Bayesian Multi-Group Functional Factor Models with Parameter-Expanded Cumulative Shrinkage Priors

Título: Modelos de Factores Funcionales Multi-Grupo Bayesianos con Priors de Encogimiento Acumulativo Expandido en Parámetros

1. Planteamiento del Problema

Los datos funcionales consisten en trayectorias observadas en un dominio continuo (tiempo, espacio, longitud de onda) y son inherentemente de dimensión infinita. En muchos estudios modernos, estos datos se recopilan en múltiples grupos relacionados (por ejemplo, sujetos sanos vs. pacientes, o diferentes condiciones experimentales).

• El desafío: Los métodos existentes de reducción de dimensionalidad, como el Análisis de Componentes Principales Funcionales (fPCA) o los modelos de factores latentes, suelen estar diseñados para un solo grupo. No abordan adecuadamente la necesidad de descomponer la variabilidad en dos componentes simultáneos:
  1. Estructuras compartidas: Patrones comunes a todos los grupos.
  2. Estructuras específicas del grupo: Variaciones únicas de cada grupo.
• Limitaciones actuales: Los modelos de factores latentes para datos no funcionales no se aplican directamente a datos funcionales densos. Además, los priores de encogimiento existentes (como el Proceso Gamma Multiplicativo) pueden ser sensibles a la selección de hiperparámetros y no siempre garantizan un encogimiento creciente automático para seleccionar el número óptimo de factores.

2. Metodología Propuesta

Los autores proponen un Modelo de Factores Funcionales Multi-Grupo Bayesiano (BMGFFM).

• Estructura del Modelo:

  • Las curvas observadas $y_{is}(t)$ para el sujeto $i$ en el grupo $s$ se modelan como una realización ruidosa de una función subyacente $f_{is}(t)$.
  • Esta función se descompone en:
    1. Una media específica del grupo $\mu_s(t)$.
    2. $L$ componentes latentes compartidos (comunes a todos los grupos).
    3. $K_s$ componentes latentes específicos del grupo (únicos para el grupo $s$).
  • Todas las componentes funcionales se representan como combinaciones lineales de un conjunto común de funciones base B-splines cúbicas, logrando una representación de rango bajo.

• Priors y Selección de Factores:

  • Se introduce un Prior de Proceso de Encogimiento Acumulativo Expandido en Parámetros (Parameter-Expanded Cumulative Shrinkage Process - PX-CUSP) sobre las cargas de los factores (loadings).
  • Mecanismo: Este prior utiliza una expansión de parámetros y una construcción de "stick-breaking" para imponer un encogimiento progresivo en las columnas de mayor índice de la matriz de cargas.
  • Objetivo: Esto permite que el modelo elimine automáticamente los factores redundantes (cargando sus coeficientes hacia cero) e infiera el número óptimo de factores activos ($L^*$ y $K_s^*$) sin necesidad de especificar un número fijo a priori.

• Inferencia y Identificabilidad:

  • Se utiliza un algoritmo Gibbs Sampler (MCMC) para la inferencia posterior.
  • Problema de Identificabilidad: Los modelos de factores sufren de invarianza rotacional, cambio de signo y permutación de etiquetas. Además, en el contexto multi-grupo, la descomposición de la covarianza no es única.
  • Solución: Se propone una estrategia de post-procesamiento que:
    1. Alinea las muestras posteriores en el espacio de parámetros (usando el algoritmo RSP: Rotación, Signo, Permutación).
    2. Identifica estructuras interpretables en el espacio de covarianza mediante descomposición espectral de los operadores de covarianza estimados, en lugar de trabajar directamente con las matrices de cargas.

3. Contribuciones Clave

1. Marco Unificado Multi-Grupo: Extensión de los modelos de factores latentes bayesianos a datos funcionales multi-grupo, permitiendo la estimación simultánea de patrones compartidos y específicos.
2. Selección Automática de Dimensión: Implementación de un prior PX-CUSP que induce un encogimiento creciente, resolviendo la incertidumbre sobre el número de factores latentes compartidos y específicos de manera adaptativa.
3. Estrategia de Identificabilidad Robusta: Un enfoque novedoso que resuelve los problemas de rotación y permutación operando en el espacio de covarianza, garantizando estimaciones únicas y interpretables de los subespacios latentes.
4. Validación Rigurosa: Demostración de superioridad frente a métodos competidores (fPCA estándar, BFPCA, modelos semiparamétricos) en diversos escenarios de simulación.

4. Resultados

• Estudios de Simulación:

  • El modelo recuperó con precisión el número de factores latentes en escenarios con estructuras compartidas, específicas y mixtas.
  • En escenarios donde existían tanto factores compartidos como específicos, el BMGFFM obtuvo los menores errores cuadrados medios (MSE) en comparación con métodos que analizan grupos por separado (como BFPCA) o métodos de PCA filtrada.
  • El modelo demostró ser capaz de distinguir variaciones complejas compartidas frente a aquellas específicas del grupo, incluso con tamaños de muestra desequilibrados.
  • El análisis de sensibilidad mostró que el modelo es robusto a la elección de hiperparámetros, siempre que el parámetro de umbral de encogimiento ($v_0$) sea suficientemente pequeño.

• Aplicación a Datos Reales (EEG):

  • Se aplicó el modelo a datos de Electroencefalografía (EEG) de sujetos alcohólicos y controles sanos (proyecto COGA).
  • Hallazgos:
    • Identificó un factor compartido que capturó componentes ERP canónicos (N100 y P200), representando procesos sensoriales y perceptuales básicos comunes a ambos grupos.
    • Identificó factores específicos del grupo: El grupo alcohólico mostró factores con fluctuaciones positivas más pronunciadas y tardías (240-347 ms), sugiriendo respuestas neuronales alteradas o retrasadas. El grupo control mostró patrones más sincronizados y localizados temporalmente.
  • El modelo logró reconstruir las curvas ERP con alta precisión, diferenciando claramente los patrones neurales entre los dos grupos.

5. Significado e Impacto

Este trabajo proporciona una herramienta estadística avanzada para el análisis de datos funcionales en contextos comparativos. Su capacidad para separar automáticamente la variabilidad común de la específica, junto con la inferencia bayesiana sobre la dimensionalidad, lo hace superior a los enfoques tradicionales que requieren especificaciones fijas o analizan grupos de forma aislada.
La aplicación a datos de neurociencia demuestra su utilidad práctica para descubrir biomarcadores sutiles en enfermedades complejas (como el alcoholismo), donde las diferencias entre grupos pueden ser tanto cuantitativas (intensidad) como cualitativas (patrones temporales específicos). El enfoque propuesto sienta las bases para futuros trabajos que puedan modelar dependencias más complejas entre subgrupos de poblaciones.