Bias-Corrected Multiplier Bootstrap Inference for Spectral Edges of Large Covariance Matrices

Resumo Técnico: Inferência por Bootstrap de Multiplicador com Correção de Viés para Bordas Espectrais de Matrizes de Covariância Grandes

1. Definição do Problema
O artigo aborda o problema fundamental da inferência estatística para as bordas espectrais de matrizes de covariância grandes em configurações de alta dimensão. Especificamente, o objetivo é construir intervalos de confiança válidos para a borda direita determinística ($E$) do espectro de massa (bulk) de uma matriz de covariância amostral.

Uma dificuldade primária neste domínio é que os maiores autovalores não-espigados (non-spiked) da amostra flutuam na escala Tracy–Widom ($n^{-2/3}$). Embora a teoria assintótica para essas flutuações seja bem estabelecida (ex: Johnstone, 2001; El Karoui, 2007), a inferência estatística válida requer um centramento preciso pela borda determinística e uma constante de escala precisa. Sob estruturas de covariância populacional gerais e desconhecidas, estimar essas quantidades de centramento e escala é frequentemente intratável na prática. Consequentemente, a inferência direta baseada na lei Tracy–Widom é teoricamente delicada e praticamente inconveniente. Além disso, determinar o número de "espigas" (spikes — autovalores separados da massa) tipicamente depende de regras de teste sequencial ou de limiarização que podem exigir que as espigas sejam distintas ou muito grandes.

2. Metodologia
Os autores propõem um procedimento de bootstrap de multiplicador com correção de viés para inferir a borda espectral determinística $E$. O método diverge das abordagens de bootstrap padrão ao alterar intencionalmente a escala de flutuação para facilitar a aproximação Gaussiana.

• Perturbação por Multiplicador: O procedimento constrói uma matriz de covariância de multiplicador-bootstrap $Q_{MB}$ perturbando os vetores amostrais originais $y_i$ com multiplicadores independentes $\xi_i^2$.
  • Os multiplicadores são escolhidos de modo que sua variância seja da ordem de $n^{-1/3+\delta}$ (onde $\delta > 0$). Essa variância é assintoticamente maior que a escala de flutuação nativa Tracy–Widom ($n^{-2/3}$), mas pequena o suficiente para preservar a estrutura espectral subjacente.
  • Esta perturbação "regulariza" a flutuação da borda, ampliando a escala para um regime onde a distribuição dos maiores autovalores não-espigados do bootstrap torna-se assintoticamente Gaussiana (condicional aos dados), em vez de Tracy–Widom.
• Correção de Viés: Uma novidade crítica é que a perturbação do multiplicador desloca a própria borda determinística de $E$ para uma borda perturbada $E_{MB}$. Isso introduz um viés sistemático. Os autores propõem um passo de recentramento baseado em dados para corrigir isso:
  • Eles estimam o viés $\Delta_{r_0}$ como a diferença entre o autovalor amostral observado $\mu_{r_0}$ e a média dos autovalores do bootstrap $\bar{\lambda}_{r_0}$.
  • Este termo de correção alinha a distribuição do bootstrap com a estatística amostral original.
• Inferência e Estimativa:
  • Um intervalo de confiança para $E$ é construído diretamente a partir dos autovalores do bootstrap usando o centro corrigido e o desvio padrão estimado do bootstrap.
  • Este intervalo serve como um estimador livre de limiar para o número de espigas ($\hat{r}$). O estimador conta o número de autovalores amostrais que excedem o limite superior do intervalo de confiança para a borda da massa.
• Calibração: O parâmetro de ajuste $N$ (que controla a variância do multiplicador) é selecionado via um procedimento de calibração baseado em um modelo de referência Gaussiano (matriz de Wishart), aproveitando o princípio da universalidade da teoria de matrizes aleatórias. Isso resulta em uma escolha independente dos dados, dependendo apenas do par de dimensões $(p, n)$.

3. Principais Contribuições Teóricas
O artigo estabelece os seguintes resultados teóricos sob suposições padrão de alta dimensão (contagem de espigas fixa, autovalores limitados e condições específicas de separação):

• Normalidade Assintótica: O Teorema 3.1 prova que, após a correção de viés e o redimensionamento, os primeiros autovalores não-espigados do bootstrap são assintoticamente Gaussianos condicionais aos dados. Isso substitui o difícil de usar limite Tracy–Widom por um limite Gaussiano tratável em uma escala ligeiramente ampliada ($n^{-2/3+\delta/2}$).
• Validade dos Intervalos de Confiança: O Teorema 3.2 estabelece a validade assintótica do intervalo de confiança proposto.
  • Sob a hipótese nula (onde o candidato autovalor pertence à massa), o intervalo atinge a probabilidade de cobertura nominal.
  • Sob a hipótese alternativa (onde uma espiga adicional se separa da massa), a probabilidade de cobertura desaparece, desde que a separação da espiga seja maior que $n^{-1/6}$ (até fatores polinomiais).
• Detecção e Estimativa de Espigas: O artigo demonstra que o mesmo intervalo de confiança produz um estimador consistente para o número de espigas sem exigir testes sequenciais. O procedimento mostra-se consistente mesmo para espigas degeneradas, desde que elas se separem da massa no nível de escala especificado.

4. Resultados Empíricos
Simulações numéricas e análises de dados reais apoiam os achados teóricos:

• Precisão em Amostras Finitas: Os intervalos de confiança propostos alcançam probabilidades de cobertura empírica próximas aos níveis nominais (0,90 e 0,95) através de várias estruturas de covariância (homogênea, uniforme e massa de duas massas) e pares de dimensões.
• Poder: O procedimento exibe alto poder na detecção de espigas conforme elas se separam da massa, com o poder aumentando constantemente conforme o parâmetro de separação aumenta.
• Comparação: Na estimativa do número de espigas, o método proposto supera diversas abordagens existentes (incluindo BN2002, Onat2009, PY2014 e DY2022), particularmente em cenários desafiadores com espigas fracas ou espectros de massa heterogêneos. Ele identifica o número correto de espigas em níveis de separação menores do que os concorrentes.
• Dados Reais: Aplicado aos dados de expressão gênica GEUVADIS e aos dados de genótipo EUR do Projeto 1000 Genomes, o método estimou corretamente o número de subestruturas populacionais (espigas) como sendo 4, alinhando-se com as referências baseadas em rótulos. Foi o único método entre os comparados a alcançar essa precisão no conjunto de dados de genótipo EUR, que é mais desafiador.

5. Significância e Alegações
Os autores afirmam que este trabalho fornece um arcabouço prático, totalmente baseado em dados e teoricamente justificado para a inferência da borda espectral que evita a estimativa direta das constantes de centramento e escala de Tracy–Widom.

As principais alegações sobre a significância do método incluem:

• Tratabilidade: Ao deslocar a escala de flutuação para um regime Gaussiano, o método contorna as dificuldades computacionais e teóricas associadas à inferência de Tracy–Widom sob estruturas de covariância gerais.
• Robustez: O procedimento não exige que as espigas sejam distintas ou muito grandes; ele permanece eficaz para espigas fracas e casos degenerados onde a separação excede o limiar de $n^{-1/6}$.
• Unificação: Ele unifica três tarefas estatísticas — construção de intervalo de confiança para a borda espectral, teste de hipótese para presença de espiga e estimativa do número de espigas — em um único procedimento coerente.
• Praticidade: A calibração do parâmetro do multiplicador é independente dos dados (baseada na dimensão), tornando o método fácil de implementar sem necessidade de ajuste iterativo no espectro observado.

O artigo posiciona esta abordagem como uma melhoria significativa em relação aos métodos de reamostragem existentes, que frequentemente lutam com a sensibilidade dos autovalores da borda em relação à localização da borda determinística ou exigem suposições fortes sobre a magnitude da espiga.