Bayesian structured additive quantile regression for inflated bounded data

A continuación presento un resumen técnico detallado del artículo "Bayesian structured additive quantile regression for inflated bounded data" (Regresión cuantílica aditiva estructurada bayesiana para datos acotados inflados), basado en el texto proporcionado.

1. Planteamiento del Problema

En campos como la medicina, la biología, la sociología y la ecología, es común encontrar datos continuos acotados en el intervalo unitario $[0, 1]$ (por ejemplo, tasas de mortalidad, porcentajes de grasa corporal o proporciones de cobertura forestal). Un desafío frecuente en estos datos es la presencia de una proporción no despreciable de observaciones en los límites del intervalo (ceros y/o unos), fenómeno conocido como inflación en los límites (zero-inflation o one-inflation).

Los modelos de regresión estándar para datos acotados (como la regresión beta) a menudo fallan al no manejar adecuadamente estas masas de probabilidad en los bordes. Aunque existen modelos de regresión inflados que combinan una distribución discreta para los bordes y una continua para el interior $(0, 1)$, la mayoría de las aproximaciones existentes:

• Se centran en la media y la precisión de la distribución, asumiendo formas paramétricas específicas.
• Utilizan predictores lineales simples, lo que limita su capacidad para capturar efectos no lineales, espaciales o de coeficientes variables.
• No abordan simultáneamente la inflación en ambos extremos (cero y uno) dentro de un marco de regresión cuantílica, que es crucial para analizar la heterogeneidad y la asimetría de la distribución condicional más allá de la tendencia promedio.

2. Metodología Propuesta

Los autores proponen una clase de modelos de regresión cuantílica aditiva estructurada bayesiana para datos acotados inflados (cero y/o uno). La metodología se basa en un marco de modelado de dos partes:

A. Estructura del Modelo

El modelo descompone la variable de respuesta $y_i \in [0, 1]$ en dos componentes:

1. Componente Discreto (Inflación): Modela la probabilidad de observar un cero ($p_{0i}$) y un uno ($p_{1i}$). Se utiliza una regresión multinomial (o binomial en casos de inflación unilateral) donde los predictores son aditivos y estructurados.
2. Componente Continuo: Modela los cuantiles condicionales de la variable transformada $h(y_i)$ para las observaciones en $(0, 1)$. Se utiliza una función de enlace $h$ (generalmente logit) para mapear el intervalo $(0, 1)$ a la recta real.

B. Predictores Aditivos Estructurados

La innovación principal radica en la flexibilidad de los predictores ($\eta$), que no se limitan a términos lineales. Se incluyen:

• Efectos no lineales de covariables continuas (usando splines de penalización).
• Efectos espaciales (modelados mediante campos aleatorios de Markov gaussianos).
• Efectos aleatorios (para datos jerárquicos o repetidos).
• Términos de coeficientes variables.

Las ecuaciones generales para los predictores son:

• Para las probabilidades de inflación: $\text{link}(p_{0i}, p_{1i}) = \beta_0 + \sum f_k(x_i)$.
• Para el cuantil condicional $\tau$ en la parte continua: $h(Q_{y_i|y_i \in (0,1)}(\tau|x_i)) = \beta_{2,0} + \sum f_{k,\tau}(x_i)$.

C. Inferencia Bayesiana y Distribución Asimétrica de Laplace (ALD)

Para la inferencia bayesiana, se emplea la Distribución Asimétrica de Laplace (ALD) como modelo de trabajo para la parte continua. La ALD tiene la propiedad de que su modo coincide con el minimizador de la suma de desviaciones absolutas ponderadas asimétricamente (el objetivo de la regresión cuantílica clásica).

• Se utiliza una representación de mezcla de escala-ubicación de la ALD para facilitar el muestreo MCMC.
• La inferencia se realiza mediante algoritmos MCMC (Monte Carlo de Cadenas de Markov) implementados en el framework de programación probabilística Liesel.
• Se asignan priores jerárquicos (Normal multivariante con matrices de penalización y priores Inverse-Gamma para las varianzas de suavizado) para controlar la complejidad de los efectos estructurados.

3. Contribuciones Clave

1. Flexibilidad Estructural: Extiende los modelos de regresión cuantílica inflada existentes (como los de Santos & Bolfarine, 2015) al incorporar predictores aditivos estructurados, permitiendo modelar efectos no lineales, espaciales y aleatorios simultáneamente.
2. Manejo de Inflación Dual: Es, según los autores, el primer modelo de regresión cuantílica capaz de manejar simultáneamente la inflación en cero y en uno (datos con observaciones en ambos extremos del intervalo).
3. Marco Unificado Bayesiano: Proporciona un marco de inferencia coherente que estima directamente los cuantiles condicionales y las probabilidades de inflación, evitando la necesidad de asumir una distribución paramétrica completa para la parte continua, lo que ofrece mayor robustez.
4. Implementación Computacional: Desarrolla e implementa el modelo en Liesel, un framework moderno que permite un muestreo eficiente y escalable para regresiones semiparamétricas complejas.

4. Resultados

Estudios de Simulación

• Se evaluó el rendimiento del modelo bajo escenarios con y sin especificación correcta de la verosimilitud (usando la distribución ALD vs. una distribución GJS-t).
• Precisión: El modelo mostró errores cuadráticos medios (RMSE) bajos para los efectos discretos y continuos, especialmente con tamaños de muestra grandes ($n=500$).
• Robustez: Incluso cuando los datos se generaron bajo una distribución diferente a la ALD (escenario de mala especificación), el modelo mantuvo un buen ajuste y bajos errores, demostrando la robustez de la regresión cuantílica.
• Cobertura: Las tasas de cobertura de los intervalos de credibilidad del 95% fueron cercanas al nivel nominal, aunque ligeramente inferiores para cuantiles extremos en escenarios de mala especificación.

Aplicaciones Reales

A. Mortalidad por Tráfico en Brasil (Datos Inflados en Cero):

• Datos: Proporción de muertes por tráfico en 5,499 municipios brasileños (38% con cero muertes).
• Hallazgos:
  • Se identificaron efectos no lineales y espaciales significativos que un modelo lineal simple no capturaría.
  • El tamaño de la población tiene una asociación negativa con la proporción de muertes (municipios más grandes tienen menor proporción de muertes relativas), efecto más fuerte en los cuantiles superiores.
  • La proporción de jóvenes (20-29 años) se asocia positivamente con la mortalidad en la parte continua.
  • El modelo cuantílico reveló que los efectos de las covariables varían a lo largo de la distribución (ej. el tamaño de la población afecta más a los municipios con tasas de mortalidad altas), algo que el modelo beta inflado (enfocado en la media) no detectó con la misma claridad.

B. Inteligibilidad del Habla en Implantes Cocleares (Datos Inflados en Cero y Uno):

• Datos: Proporción de morfemas reconocidos correctamente (con ~68% de observaciones en 0 o 1).
• Hallazgos:
  • El modelo capturó la variabilidad entre sujetos mediante efectos aleatorios.
  • Se observó que la relación entre la relación señal-ruido (SNR) y el reconocimiento varía según el cuantil: el SNR tiene un efecto más fuerte en los cuantiles medios/bajos que en los altos.
  • Se identificaron diferencias sutiles entre algoritmos de procesamiento de sonido que dependen del nivel de dificultad (SNR) y del cuantil analizado, mostrando que el algoritmo B es superior en condiciones difíciles (bajo SNR) para reducir fallos totales, mientras que el A es mejor en condiciones favorables.

5. Significado y Conclusión

El trabajo presenta un avance significativo en el análisis de datos acotados complejos. Al combinar la regresión cuantílica (que evita suposiciones distribucionales rígidas y captura la heterogeneidad) con modelos inflados estructurados (que manejan los límites y efectos complejos), los autores ofrecen una herramienta poderosa para investigadores.

La principal implicación es que los efectos de las covariables en datos acotados a menudo no son constantes a lo largo de la distribución; dependen de si estamos analizando casos extremos (ceros/unos), la media o la cola de la distribución. El modelo propuesto permite desentrañar estas relaciones complejas, superando las limitaciones de los modelos basados en la media (como la regresión beta inflada) y de los modelos cuantílicos lineales simples. La implementación en Liesel asegura que estos modelos complejos sean accesibles y computacionalmente viables para aplicaciones en ciencias sociales, epidemiología y biología.