ e $S_i$ são os postos das observações e $(x)_+ = \max(x, 0)$.

• Consistência: O estimador é fortemente consistente ($\hat{\Phi}_n \xrightarrow{a.s.} \Phi_C$).
• Normalidade Assintótica: Sob condições de regularidade (derivadas parciais da cópula contínuas), o estimador segue uma distribuição normal assintótica:
  $$\sqrt{n}(\hat{\Phi}_n - \Phi_C) \xrightarrow{d} N(0, \sigma^2_\Phi)$$
  A variância assintótica $\sigma^2_\Phi$ é derivada usando o método delta funcional aplicado ao processo empírico de cópulas.
• Robustez: A função de influência do estimador é uniformemente limitada (máximo absoluto de 12), garantindo robustez no sentido de Hampel (um único outlier não altera o estimador drasticamente).

5. Resultados da Simulação (Estudo de Monte Carlo)

Um estudo de simulação foi realizado com tamanhos de amostra $n \in \{100, 200, 500\}$ e diversas famílias de cópulas (Clayton, Gaussiana, Gumbel, Frank).

• Desempenho em Dependência Negativa: O estimador $\hat{\Phi}_n$ demonstrou viés e variância menores em comparação ao estimador do footrule de Spearman ($\hat{\varphi}_n$) quando a dependência é negativa (ex: Cópula Gaussiana com $\rho = -0.9$ ou Frank com $\theta = -10$).
• Comportamento Assintótico: O viés decresce na ordem de $O(n^{-1})$ e o desvio padrão na ordem de $O(n^{-1/2})$, conforme a teoria.
• Caso Limite: No caso de dependência positiva perfeita ($\rho=1$), o estimador apresenta variância zero (determinístico para um $n$ fixo), embora o teorema de normalidade não se aplique estritamente devido à falta de suavidade da cópula $M$.

6. Significado e Conclusões

O trabalho contribui significativamente para a teoria de cópulas ao:

1. Preencher uma lacuna metodológica: Oferece uma medida específica para quantificar a proximidade à contramonotonicidade, complementando as medidas existentes focadas na dependência positiva.
2. Fornecer uma decomposição estrutural: A relação $\gamma_C = \frac{2}{3}(\varphi_C + \Phi_C)$ oferece uma interpretação geométrica clara do coeficiente de Gini como uma média ponderada de distâncias a duas fronteiras opostas.
3. Garantir propriedades estatísticas sólidas: O estimador proposto é robusto, consistente e assintoticamente normal, sendo particularmente superior ao footrule de Spearman em cenários de forte dependência negativa.

Em suma, o coeficiente $W$-footrule é uma ferramenta estatística robusta e teoricamente fundamentada para a análise de estruturas de dependência negativa, permitindo testes formais de hipóteses sobre contramonotonicidade e uma caracterização mais rica das dependências bivariadas.