A Compound Logistic Regression Model for Binary Responses

Resumen Técnico: Un Modelo de Regresión Logística Compuesta para Respuestas Binarias

Planteamiento del Problema
La regresión logística estándar es el método dominante para modelar respuestas binarias, pero posee una limitación significativa: la función de respuesta está restringida a tener asíntotas fijas en 0 y 1. En muchas aplicaciones prácticas, como el modelado de la prevalencia de enfermedades basadas en niveles de biomarcadores o la eficacia de las vacunas, la probabilidad de un evento no necesariamente se aproxima a 0 o 1 incluso en valores extremos del predictor. Además, los modelos flexibles existentes que permiten asíntotas variables a menudo tienen dificultades para incorporar respuestas correlacionadas o múltiples covariables en un marco unificado e interpretable. Los autores identifican la necesidad de un modelo que generalice la respuesta logística para permitir asíntotas inferior ($a_L$) y superior ($a_U$) arbitrarias, manteniendo la tractabilidad analítica e interpretabilidad de la regresión logística estándar.

Metodología
El artículo propone el modelo de Regresión Logística Compuesta (CLR, por sus siglas en inglés). Este enfoque construye una función de respuesta media $\pi(x)$ mediante la combinación de múltiples funciones de regresión logística a través de una función de combinación específica $H$.

1. Estructura del Modelo:
   La idea central es expresar la probabilidad $\pi$ como una función de tres componentes logísticos distintos, $\phi(\eta_1), \phi(\eta_2), \phi(\eta_3)$, donde $\eta_j = \tilde{\beta}_j^T \tilde{x}_j$.

   • Modelo de Asíntota: Los autores demuestran que las asíntotas inferior y superior pueden modelarse como funciones logísticas mismas. Por ejemplo, un modelo donde la respuesta transiciona entre $a_L$ y $a_U$ basado en un biomarcador $z$ se formula como:
     $$\pi_c(\tilde{x}_1, \tilde{x}_2, \tilde{x}_3) = \phi(\eta_3)\phi(\eta_1) + \phi(\eta_2)(1 - \phi(\eta_1))$$
     Aquí, $a_L = \phi(\eta_2)$ y $a_U = \phi(\eta_3)$, permitiendo que estos límites dependan de las covariables.
   • Modelo de Eficacia de la Vacuna: Se propone una función de combinación alternativa para escenarios que involucran exposición, protección y eficacia, tales como:
     $$\pi_{inf} = \xi(1 - \gamma \kappa(z))$$
     donde $\kappa(z)$ modela el umbral del correlato de protección (COP), $\gamma$ representa la eficacia y $\xi$ representa el riesgo de exposición. Cada componente se modela mediante una función logística separada.

2. Inferencia y Estimación:

   • Ecuaciones de Estimación: El artículo utiliza un enfoque de cuasi-verosimilitud basado en ecuaciones de estimación. Se demuestra que la matriz de gradiente del modelo compuesto es una suma ponderada de las matrices de gradiente de los modelos de componentes individuales (Ecuación 39). Esta linealidad simplifica la derivación de la Hessiana y el algoritmo de ajuste iterativo.
   • Respuestas Correlacionadas: El marco de trabajo acomoda respuestas dependientes (por ejemplo, medidas repetidas) definiendo una matriz de correlación de trabajo $R_{\tilde{y}}$. Los autores abordan específicamente la correlación intercambiable, donde las observaciones dentro de un grupo comparten una correlación común $\rho$.
   • Regularización: Para abordar los problemas de convergencia e inestabilidad, particularmente cuando el gradiente del biomarcador es cercano a cero, los autores incorporan la regresión ridge. Se añade un término de penalización $D = \theta^T B \theta$ a las ecuaciones de estimación, reduciendo los estimadores de los parámetros y estabilizando el algoritmo numérico.
   • Identificabilidad: El artículo señala que, para que el modelo sea identificable, el gradiente asociado con el biomarcador primario debe ser distinto de cero. Se sugiere una estrategia de reparametrización para forzar una dirección de gradiente positiva si existe conocimiento previo.

3. Implementación:
   Los métodos se implementan en el paquete de R CLmodel, el cual soporta estructuras de correlación independientes e intercambiables, estimación de cuasi-verosimilitud y regularización mediante un parámetro de penalización $\lambda$.

Resultos Clave

• Estudio de Simulación: Se realizó un estudio de simulación con $N=50,000$ replicaciones para evaluar el desempeño del modelo bajo correlación intercambiable ($\rho=0.1$).
  • Estabilidad: El estudio destacó que, sin regularización ($\lambda=0$), el algoritmo numérico sufría una alta tasa de falla (55.6% de no convergencia). La introducción de una pequeña penalización ($\lambda=0.1$) resultó en una convergencia del 100%.
  • Compromiso Sesgo-Varianza: Aunque la regularización introdujo un ligero sesgo, redujo significativamente la varianza de las estimaciones del error estándar y mejoró la cobertura de los intervalos de confianza, acercándolos al nivel nominal del 95%.
  • Recuperación de Parámetros: El modelo recuperó con éxito los parámetros reales, incluyendo el coeficiente de correlación $\rho$, y demostró una alta potencia para detectar efectos de las covariables en las asíntotas.
• Aplicación a Datos Reales: El modelo se aplicó a datos del proyecto Midlife in the United States (MIDUS) para predecir la diabetes ($y=1$) basada en la Hemoglobina A1c% ($z$) y el estado de asma ($x$).
  • Las curvas ajustadas mostraron que la probabilidad de diabetes se aproxima a diferentes asíntotas superiores para sujetos con y sin asma.
  • El parámetro $\beta_{1,3}$, que gobierna la diferencia en la asíntota superior, fue estadísticamente significativo ($p=0.017$), indicando que los sujetos con asma tienen una probabilidad significativamente menor de diabetes en niveles altos de A1c (Odds Ratio = 0.11).
  • El punto de transición del modelo se alineó estrechamente con las guías de la Asociación Americana de Diabetes (rango de prediabetes 5.7%–6.5%), validando la plausibilidad biológica de la curva ajustada.

Significancia y Reivindicaciones
El artículo sostiene que el modelo de Regresión Logística Compuesta ofrece una extensión flexible a la regresión logística estándar que permite:

1. Asíntotas Variables: La capacidad de modelar límites inferior y superior de la respuesta de probabilidad que no están fijados en 0 y 1, y que pueden depender de las covariables.
2. Interpretabilidad: El modelo conserva la interpretación intuitiva de los coeficientes de la regresión logística (log-odds) para cada componente, permitiendo a los investigadores modelar por separado los factores que afectan el umbral, el riesgo base y el riesgo máximo.
3. Manejo de la Correlación: El marco de trabajo se extiende naturalmente a estructuras de datos correlacionados (por ejemplo, estudios longitudinales) utilizando los principios de las ecuaciones de estimación generalizadas (GEE).
4. Estabilidad Computacional: Se demuestra que la inclusión de la regularización ridge es crítica para la estabilidad numérica del algoritmo de ajuste en escenarios de múltiples componentes complejos.

Los autores enfatizan que este enfoque permite una "mayor variedad de modelos" mientras mantiene las "ventajas de la regresión logística", citando específicamente la implementación en el paquete CLmodel como una herramienta práctica para estos análisis. El artículo no pretende reemplazar la regresión logística estándar, sino proporcionar una generalización necesaria para aplicaciones donde el supuesto de asíntota fija es inapropiado.