Local Variable and Neighborhood Selection for Firearm Fatality in the Southeast USA

Resumen Técnico: Selección de Variables Locales y de Vecindad para la Mortalidad por Armas de Fuego en el Sudeste de EE. UU.

Planteamiento del Problema
Las muertes relacionadas con armas de fuego en los Estados Unidos exhiben una heterogeneidad espacial significativa impulsada por variaciones locales en las distribuciones de raza, edad, sexo e ingresos. Aunque existe una amplia literatura sobre la selección de variables para datos independientes (p. ej., LASSO, SCAD) y algo de literatura sobre datos espaciales, persiste una brecha crítica: la falta de métodos para la selección de variables locales e inferencia post-selección para datos de conteo con correlación espacial y sobredispersión. Los enfoques tradicionales suelen asumir una importancia de variable global o imponen estructuras de vecindad espacial ad hoc (p. ej., vecinos de primer o segundo orden fijos) que no logran capturar la anisotropía direccional o las variaciones locales en la estructura del efecto aleatorio espacial latente. Este artículo aborda el desafío de identificar factores socioeconómicos influyentes y la estructura de vecindad espacial apropiada específicamente para las ubicaciones donde los conteos de fatalidades por armas de fuego exceden un umbral.

Metodología
Los autores proponen un marco de dos pasos para la selección de variables localizada e inferencia para datos de distribución binomial negativa (NB) indexados espacialmente.

1. Paso 1: Selección de Variables Localizada (LSPMLE):

   • Localización: El método localiza la función de media alrededor de una ubicación de referencia $s^{(0)}_i$ utilizando una expansión de la serie de Taylor. Esto descompone los coeficientes de regresión $\beta_k(s)$ en un intercepto local ($\gamma_k$), una pendiente horizontal ($\delta_k$) y una pendiente vertical ($\tau_k$), permitiendo una variación direccional en los efectos de los predictores.
   • Penalización: Se aplica una penalización de Desviación Absoluta Suavemente Recortada (SCAD) a la pseudo-verosimilitud localizada para seleccionar los predictores relevantes. Esto se realiza bajo el supuesto de ausencia de efectos aleatorios inicialmente para identificar el conjunto de covariables activas $\hat{A}^{(i)}_n$ para la ubicación específica.
   • Optimización: La optimación utiliza un algoritmo de descenso de coordenadas acelerado por Anderson para manejar problemas locales de alta dimensión y colinealidad de manera eficiente. Los parámetros de ajuste (ancho de banda $h$ y penalización $\lambda$) se seleccionan mediante un criterio de Quasi-BIC Ponderado (WQBIC).

2. Paso 2: Inferencia de Vecindad Local:

   • Reajuste: Utilizando los predictores seleccionados en el Paso 1, el modelo se reajusta sin penalizaciones para estimar los coeficientes de regresión y el efecto aleatorio espacial.
   • Selección de Vecindad: El método evalúa 15 estructuras de vecindad espacial distintas (incluyendo vecinos estándar tipo "rook" y estructuras anisotrópicas direccionales como solo Norte, Este-Oeste, o combinaciones de Suroeste).
   • Inferencia: La matriz de pesos espaciales se localiza, y se identifica la estructura de vecindad que mejor se ajusta a los datos (maximizando la contribución de verosimilitud del efecto aleatorio espacial). Esto permite la inferencia de la variación direccional en la estructura de dependencia espacial.

Propiedades Teóricas
El artículo establece resultados teóricos bajo asintótica de infill, donde el número de puntos de muestreo dentro de una región espacial fija aumenta.

• Existencia y Consistencia: Los autores demuestran la existencia de un máximo local para la verosimilitud penalizada.
• Tasa de Convergencia: El estimador converge a una tasa de $O_P(\alpha_n)$, donde $\alpha_n = \sqrt{K_n/N_n}$ ($K_n$ es el número de predictores, $N_n$ es el tamaño de la muestra).
• Selección de Parsimonia (Sparsity): Bajo condiciones de regularidad específicas (incluyendo supuestos sobre la matriz de información de Fisher y el comportamiento de la derivada de SCAD), el método logra una selección de parsimonia consistente, lo que significa que identifica correctamente los coeficientes cero con una probabilidad que se aproxima a uno a medida que el tamaño de la muestra crece.

Contribuciones Clave

1. Enfoque Localizado de Dos Etapas: La introducción de un marco que primero selecciona predictores localmente usando SCAD (asumiendo la ausencia de efectos aleatorios) y luego estima los coeficientes de regresión y la topología de vecindad utilizando los predictores seleccionados.
2. Caracterización de la Variación Direccional: El método modela e identifica explícitamente la variación direccional en la superficie de los coeficientes (p. ej., un predictor puede tener un efecto más fuerte en la dirección Este-Oeste que en Norte-Sur) y en la estructura de vecindad espacial.
3. Selección de Vecindad Basada en Datos: En lugar de asumir una estructura espacial fija, el método identifica el tipo de vecindad espacial más apropiado (p. ej., de primer orden, anisotropía direccional) para condados de "puntos calientes" específicos.
4. Aplicación a Datos Areales con Sobredispersión: Este se presenta como el primer trabajo en realizar la selección de variables locales para datos areales con sobredispersión (modelados mediante la distribución Binomial Negativa).

Resultados

• Estudio de Simulación: El método (LSPMLE) fue probado en datos de conteo espacial simulados con 800 predictores y tamaños de muestra variables. Los resultados demostraron que LSPMLE superó al SCAD global y al LASSO Adaptativo (AL) global en términos de Probabilidad de Selección de Variable Local Verdadera (TLVSP) y Probabilidad de Selección de Variable Global Verdadera (TGVSP), particularmente a medida que el tamaño de la muestra aumentaba. El método recuperó con éxito los conjuntos de variables locales verdaderas y las estructuras de vecindad latentes.
• Análisis de Datos Reales (Sureste de EE. UU., 2024): El marco se aplicó a datos de fatalidades por armas de fuego en los condados del sureste de EE. UU.
  • Hallazgos Específicos por Condado: El análisis reveló que los predictores influyentes varían según el condado. Por ejemplo, en los condados de Floyd y Knott (Kentucky), se seleccionaron la edad mediana de las poblaciones masculina y femenina, y las poblaciones femenas de nativos de Hawái y otras islas del Pacífico, mientras que en el condado de Dougherty (Georgia), fueron significativas las variables relacionadas con hombres blancos y poblaciones de indios americanos.
  • Estructura de Vecindad: La estructura de vecindad espacial óptima varió según la ubicación. Por ejemplo, el condado de Franklin (Florida) exhibió dependencia espacial principalmente a lo largo del lado Oeste, mientras que el condado de Floyd (Kentucky) se modeló mejor con una estructura estándar de "rook" (primer orden).
  • Comparación: Los métodos globales (AL y SCAD) seleccionaron un conjunto uniforme de variables y una única estructura de vecindad global (principalmente direccional al Norte), fallando en capturar la heterogeneidad local identificada por el método propuesto.

Significancia y Pretensiones
El artículo afirma que su principal significancia radica en abordar el "vacío" en la literatura respecto a la selección de variables locales para datos con correlación espacial y sobredispersión. Al alejarse de los supuestos globales, el método proporciona:

1. Inferencia Local: La capacidad de seleccionar variables específicas para el contexto sociodemográfico de una ubicación (p. ej., seleccionar a hombres negros jóvenes como un factor de riesgo en un condado, mientras que mujeres blancas mayores son el factor en otro).
2. Perspectiva Direccional: La identificación de cómo los predictores seleccionados ejercen influencia direccionalmente (p. ej., efectos más fuertes a lo largo de ejes geográficos específicos).
3. Flexibilidad Estructural: La eliminación de supuestos ad hoc sobre las estructuras de vecindad espacial, permitiendo que los datos dicten el tipo de dependencia espacial apropiado (p. ej., anisotrópico vs. isotrópico) para cada punto caliente.

Los autores concluyen que este enfoque ofrece una comprensión más matizada de los impulsores de las fatalidades por armas de fuego, lo cual es crítico para intervenciones de salud pública focalizadas. Señalan que trabajos futuros podrían extender esto a modelos lineales generalizados completos, marcos de verosimilitud penalizada unificados con efectos aleatorios espaciales, y contextos espacio-temporales.