Feature aware covariance estimation, with application to mixtures of chemical exposures

Resumen Técnico: Estimación de Covarianza Consciente de las Características

Enunciado del Problema
El artículo aborda el desafío de estimar matrices de covarianza para datos de exposición ambiental de alta dimensión, específicamente en el contexto del estudio TESIE (Exposición de Niños Pequeños a SVOCs en Ambientes Interiores). En tales estudios, el número de exposiciones químicas ($p$) a menudo se acerca o supera el tamaño de la muestra ($n$), lo que hace que la matriz de covarianza muestral empírica sea inestable o no invertible. Los enfoques estándar para mitigar esto incluyen colapsar los datos en clases químicas (potencialmente oscureciendo información importante) o aplicar modelos bayesianos de factores latentes. Aunque populares, los modelos de factores bayesianos existentes suelen asumir la intercambiabilidad y contraer la matriz de covarianza hacia una estructura diagonal. Este "sobre-encogimiento" tiende a subestimar patrones importantes de covariación, particularmente cuando las variables se sabe que están correlacionadas debido a propiedades químicas compartidas o vías de exposición. Además, los métodos estándar a menudo fallan en utilizar la rica información auxiliar disponible para las variables químicas (por ejemplo, clase química, presión de vapor, volumen de producción) para informar la estructura de covarianza.

Metodología
Los autores proponen la Estimación de Covarianza Consciente de las Características (FACE), un modelo bayesiano de factores latentes que incorpora información auxiliar sobre las variables de resultado (denominadas "características de resultado" o "metacovariables") directamente en la distribución previa de la matriz de cargas de factores.

• Estructura del Modelo: La matriz de covarianza $\Sigma$ se descompone como $\Sigma = D + \Lambda\Lambda^T$, donde $D$ es una matriz diagonal de varianzas idiosincrásicas y $\Lambda$ es la matriz de cargas de factores.
• La Previa FACE: A diferencia de las previas tradicionales que contraen $\Lambda$ hacia una matriz cero (implicando un $\Sigma$ diagonal), la previa FACE modela cada fila $\lambda_j$ de la matriz de cargas como una regresión sobre las características de resultado $x_j$ asociadas con la variable $j$:
  $$\lambda_j \sim N_r(\Gamma^T x_j, d_j T)$$
  Aquí, $\Gamma$ es una matriz de coeficientes de regresión, $T$ es una matriz de covarianza para los factores, y $d_j$ es la varianza idiosincrásica. Esta formulación permite que la covarianza predictiva previa se contraiga hacia una estructura flexible y no diagonal determinada por la similitud de las características de resultado.
• Manejo de Tipos de Datos: El marco es flexible respecto al tipo de características de resultado:
  • Modelo de Intersección: Se contrae hacia una estructura simétrica compuesta.
  • Modelos Categóricos/Grupos: Se contrae hacia estructuras de bloques donde las variables en el mismo grupo comparten patrones de correlación.
  • Datos de Variación Matricial: Los autores demuestran cómo los datos con estructura matricial (por ejemplo, químicos medidos por diferentes herramientas) pueden codificarse como múltiples características categóricas (pertenencia a filas y columnas), permitiendo que el modelo capture efectos interactivos aditivos y multiplicativos sin imponer una suposición restrictiva de covarianza separable (Kronecker).
• Estimación: La inferencia se realiza mediante un muestreador de Gibbs. Los autores utilizan una previa de encogimiento acumulativo (CUSP) sobre la varianza de las dimensiones de las cargas de factores para determinar adaptativamente el rango efectivo de la matriz de covarianza. Para la aplicación en TESIE, introducen una previa de encogimiento generalizada por grupos sobre los coeficientes de regresión para manejar el gran número de metacovariables.

Contribuciones Clave

1. Encogimiento Estructurado: El artículo introduce un método que contrae la matriz de covarianza hacia una estructura flexible y no diagonal informada por las características de las variables auxiliares, en lugar de contraerse hacia una matriz diagonal.
2. Integración de Datos Auxiliares: Formaliza el uso de "características de resultado" (propiedades de las variables en lugar de las muestras) dentro de un marco de estimación de covarianza, permitiendo que variables con propiedades similares exhiban patrones de covariación similares.
3. Adaptación a Datos de Variación Matricial: Los autores proponen una forma novedosa de modelar datos de variación matricial (por ejemplo, mediciones a través de múltiples vías y químicos) codificando la pertenencia a filas y columnas como características de resultado categóricas, evitando la necesidad de una estructura de covarianza separable preespecificada.
4. Eficiencia Computacional: El método mantiene la semi-conjugación, permitiendo un muestreo de Gibbs directo sin restricciones complejas para imponer la definición positiva.

Resultados

• Estudios de Simulación: En simulaciones con matrices de covarianza intercambiables y de estructura de bloques, los modelos FACE (usando características de resultado de intersección, categóricas o continuas) superaron consistentemente al Estimador de Máxima Verosimilitud (MLE), al Proceso de Encogimiento Acumulativo (CUSP) y al modelo de Encogimiento Estructurado Creciente (SIS). Los modelos FACE demostraron una menor pérdida de Stein, particularmente cuando la estructura de covarianza verdadera era no diagonal y explicable por las características proporcionadas. En regímenes de covarianza separable, FACE tuvo un rendimiento competitivo, a menudo quedando en segundo lugar solo detrás de un estimador de Kronecker oráculo.
• Aplicación en TESIE: Aplicado a los datos de TESIE ($n=73$, $p=42$), el modelo FACE identificó significativamente más correlaciones no cero creíbles en comparación con los enfoques SIS y ingenuos.
  • Confirmó las fuertes correlaciones esperadas entre químicos utilizados en combinación (por ejemplo, parabenos en productos de cuidado personal).
  • Descubrió correlaciones menos anticipadas, como la covariación positiva entre ftalatos medidos por polvo y pulseras, y fuertes correlaciones para el químico antimicrobiano TCS a través de herramientas.
  • El modelo produjo una matriz de correlación que estaba menos contraída hacia cero que SIS, revelando dependencias complejas a través de clases químicas y vías de exposición.
• Imputación de Datos Faltantes: En un experimento para predecir valores por debajo del Límite de Detección (LOD), los modelos FACE (tanto con como sin características de resultado específicas) arrojaron un Menor Error Cuadrático Medio (RMSE) que la imputación simple ($LOD/\sqrt{2}$) y el modelo SIS, particularmente cuando el porcentaje de valores detectados era bajo. El uso de características no informativas (aleatorias) resultó en un rendimiento similar a la imputación ingenua, validando que las ganancias son impulsadas por la naturaleza informativa de los datos auxiliares.

Significado y Afirmaciones
Los autores afirman que el marco FACE proporciona un método robusto para mejorar la estimación de covarianza en entornos de alta dimensión donde los tamaños de muestra son limitados. Al aprovechar la información auxiliar inherente a las variables (como las propiedades químicas), el método evita el sobre-encogimiento hacia estructuras diagonales común en los modelos de factores estándar. El artículo afirma que este enfoque conduce a una inferencia más precisa sobre los patrones de covariación de la exposición, lo cual es crítico para identificar poblaciones vulnerables y diseñar intervenciones políticas dirigidas. Además, las estimaciones de covarianza mejoradas aumentan directamente la precisión de la imputación de datos censurados (valores por debajo del LOD), un problema común y desafiante en los estudios de salud ambiental. Los autores concluyen que incorporar información auxiliar a nivel de variable en el marco de modelado produce una estimación de parámetros y un rendimiento predictivo superiores en comparación con los enfoques estándar que ignoran dicha información o dependen de suposiciones estructurales restrictivas.