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

Resumo Técnico: Diagnósticos de Projeção para Assimetria Direcional e Desvio de Razão de Cauda em Dados Multivariados

Definição do Problema
Os métodos existentes para avaliar a não-normalidade multivariada, como a assimetria e a curtose baseadas em momentos de Mardia ou testes omnibus (ex: Henze–Zirkler, Doornik–Hansen, distância de energia), enfrentam duas limitações primárias. Primeiro, eles frequentemente confundem diferentes fontes de não-gaussianidade; uma rejeição da normalidade não distingue se o desvio é impulsionado por assimetria direcional (assimetria), inflação de caudas (caudas pesadas) ou uma combinação de ambos. Segundo, abordagens baseadas em momentos dependem de terceiros e quartos momentos, que podem ser instáveis ou indefinidos em configurações de caudas pesadas e são sensíveis a efeitos de amostra finita em alta dimensão. Além disso, competidores baseados em projeção, como o teste de Malkovich–Afifi, embora abordem a direcionalidade, permanecem baseados em momentos e são computacionalmente intensivos. Os autores propõem a necessidade de um framework de diagnóstico que separe a assimetria direcional do desvio de razão de cauda usando medidas robustas, baseadas em quantis, para orientar escolhas de modelagem subsequentes (ex: seleção entre modelos simétricos, assimétricos, com desvio de cauda ou combinados).

Metodologia
O procedimento proposto reduz o problema de diagnóstico multivariado a uma coleção de projeções unidimensionais. Sejam $X_1, \dots, X_n$ observações de $p$ dimensões. O método opera sobre projeções centralizadas $Y_i(u) = u^\top(X_i - \hat{\theta})$ ao longo de um conjunto de direções $U_m = \{u_1, \dots, u_m\}$ amostradas da esfera unitária $S^{p-1}$. O conjunto de direções combina direções aleatórias (amostradas uniformemente) e direções de coordenadas para garantir ampla cobertura e sensibilidade a desvios esparsos ou marginais.

Dois resumos baseados em quantis são computados sobre as direções pesquisadas:

1. Assimetria Direcional ($\hat{S}U_{m, A_S}$): Uma medida de assimetria avaliada sobre um conjunto finito de níveis de quantis $A_S \subset (0, 0.5)$. Os autores utilizam uma estatística do tipo Bowley e assimetria de quantis generalizada:
   $$\hat{\gamma}_a(u) = \frac{\hat{Q}_{1-a}(u) + \hat{Q}_a(u) - 2\hat{Q}_{0.50}(u)}{\hat{Q}_{1-a}(u) - \hat{Q}_a(u)}$$
   A estatística de resumo é o valor absoluto máximo sobre as direções e níveis de quantis: $\hat{S}U_{m, A_S} = \max_{u \in U_m} \max_{a \in A_S} |\hat{\gamma}_a(u)|$.

2. Razão de Cauda Direcional ($\hat{T}U_m$): Uma medida de espessura de cauda relativa a um benchmark (ex: Gaussiana). Ela compara a largura de um intervalo central externo com o intervalo interquartil:
   $$\hat{\tau}_q(u) = \frac{\hat{Q}_{1-q}(u) - \hat{Q}_q(u)}{\hat{Q}_{0.75}(u) - \hat{Q}_{0.25}(u)}$$
   O resumo é o desvio máximo de um valor de referência $\tau^0_q$: $\hat{T}U_m = \max_{u \in U_m} |\hat{\tau}_q(u) - \tau^0_q|$.

Calibração e Classificação
Para levar em conta a dimensionalidade e o número de direções pesquisadas, as estatísticas brutas são calibradas via simulação sob um modelo de referência (tipicamente Gaussiano, embora a calibração elíptica seja discutida). Isso gera p-valores para assimetria ($p_S$) e desvio de cauda ($p_T$). Essas duas dimensões definem uma classificação de quatro regimes:

• Benchmark Simétrico-Cauda: Sem assimetria significativa ou desvio de cauda.
• Simétrico com Desvio de Cauda: Desvio de cauda significativo, mas sem assimetria.
• Assimétrico Benchmark-Cauda: Assimetria significativa, mas sem desvio de cauda.
• Assimétrico com Desvio de Cauda: Assimetria significativa e desvio de cauda.

Resultados Teóricos
O artigo estabelece várias propriedades teóricas:

• Separação Populacional: Sob simetria central, a assimetria direcional desaparece em todas as direções. Sob elipticidade, a razão de cauda livre de escala é constante em todas as direções não degeneradas.
• Detectabilidade: Teoremas demonstram que um conjunto finito de direções aleatórias pode detectar desvios localizados se o sinal persistir em uma vizinhança esférica, com a probabilidade de detecção controlada pelo número de projeções e pela massa do cap esférico.
• Controle de Amostra Finita: Limites uniformes são derivados para os diagnósticos de quantis empíricos sobre as direções pesquisadas, mostrando convergência à taxa de $\sqrt{\log(m)/n}$. Crucialmente, esses limites não requerem a existência de terceiros ou quartos momentos.
• Consistência: Um classificador de limiar é mostrado como consistente sob regimes separados (onde as estatísticas populacionais estão afastadas de zero).
• Alternativas Esparsas: Uma análise de rank-um ilustra que, enquanto as direções aleatórias fornecem ampla cobertura, elas podem ser ineficientes para sinais esparsos. Aumentar com direções de coordenadas garante sensibilidade a desvios esparsos alinhados às coordenadas.

Resultados de Simulação
Experimentos de Monte Carlo avaliam o método através das distribuições Gaussiana, Student-$t$, skew-normal, skew-$t$ e normal contaminada.

• Separação: O componente de assimetria rejeita corretamente modelos skew-normal e skew-$t$ enquanto mantém o tamanho nominal para modelos simétricos (incluindo Student-$t$ de caudas pesadas e normais contaminadas). Inversamente, o componente de cauda rejeita Student-$t$, skew-$t$ e normais contaminadas, permanecendo estável para dados Gaussianos e skew-normal.
• Dimensionalidade: Em configurações de assimetria densa, o poder diminui em altas dimensões com amostras pequenas devido à dificuldade de alinhar projeções aleatórias com o sinal. No entanto, incluir direções de coordenadas melhora significativamente o poder para assimetria esparsa.
• Comparação: O método proposto exibe comportamento de rejeição comparável aos testes omnibus padrão (Mardia, Henze–Zler, etc.), mas oferece maior interpretabilidade ao decompor a fonte da não-normalidade. É também computacionalmente mais eficiente que testes de curtose de busca de projeção.

Aplicação em Dados Reais
O método é aplicado a dados multivariados de qualidade do ar (10 poluentes) de cinco cidades indianas.

• Descobertas: A análise da amostra total classifica todas as cidades como "assimétricas com desvio de cauda", sugerindo a necessidade de modelos de caudas pesadas assimétricos (ex: skew-$t$).
• Dinâmica Temporal: A análise de subperíodos revela uma mudança. Dados pré-2020 para algumas cidades (Mumbai, Kolkata, Bangalore) foram classificados como "assimétricos benchmark" (assimétricos, mas sem caudas pesadas), enquanto os dados pós-2020 para todas as cidades mudaram para "assimétricos com desvio de cauda". Isso destaca a capacidade do diagnóstico para guiar escolhas de modelagem específicas (ex: se caudas pesadas são necessárias) que testes omnibus perderiam.

Significância e Alegações
Os autores posicionam este trabalho não como uma dominância uniforme em poder de rejeição bruto sobre os testes existentes, mas como um diagnóstico robusto e interpretável de decomposição. A principal contribuição é a separação da não-gaussianidade multivariada em dois componentes distintos e interpretáveis: assimetria direcional e desvio de razão de cauda. Ao utilizar funcionais baseados em quantis, o método evita a instabilidade de momentos de alta ordem em configurações de caudas pesadas. O framework é desenhado como uma ferramenta de triagem para informar a escolha de modelos paramétricos subsequentes (simétricos vs. assimétricos, caudas leves vs. pesadas), abordando uma lacuna deixada pelos testes de normalidade omnibus que meramente rejeitam a hipótese nula sem caracterizar a natureza do desvio. O artigo conclui observando limitações quanto à dependência temporal e o potencial para extensões futuras envolvendo direções adaptativas aos dados (PCA/ICA) e dados funcionais.