A Kernel-Based Nonparametric Test for Conditional Independence of Functional Data

Resumo Técnico: Teste de Independência Condicional para Dados Funcionais

1. O Problema

A independência condicional é um conceito fundamental em diversas áreas da estatística, como redução de dimensão, inferência causal e modelos gráficos. O objetivo é determinar se duas variáveis aleatórias $X$ e $Y$ são independentes dado um terceiro conjunto de variáveis $Z$ (denotado como $X \perp\!\!\perp Y | Z$).

Embora existam muitos testes não paramétricos para dados multivariados (vetoriais), a literatura carecia de métodos robustos para dados funcionais (onde $X, Y, Z$ são funções aleatórias, como curvas ou séries temporais contínuas). A maioria dos métodos existentes falha ao lidar com a natureza infinita-dimensional dos dados funcionais e com a complexidade da inversão de operadores de covariância nesse contexto. Além disso, a distribuição assintótica de testes anteriores baseados em kernels (como o de Zhang et al., 2011) não havia sido rigorosamente justificada sob condições gerais devido a dificuldades na taxa de convergência dos estimadores de operadores de regressão.

2. Metodologia

Os autores propõem um teste baseado em Kernels dentro da estrutura de Espaços de Hilbert com Núcleo Reprodutor (RKHS), utilizando um operador inovador chamado Operador de Covariância Condicional Conjugado (CCCO - Conjoined Conditional Covariance Operator).

Principais componentes metodológicos:

• Definição do CCCO:
  O teste baseia-se no operador $\Sigma_{\ddot{X}\ddot{Y}|Z}$, definido como:
  $$\Sigma_{\ddot{X}\ddot{Y}|Z} = \Sigma_{\ddot{X}\ddot{Y}} - \Sigma_{\ddot{X}Z}\Sigma_{ZZ}^{\dagger}\Sigma_{Z\ddot{Y}}$$
  Onde $\ddot{X} = (X, Z)$ e $\ddot{Y} = (Y, Z)$. O teorema central (Teorema 1) estabelece que $\Sigma_{\ddot{X}\ddot{Y}|Z} = 0$ se e somente se $X \perp\!\!\perp Y | Z$, assumindo que os kernels são característicos.

• Estimativa do Estatístico de Teste:
  A estatística de teste proposta é $T_n = n \|\hat{\Sigma}_{\ddot{X}\ddot{Y}|Z}\|_{HS}^2$, onde $\|\cdot\|_{HS}$ é a norma de Hilbert-Schmidt.

  • Como o operador de covariância $\Sigma_{ZZ}$ não é invertível na prática (é de posto finito em amostras), utiliza-se regularização de Tikhonov ($\Sigma_{ZZ} + \epsilon_n I$) para estimar os operadores de regressão condicionais.
  • O estimador é construído substituindo expectativas populacionais por médias amostrais e utilizando matrizes de Gram (Kernels) para a implementação numérica.

• Tratamento de Dados Discretos:
  Como dados funcionais são observados em pontos discretos, o método inclui uma etapa de reconstrução das curvas usando um suavizador baseado em kernel (RKHS smoother) antes de calcular os kernels de segundo nível (distâncias e produtos internos entre as funções).

• Distribuição Assintótica e Aceleração Computacional:

  • Deriva-se a distribuição assintótica de $T_n$ sob a hipótese nula. O resultado converge para uma soma ponderada de variáveis aleatórias $\chi^2$ independentes, cujos pesos são os autovalores de um operador limite.
  • Para calcular esses autovalores eficientemente (evitando a inversão de matrizes $n^2 \times n^2$), os autores propõem um algoritmo de aceleração que reduz o problema para a diagonalização de uma matriz $n \times n$.

3. Contribuições Chave

1. Generalização para Dados Funcionais: É a primeira extensão rigorosa de testes de independência condicional baseados em kernels para o cenário de dados funcionais (funções aleatórias).
2. Justificativa Teórica Rigorosa: O artigo fornece a primeira prova completa e rigorosa da distribuição assintótica nula para testes baseados em CCCO (como o proposto por Zhang et al., 2011), que anteriormente era apenas esboçada.
   • Ponto Crítico: A prova depende de uma nova taxa de convergência "aprimorada" para operadores de regressão (Choi et al., 2026). Os autores mostram que a taxa de convergência anterior ($n^{-1/4}$) era insuficiente para garantir a validade assintótica, mas que, sob condições de suavidade ($\beta$) e decaimento de autovalores ($\alpha$), a nova taxa permite que o termo de erro seja $o_P(n^{-1/2})$, validando o teste.
3. Algoritmo Eficiente: Desenvolvimento de um método computacional para estimar os autovalores da distribuição limite sem custo computacional proibitivo, tornando o teste aplicável a conjuntos de dados reais.
4. Procedimento de Seleção de Parâmetros: Proposta de um método sistemático usando Validação Cruzada Generalizada (GCV) para selecionar parâmetros de regularização e largura de banda dos kernels.

4. Resultados

• Estudos de Simulação:

  • O teste foi avaliado em cinco modelos com diferentes estruturas de dependência (aditivas, multiplicativas, logarítmicas) e tamanhos de amostra ($n=50$ a $500$).
  • Controle de Erro Tipo I: No modelo onde $X$ e $Y$ são condicionalmente independentes (Modelo 1), os valores-p foram consistentemente maiores que 0,05, indicando que o teste não rejeita falsamente a hipótese nula.
  • Poder do Teste: Nos modelos onde a dependência existia (Modelos 2-5), o teste apresentou alto poder (valores-p próximos de zero), mesmo para tamanhos de amostra moderados. O teste foi robusto tanto para esquemas de observação balanceados quanto desbalanceados.
  • Observou-se uma leve perda de poder em amostras muito pequenas ($n=50$) para transformações não lineares complexas (log), o que é esperado.

• Aplicações em Dados Reais:

  1. Dataset WISDM (Acelerômetros):
     • Testou-se se as acelerações nos eixos X e Y são independentes dado o eixo Z para várias atividades físicas (caminhada, corrida, subir escadas, sentar, etc.).
     • Resultado: Para atividades dinâmicas (caminhada, corrida), X e Y são condicionalmente independentes dado Z (os movimentos são sincronizados e capturados por Z). Para a atividade "Sentar", X e Y não são independentes dado Z, pois a aceleração Z é constante, mas X e Y ainda apresentam oscilações sincronizadas (movimento do corpo), revelando uma dependência residual.
  2. Dataset WDI (Indicadores de Desenvolvimento Mundial):
     • Investigou-se a dependência condicional entre pares de indicadores socioeconômicos dado o PIB de um país.
     • Resultado: A expectativa de vida mostrou dependência condicional com a maioria dos outros fatores (não explicada apenas pelo PIB), enquanto a taxa de juros real parecia ser condicionalmente independente de todos os outros fatores dado o PIB, sugerindo que sua relação com as demais variáveis é mediada quase inteiramente pelo nível de desenvolvimento econômico.

5. Significância

Este trabalho preenche uma lacuna crítica na análise de dados funcionais, fornecendo uma ferramenta estatística poderosa para descobrir estruturas de dependência complexas em dados de alta dimensão (como curvas de sensores ou séries temporais econômicas).

A contribuição teórica é particularmente importante, pois resolve uma questão aberta sobre a validade assintótica de testes baseados em kernels, estabelecendo as condições necessárias de suavidade e regularização para que a distribuição limite seja válida. Isso não apenas valida o método proposto para dados funcionais, mas também corrige e solidifica a base teórica de testes de independência condicional aplicados a dados multivariados tradicionais. O método oferece uma alternativa não paramétrica flexível, livre de suposições de linearidade ou normalidade, essencial para a análise moderna de dados complexos.