ProfileGLMM: a R Package Extending Bayesian Profile Regression using Generalised Linear Mixed Models

إليك ملخص تقني مفصل لورقة البحث: "حزمة ProfileGLMM: حزمة في لغة R توسع نموذج الانحدار البروفيلي البايزي باستخدام النماذج الخطية المعممة ذات التأثيرات المختلطة."

1. بيان المشكلة

يعد الانحدار البروفيلي البايزي إطاراً إحصائياً قوياً مصمماً لنمذجة متغير تابع ومجموعات من الملاحظات بناءً على مجموعة من المتغيرات المستقلة (متغيرات التجميع) في آن واحد. وبينما يعد هذا الإطار فعالاً للبيانات المقطعية، إلا أن التطبيقات الحالية (مثل حزمة PReMiuM) تواجه قيوداً حرجة عند تطبيقها على مجموعات البيانات الحديثة والمعقدة:

1. عدم القدرة على التعامل مع الهياكل الهرمية/الطولية: يفترض الانحدار البروفيلي القياسي استقلالية الملاحظات، وبالتالي لا يمكنه مراعاة الارتباطات داخل الفرد الواحد أو التباين غير الملحوظ الموجود في البيانات المتكررة (مثل الدراسات الطولية).
2. الافتقار إلى نمذجة التفاعل: غالباً ما تعامل الطرق السابقة المجموعات الكامنة كإزاحات ثابتة، مما يؤدي إلى الفشل في نمذجة التفاعلات المعقدة بين هذه المجموعات الكامنة والمتغيرات الملحوظة الأخرى.
3. التعامل غير الأمثل مع المتغيرات المرتبطة: يؤدي إدراج المتغيرات المرتبطة ببعضها بشدة مباشرة في نماذج الانحدار القياسية إلى عدم كفاءة إحصائية.

2. المنهجية

يقترح المؤلفون حزمة ProfileGLMM، وهي حزمة في لغة R تدمج النماذج الخطية المعممة ذات التأثيرات المختلطة (GLMMs) ضمن إطار الانحدار البروفيلي البايزي.

الإطار الإحصائي

يقوم النموذج بتفكيك التوزيع المشترك للمتغير التابع ($y_i$) ومتغيرات التجميع ($u_i$) بشرط متغيرات الانحدار ($x_i$) إلى نموذج خليط:
$$p(y_i, u_i | \pi, \theta, x_i, \alpha) = \sum_{c=1}^{C} \pi_c f(y_i, u_i | \theta_c, x_i, \alpha)$$

وتشمل المكونات الرئيسية ما يلي:

• توزيع التعيين ($f_u$): ينمذج متغيرات التجميع ($u_i$). وهو يدعم المتغيرات المستمرة (التوزيع الطبيعي متعدد المتغيرات)، أو المتغيرات الفئوية (التوزيع متعدد الحدود)، أو مزيجاً منهما.
• توزيع النتيجة ($f_y$): هذه هي المساهمة الجديدة؛ فبدلاً من نموذج خطي بسيط، يتم نمذجة النتيجة باستخدام GLMM:
  $$y_i = x_{i}^{FE}\beta + x_{i}^{RE}\eta_{g(i)} + x_{i}^{Int}\gamma_c + \epsilon_i$$
  • التأثيرات الثابتة ($\beta$): معاملات الانحدار القياسية.
  • التأثيرات العشوائية ($\eta$): تراعي الهياكل الهرمية (مثل القياسات المتكررة داخل الأفراد).
  • تفاعلات المجموعات ($\gamma_c$): معاملات خاصة بكل مجموعة كامنة $c$، مما يسمح بتغير تأثير المتغيرات حسب المجموعة.
• الخليط اللانهائي: يتم التعامل مع عدد المجموعات ($C$) كعدد لانهائي باستخدام نموذج الخليط لعملية ديريكليه (DPMM) مع توزيع "كسر العصا" (stick-breaking prior). ولضمان القابلية الحسابية، يتم استخدام عملية ديريكليه المقطوعة، مما يتجنيد الحاجة إلى خطوات "متروبوليس داخل جيبس" المعقدة لتخصيص المجموعات.

الاستدلال

• أخذ العينات: يُستخدم خوارزم جيبس (Gibbs sampler) (MCMC) لأخذ عينات من التوزيع البعدي.
• المعالجة اللاحقة: لمعالجة مشكلة "تبديل الملصقات" (label switching) المتأصلة في نماذج الخليط بنظام MCMC، تقوم الحزمة بحساب مصفوفة عدم تشابه متوسطة لاستخلاص التجميع التمثيلي ($Z^*$). بعد ذلك، يتم تقدير المعلمات الخاصة بكل مجموعة من خلال تجميع عينات التوزيع البعدي عبر السلسلة والملاحظات المخصصة للمجموعات التمثيلية.

3. المساهمات الرئيسية

1. دمج نماذج GLMM: الابتكار الأساسي هو دمج نماذج GLMM كنموذج للنتيجة ضمن الانحدار البروفيلي البايزي. وهذا يسمح بتحليل البيانات الطولية والهرمية من خلال إدراج التأثيرات العشوائية.
2. نمذجة التفاعل: ينمذج الإطار صراحةً التفاعلات بين المجموعات الكامنة والمتغيرات الملحوظة ($x_{i}^{Int}\gamma_c$)، مما يتيح اكتشاف التأثيرات المتباينة عبر ملفات التعرض المختلفة.
3. الملاءمة الخطية المجزأة: تُظهر الحزمة قدرة فريدة على معاملة المتغير كمتغير تجميع وتفاعل في آن واحد. وهذا يسمح بـ الملاءمة الخطية المجزأة غير المعلمية، مما يؤدي فعلياً إلى تقسيم البيانات إلى أنظمة ذات اتجاهات خطية متميزة دون تحديد نقاط التحول مسبقاً.
4. التنفيذ البرمجي: تم بناء حزمة ProfileGLMM في لغة R باستخدام Rcpp لرفع الكفاءة الحسابية، وهي توفر واجهة سهلة الاستخدام مع حد أدنى من المعلمات الإلزامية مع دعم النتائج المستمرة والثنائية.

4. النتائج

تتحقق الورقة من المنهجية من خلال مثالين رئيسيين:

• بيانات "الإكسبوزوم" (Exposome) الطولية المحاكاتية:
  • تم إنشاء مجموعة بيانات مكونة من 1,500 فرد و4,500 ملاحظة مع مجموعات كامنة وتأثيرات عشوائية معروفة.
  • النتيجة: نجح النموذج في استعادة المجموعات التسعة الكامنة الحقيقية، وقدر بدقة التأثيرات الثابتة، والتأثيرات العشوائية، وتفاعلات المجموعات المحددة. كما تطابقت مراكز التجميع التمثيلية بشكل وثيق مع الشبكة الأساسية الحقيقية.
• الملاءمة الخطية المجزأة:
  • تم تحليل مجموعة بيانات بسيطة ذات علاقة خطية مجزأة معروفة بين متغير تنبؤي ونتيجة.
  • النتيجة: نجح النموذج في تحديد ستة ديناميكيات محلية متميزة (أجزاء) وتقدير الاتجاه الخطي المحدد لكل جزء، مما أثبت قدرته على نمذجة العلاقات الوظيفية المعقدة بشكل غير معلمي.

الأداء الحسابي:

• أظهرت الاختبارات المرجعية مقابل حزمة PReMiuM الراسخة أن ProfileGLMM منافسة حسابياً.
• بالنسبة لـ 12,000 ملاحظة، استغرقت ProfileGLMM حوالي 485 ثانية مقارنة بـ 1,031 ثانية لحزمة PReMiuM (في ظل إعدادات مقارنة مبسطة)، مما يشير إلى كفاءة متفوقة للبيانات الكبيرة.

5. الأهمية

• التقدم المنهجي: تسد ProfileGLMM الفجوة بين الانحدار البروفيلي والنمذجة المختلطة، مما يتيح تحليلاً دقيقاً للبيانات المعقدة والمرتبطة الشائعة في علم الأوبئة، والعلوم الاجتماعية، والتجارب السريرية.
• الفائدة العملية: من خلال التعامل مع المتغيرات عالية الأبعاد والمرتبطة والبيانات الهرمية في آن واحد، توفر الحزمة استراتيجية استدلال موحدة تتجنب عدم الكفاءة الإحصائية للمناهج المتسلسلة.
• المرونة: إن القدرة على نمذجة التفاعلات بين المجموعات الكامنة والمتغيرات، وكذلك إجراء الملاءمة المجزأة، تفتح آفاقاً جديدة للتحليل الاستكشافي للبيانات حيث تكون الصيغة الوظيفية للعلاقات غير معروفة.
• سهولة الوصول: الحزمة متاحة مجاناً على مستودع CRAN، وهي توفر أداة قوية مدعومة بـ Rcpp للباحثين الذين يتعاملون مع هياكل بيانات معقدة، مع خطط مستقبلية لتضمين اختيار المتغيرات ونتائج "الوقت حتى الحدث" (time-to-event).