Logistic Multidimensional Data Analysis for Ordinal Response Variables using a Cumulative Link function

Resumen Técnico: Análisis de Datos Multidimensionales Logísticos para Variables de Respuesta Ordinales

Planteamiento del Problema
El artículo aborda una brecha en el análisis de datos multidimensionales (MDA) para variables de respuesta ordinales. Mientras que las técnicas estándar como el Análisis de Componentes Principales (PCA) y el Desplegado Multidimensional (MDU) están bien establecidas para datos continuos, y la regresión logística es el estándar para datos categóricos, existe una falta de generalizaciones de la familia exponencial para el MDA diseñado específicamente para respuestas ordinales. Los métodos existentes suelen tratar los datos ordinales como continuos (lo que conduce a efectos de tamaño distorsionados e inflados errores de Tipo-I) o se centran exclusivamente en resultados binarios. Además, los marcos actuales no logran manejar simultáneamente los dos procesos de respuesta distintos identificados por Coombs (1964): dominancia (relación monotónica, ej. pruebas de capacidad) y proximidad (relación no monotónica, de pico único, ej. actitudes), y no integran adecuadamente las variables predictoras (covariables) en estos modelos geométricos para datos ordinales.

Metodología
Los autores proponen un marco unificado de cuatro modelos basados en el modelo de regresión logística acumulativa (de proporciones de orden iguales o proportional odds), asumiendo una variable latente continua subyacente a las puntuaciones ordinales observadas. El marco distingue entre tipos de respuesta y la presencia de predictores:

1. Tipos de Modelos:

   • Variables de Dominancia (Producto Interno): Modeladas mediante PCA Logístico Acumulativo (CLPCA) (no supervisado) y Regresión de Rango Reducido Logística Acumulativa (CLRRR) (supervisada, donde las puntuaciones de los sujetos son funciones lineales de los predictores).
   • Variables de Proximidad (Distancia): Modeladas mediante MDU Logístico Acumulativo (CLMDU) (no supervisado) y MDU Restringido Logístico Acumulativo (CLRMDU) (supervisado).
   • En todos los modelos, la parte estructural ($\theta_{ir}$) se define ya sea como un producto interno $\langle u_i, v_r \rangle$ para dominancia o como una distancia negativa $-d(u_i, v_r)$ para proximidad.

2. Algoritmo de Estimación:

   • Los autores derivan un algoritmo de Expectación-Mayoración-Minimización (EMM) para la Estimación de Máxima Verosimilitud (MLE).
   • Paso E: Computa la esperanza condicional de la log-verosimilitud negativa de los datos completos.
   • Paso M: Utiliza una función de mayoración que reduce el problema a una minimización de mínimos cuadrados ponderados.
   • Actualizaciones:
     • Para los modelos de producto interno (PCA/RRR), las actualizaciones implican la Descomposición en Valores Singulares (SVD) o la SVD Generalizada.
     • Para los modelos de distancia (MDU/RMDU), las actualizaciones utilizan un algoritmo SMACOF modificado capaz de manejar disimilitudes negativas (derivadas del vínculo logístico).
   • Los parámetros de umbral se actualizan por separado mediante MLE utilizando la parte estructural como un offset.

3. Visualización (Biplots):

   • El artículo extiende la metodología de biplots para visualizar estos modelos.
   • CLPCA/CLRRR: Las variables se representan como ejes con marcadores que indican los umbrales estimados (puntos de transición entre categorías) basados en la variable latente subyacente.
   • CLMDU/CLRMDU: Las variables se representan como puntos rodeados de círculos concéntricos (límites de decisión) correspondientes a los umbrales de categoría. El espacio se particiona en regiones donde ciertas categorías de respuesta son más probables.

Contribuciones Clave

• Unificación Teórica: El artículo llena el vacío en la literatura al proporcionar las primeras generalizaciones de la familia exponencial de PCA, RRR, MDU y RMDU específicamente para variables de respuesta ordinales, cubriendo tanto procesos de dominancia como de proximidad.
• Desarrollo Algorítmico: Introduce un algoritmo EMM unificado que maneja la no linealidad del vínculo logístico y las restricciones geométricas específicas de ambos modelos, de producto interno y de distancia.
• Visualización: Propone nuevas técnicas de biplot para datos ordinales, específicamente el uso de marcadores de umbral para variables de dominancia y círculos de decisión concéntricos para variables de proximidad, permitiendo la interpretación de perfiles de respuesta complejos en un espacio de baja dimensión.
• Implementación de Software: Los algoritmos están implementados en el paquete de R logistic_mapping (funciones clpca y clmdu).

Resultados

• Aplicaciones Empíricas:
  1. Desempeño Estudiantil (Dominancia): Análisis de las respuestas de examen (10 ítems) de 138 estudiantes y predictores psicológicos. El modelo CLRRR identificó con éxito que el conocimiento matemático y el compromiso afectivo predecían las respuestas correctas, mientras que la procrastinación académica predecía los errores. El biplot reveló grupos distintos de ítems con diferentes patrones de respuesta.
  2. Comportamiento Pro-ambiental (Mixto): Análisis de datos de ISSP (Tailandia) sobre actitudes y comportamientos ambientales. El estudio contrastó CLRRR y CLRMDU. El modelo de proximidad (CLRMDU) proporcionó un mejor ajuste, particularmente para la variable "OUT" (actividad al aire libre), que exhibió un patrón de respuesta no monotónico (proximidad), mientras que otras variables de comportamiento siguieron un patrón de dominancia.
  3. Eficacia Ambiental (Proximidad): Análisis de datos de ISSP en 12 países. El modelo CLRMDU (3D) reveló distintos grupos de países (asiáticos frente a europeos) y mostró cómo la educación, la edad y el género influían en las actitudes hacia la eficacia ambiental.
• Estudio de Simulación: Un estudio de simulación variando el tamaño de la muestra (250–1000), el número de variables de respuesta (4, 8) y las categorías (3, 5) demostró que los algoritmos convergen de forma monotónica. La recuperación de parámetros (medida con Stress-1) mejoró con mayores tamaños de muestra, más variables de respuesta y más categorías.

Significancia y Reivindicaciones
Los autores afirman que este marco proporciona una herramienta versátil para analizar conjuntos de datos complejos con respuestas ordinales donde se requiere la reducción de la dimensión y el modelado simultáneo de variables correlacionadas.

• Distinción de Procesos: El marco reconoce y modela explícitamente la diferencia entre variables de dominancia y de proximidad, algo que los métodos de MDA lineales estándar no logran hacer.
• Manejo de Predictores: Extiende estas capacidades a entornos supervisados (RRR y RMDU), permitiendo la inclusión de covariables externas para explicar las posiciones de los sujetos.
• Interpretabilidad Visual: Los biplots propuestos ofrecen una visión holística de la estructura de los datos, las dependencias entre variables de respuesta y los efectos de los predictores, complementando las tablas de coeficientes numéricos.
• Manejo de Supuestos: El artículo señala que, si bien el supuesto de proporciones de orden iguales es central en el modelo, este puede no cumplirse siempre. Sin embargo, citando a Harrell (2001), los autores sugieren que el compromiso entre sesgo y varianza puede favorecer al modelo de proporciones de orden iguales, más simple, sobre otras alternativas más complejas que introducen una varianza excesiva. Reconocen que probar este supuesto dentro del marco de MDA requiere un desarrollo adicional (ej. la comparación contra el Análisis de Correspondencia Múltiple Multinomial).

El artículo concluye que estos modelos son distintos de los modelos de la Teoría de Respuesta al Ítem (IRT), como el Modelo de Respuesta Graduada (GRM) o el Modelo de Desplegado Graduado Generalizado (GGUM), ya que el objetivo principal aquí es la reducción de la dimensión y la predicción de respuestas correlacionadas, en lugar de la estimación de rasgos latentes para la construcción de pruebas.