Addressing outliers in mixed-effects logistic regression: a more robust modeling approach

Resumen Técnico: Abordaje de Valores Atípicos en Regresión Logística de Efectos Mixtos

1. Problema

El artículo aborda el desafío de analizar datos de conteo acotados (bounded count data) que presentan una estructura jerárquica (longitudinal o agrupada) y que sufren de sobre-dispersión y la presencia de valores atípicos (outliers).

• Contexto: Los datos de conteo acotados tienen un límite superior natural (ej. número de días de adherencia a un medicamento en un mes).
• Limitaciones de los modelos actuales:
  • Los modelos binomiales estándar fallan al no capturar la sobre-dispersión.
  • Modelos como el beta-binomial o el binomial-logit-normal manejan la sobre-dispersión, pero son sensibles a valores atípicos, lo que puede distorsionar las estimaciones y llevar a conclusiones erróneas.
  • La literatura existente sobre modelos robustos para datos acotados se ha centrado principalmente en regresiones simples, dejando un vacío en el desarrollo de modelos de efectos mixtos robustos.
• Caso de estudio: El problema se ilustra con datos longitudinales de adherencia a medicamentos (atorvastatina), donde el comportamiento humano genera fluctuaciones abruptas y valores atípicos que no siguen patrones consistentes.

2. Metodología

Los autores proponen un nuevo modelo bayesiano basado en la distribución Binomial-Logit-t dentro de un marco de efectos mixtos.

• Estructura del Modelo:
  • Se asume que la variable de respuesta $Y_{ij}$ sigue una distribución Binomial con parámetro de probabilidad $p_{ij}$.
  • La probabilidad $p_{ij}$ se vincula a una variable latente $\xi_{ij}$ mediante la función logística: $p_{ij} = \frac{1}{1 + e^{-\xi_{ij}}}$.
  • Innovación clave: A diferencia de los modelos tradicionales que asumen que la variable latente sigue una distribución Normal, este modelo asume que $\xi_{ij}$ sigue una distribución t de Student con media $\eta$, escala $\sigma^2$ y grados de libertad $\nu$.
  • La distribución t permite colas más pesadas, lo que otorga robustez frente a valores atípicos.
• Implementación Bayesiana:
  • Se utiliza el software JAGS (Just Another Gibbs Sampler) para la inferencia.
  • Se incluyen efectos fijos (tratamiento, tiempo, interacciones, edad) y efectos aleatorios específicos de los grupos (intercepto y pendiente de tiempo).
  • Se utilizan priores no informativos, incluyendo un prior half-t para la matriz de covarianza de los efectos aleatorios.
• Medidas de Centralidad:
  • El modelo introduce un concepto de pseudo-mediana ($\tilde{M}_i$), definida como $m_i \cdot \text{logit}^{-1}(\eta)$.
  • Ventaja: Esta pseudo-mediana tiene una forma cerrada (closed-form) y difiere de la mediana discreta real por menos de una unidad de conteo, lo que facilita la interpretación sin necesidad de integración numérica.
  • Para obtener la media, es necesario integrar numéricamente sobre la variable latente, lo cual es más complejo computacionalmente pero factible.

3. Contribuciones Clave

1. Desarrollo del Modelo Binomial-Logit-t Mixto: Es uno de los primeros enfoques que integra explícitamente una variable latente con distribución t en un marco de efectos mixtos para datos de conteo acotados, abordando simultáneamente la sobre-dispersión y los valores atípicos.
2. Interpretabilidad mediante Pseudo-mediana: Proporciona una medida de tendencia central robusta (la pseudo-mediana) que es de forma cerrada, a diferencia de la media que requiere integración. Esto es crucial para la interpretación práctica de los coeficientes de regresión en presencia de datos sesgados o con outliers.
3. Marco de Comparación Exhaustivo: Compara el nuevo modelo contra cuatro alternativas:
   • Binomial estándar (sin sobre-dispersión, sin robustez).
   • Beta-binomial (con sobre-dispersión, sin robustez a outliers).
   • Binomial-Logit-Normal (con sobre-dispersión, sin robustez a outliers).
   • Binomial-Logit-t (propuesto).
4. Validación en Datos Reales y Simulaciones: Demuestra la utilidad del modelo en un conjunto de datos de adherencia a medicamentos real y mediante estudios de simulación con contaminación de datos.

4. Resultados

• Análisis de Datos Reales (Adherencia a Medicamentos):
  • El modelo Binomial-Logit-t obtuvo el mejor ajuste según el criterio de información de Watanabe-Akaike (WAIC).
  • La estimación de los grados de libertad ($\nu$) fue menor a 2, confirmando la presencia de colas pesadas (outliers) en los datos.
  • Los modelos no robustos (Beta-binomial y Logit-Normal) mostraron intervalos de densidad posterior más amplios (mayor incertidumbre) en comparación con el modelo propuesto, indicando que los outliers estaban inflando la variabilidad estimada.
  • Las pruebas de residuos (DHARMa) y la divergencia Kullback-Leibler (K-L) mostraron que el modelo propuesto no tenía problemas significativos de uniformidad, sobre-dispersión o detección de outliers, mientras que los otros modelos fallaron en estas pruebas.
• Estudios de Simulación:
  • En escenarios con datos contaminados, el modelo Binomial-Logit-t demostró un Error Cuadrático Medio (RMSE) menor y longitudes de intervalos de credibilidad más cortas en comparación con el modelo Logit-Normal.
  • El modelo mantuvo propiedades frecuentistas adecuadas (sesgo y cobertura) incluso bajo condiciones de sobre-dispersión y outliers severos.

5. Significado e Impacto

• Integridad de los Datos: El enfoque robusto permite analizar datos sin necesidad de eliminar manualmente los valores atípicos, preservando la integridad del conjunto de datos y evitando el sesgo de selección.
• Aplicabilidad en Ciencias de la Salud: Ofrece una herramienta superior para analizar datos longitudinales complejos, como la adherencia a tratamientos, donde el comportamiento humano es inherentemente variable y propenso a desviaciones abruptas.
• Avance Metodológico: Cierra la brecha en la literatura sobre modelos mixtos robustos para datos acotados. La capacidad de obtener una pseudo-mediana de forma cerrada simplifica la interpretación de los efectos fijos, un desafío común en modelos de efectos mixtos complejos.
• Eficiencia Computacional: A pesar de la complejidad teórica, el modelo es computacionalmente viable (tiempos de ejecución moderados en JAGS) y ofrece una alternativa superior a los enfoques tradicionales sin un costo computacional prohibitivo.

En conclusión, el artículo presenta el modelo Binomial-Logit-t de efectos mixtos como una solución superior y robusta para el análisis de datos de conteo acotados con sobre-dispersión y valores atípicos, combinando rigor estadístico con interpretabilidad práctica.