Zero-Inflated Logistic Regression Models with Shared Design: Identifiability, Existence of Estimates, and a Relabeling Rule

Aquí presento un resumen técnico detallado del artículo "Zero-Inflated Logistic Regression Models with Shared Design: Identifiability, Existence of Estimates, and a Relabeling Rule" (Modelos de Regresión Logística Inflada por Ceros con Diseño Compartido: Identificabilidad, Existencia de Estimaciones y una Regla de Reetiquetado), escrito por Yui Tomo, Shinto Eguchi y Daisuke Yoneoka.

---

1. Planteamiento del Problema

La regresión logística estándar es una herramienta fundamental para respuestas binarias, pero a menudo falla en escenarios aplicados donde se observan excesos de ceros (excess zeros). Estos ceros pueden surgir de dos mecanismos latentes:

1. Una mezcla de subpoblaciones susceptibles e insusceptibles al evento.
2. Una clasificación errónea asimétrica (ej. no registrar un evento debido a retrasos).

El modelo de regresión logística inflada por ceros (ZILR) aborda esto mediante dos componentes:

• Un componente de regresión logística ordinaria para la probabilidad del evento.
• Un componente de "cero estructural" (también modelado como regresión logística) que determina si la observación es un cero forzado.

El desafío central: En la práctica, a menudo no se dispone de información previa para distinguir qué covariables pertenecen a cada componente. Por lo tanto, es común utilizar la misma matriz de diseño para ambos componentes (diseño compartido). Esto introduce problemas teóricos graves:

• No identificabilidad: La función de verosimilitud es invariante bajo el intercambio de los vectores de coeficientes ($\beta$ y $\gamma$). El modelo no puede distinguir cuál componente es el "evento" y cuál es el "cero estructural".
• Simetría de etiquetas: Esto genera múltiples modos simétricos en la verosimilitud y en la distribución posterior, análogo al problema de cambio de etiquetas en modelos de mezcla.
• Falta de garantías de existencia: No está claro bajo qué condiciones existen los estimadores de máxima verosimilitud (MLE) en este contexto.

2. Metodología y Enfoque Teórico

Los autores abordan el problema desde una perspectiva teórica rigurosa y proponen soluciones computacionales y prácticas:

A. Fenómeno de Inversión de Signo (Sign-Flip)

Demuestran teóricamente que ignorar la inflación de ceros y ajustar un modelo logístico estándar conduce a un sesgo severo. Específicamente, si una covariable tiene un efecto positivo en el evento pero negativo en el estado de cero estructural (o viceversa), el coeficiente estimado en el modelo mal especificado puede tener el signo opuesto al verdadero valor.

B. Condiciones de Existencia de Estimadores

Extienden el concepto clásico de "separación de datos" en regresión logística a este modelo inflado:

• Doble Separación (Double Separation): Definen una condición donde los datos permiten separar perfectamente tanto los ceros estructurales como los eventos. Bajo esta condición, no existe un estimador de máxima verosimilitud (la verosimilitud no tiene máximo finito).
• Doble No-Separación ($\epsilon$-Double-Non-Separation): Proponen una condición suficiente para garantizar la existencia del estimador, asegurando que los datos mantengan un margen uniforme que previene la separación perfecta.

C. Identificabilidad bajo Diseño Compartido

Aunque el modelo no es identificable como un par ordenado $(\beta, \gamma)$, los autores establecen que:

• Bajo condiciones de soporte regulares (covariables continuas o mixtas), el modelo es identificable hasta la simetría de intercambio.
• Es decir, el par de coeficientes es único en el espacio cociente $(\mathbb{R}^d \times \mathbb{R}^d) / \sim$, donde la relación de equivalencia es $(\beta, \gamma) \sim (\gamma, \beta)$.
• La verosimilitud esperada tiene un único maximizador en este espacio cociente.

D. Inferencia Computacional y Muestreo

Para explorar la distribución posterior y manejar la multimodalidad (bimodalidad) causada por la simetría:

• Utilizan un muestreador de Gibbs basado en la augmentación Polya-Gamma (Polson et al., 2013).
• Integran el método de Intercambio de Réplicas (Replica Exchange) para permitir que la cadena de Markov salte entre los dos modos simétricos, evitando quedar atrapada en uno solo.

E. Regla de Reetiquetado (Relabeling Rule)

Para aplicaciones prácticas donde se necesita un par ordenado único (para interpretación), proponen una regla heurística simple:

1. Ajustar un modelo logístico estándar (ignorando la inflación) para obtener un vector de coeficientes de referencia $\hat{\beta}_{LR}$.
2. Obtener una solución ordenada $(\hat{\beta}, \hat{\gamma})$ del modelo ZILR.
3. Comparar la distancia euclidiana entre $\hat{\beta}$ y $\hat{\beta}_{LR}$ con la distancia entre $\hat{\gamma}$ y $\hat{\beta}_{LR}$.
4. Seleccionar el par donde el primer componente es más cercano a la estimación logística estándar.

3. Resultados Principales

Resultados Teóricos

• Teorema de Inversión de Signo: Se prueba que bajo ciertas condiciones, la omisión del mecanismo de ceros estructurales invierte el signo del coeficiente pseudo-verdadero.
• Identificabilidad: Se demuestra que, aunque no se pueden distinguir los componentes individualmente sin información externa, la clase de equivalencia $[\beta, \gamma]$ es única.
• Existencia: Se proporcionan condiciones suficientes (basadas en la no-separación doble) para la existencia de MLEs.

Resultados Numéricos y Simulaciones

• Bimodalidad: En escenarios con covariables continuas o mixtas, la distribución posterior muestra claramente dos modos bien separados (correspondientes a $(\beta, \gamma)$ y $(\gamma, \beta)$). En diseños puramente binarios, la separación falla, confirmando la necesidad de condiciones de soporte adecuadas.
• Rendimiento del Reetiquetado: En estudios de simulación (10,000 repeticiones):
  • El modelo ZILR con reetiquetado reduce significativamente el sesgo en comparación con el modelo logístico estándar (que sufre de inversión de signo) y el modelo ZILR "naive" (que no resuelve la ambigüedad).
  • La regla de reetiquetado selecciona la solución correcta en más del 99% de los casos en escenarios de inflación moderada a alta.
  • El método es más estable y produce estimaciones razonables en una mayor proporción de repeticiones que el enfoque naive.

Aplicación a Datos Reales

• Se aplicó el modelo a datos de la NHANES (2017-2018) sobre diabetes auto-reportada.
• Se comparó el estado de diabetes auto-reportado con niveles de HbA1c (un marcador biológico). Se observó que aproximadamente el 21.4% de los casos con HbA1c alto fueron reportados como negativos (posibles falsos negativos o no diagnosticados).
• El modelo inflado con diseño compartido capturó esta estructura, y la regla de reetiquetado permitió seleccionar una interpretación coherente de los coeficientes, alineada con la regresión logística estándar pero corrigiendo el sesgo.

4. Significado y Contribuciones

Este trabajo es significativo por varias razones:

1. Resolución de un problema práctico común: Aborda directamente la situación donde los investigadores deben usar el mismo conjunto de covariables para ambos componentes del modelo inflado, una práctica común pero teóricamente problemática.
2. Fundamentación Teórica de la No-Identificabilidad: En lugar de ver la no-identificabilidad como un fallo, la caracterizan estructuralmente como una simetría de intercambio, demostrando que la inferencia es válida en el espacio cociente.
3. Advertencia sobre Especificación Incorrecta: Proporciona una prueba formal de que ignorar la inflación de ceros puede llevar a conclusiones cualitativamente erróneas (inversión de signos), lo cual es crítico para la toma de decisiones en epidemiología y ciencias sociales.
4. Solución Práctica: La propuesta de una regla de reetiquetado simple y reproducible permite a los investigadores obtener resultados interpretables sin necesidad de información externa costosa o compleja.
5. Herramientas Computacionales: La combinación de augmentación Polya-Gamma con intercambio de réplicas ofrece un marco robusto para la inferencia bayesiana en modelos con múltiples modos simétricos.

En conclusión, el artículo proporciona las bases teóricas y herramientas prácticas necesarias para aplicar modelos de regresión logística inflada por ceros con diseño compartido de manera fiable, garantizando la identificabilidad de los parámetros esenciales y ofreciendo un procedimiento para desambiguar los componentes del modelo.