ProfileGLMM: a R Package Extending Bayesian Profile Regression using Generalised Linear Mixed Models

Resumen Técnico: ProfileGLMM

1. Planteamiento del Problema

La regresión de perfil bayesiana (Bayesian Profile Regression) es un marco estadístico potente diseñado para modelar una variable de respuesta ($y$) utilizando un conjunto de covariables explicativas que se dividen en dos grupos:

1. Covariables de regresión ($x$): Variables explicativas convencionales (ej. características individuales).
2. Covariables de agrupamiento ($u$): Variables caracterizadas por fuertes interdependencias o alta correlación (ej. exposiciones ambientales o respuestas de cuestionarios detallados).

El problema central abordado por este trabajo es la limitación de las implementaciones existentes (como el paquete PReMiuM) para manejar datos complejos. Específicamente:

• Estructuras Jerárquicas y Longitudinales: Los métodos anteriores se limitaban principalmente a datos transversales o carecían de la flexibilidad necesaria para modelar estructuras jerárquicas generales (datos repetidos, medidas longitudinales) mediante efectos aleatorios.
• Interacciones Latentes: No permitían estudiar adecuadamente las interacciones entre los clusters latentes (grupos de observaciones similares) y otras covariables observables.
• Suboptimalidad Estadística: Incluir directamente covariables de agrupamiento altamente correlacionadas en un modelo de regresión estándar es estadísticamente subóptimo. La regresión de perfil resuelve esto agrupando observaciones, pero la integración con modelos mixtos generalizados (GLMM) era inexistente.

2. Metodología

El paquete ProfileGLMM integra Modelos Lineales Mixtos Generalizados (GLMM) dentro del marco de la regresión de perfil bayesiana.

• Modelo de Asignación (Clustering):

  • Utiliza un proceso de Dirichlet truncado para agrupar las observaciones basándose en las covariables de agrupamiento ($u$), que pueden ser continuas (distribución Gaussiana multivariada) o categóricas (distribución multinomial).
  • El número de clusters ($C$) se trata como infinito en teoría, pero se aproxima mediante un truncamiento computacionalmente eficiente.

• Modelo de Resultado (GLMM):

  • A diferencia de la regresión de perfil estándar, el modelo de resultado permite que la distribución de la variable de respuesta dependa de las covariables de agrupamiento ($u$) y de los efectos aleatorios.
  • La ecuación general para un resultado continuo es:
    $$y_i = x_{i}^{FE}\beta + x_{i}^{RE}\eta_{g(i)} + x_{i}^{Int}\gamma_c + \epsilon_i$$
    Donde:
    • $\beta$: Efectos fijos (constantes para toda la población).
    • $\eta_{g(i)}$: Efectos aleatorios (específicos del individuo o grupo $g(i)$), modelados como $N(0, W^{RE})$.
    • $\gamma_c$: Parámetros específicos del cluster latente $c$, que capturan la interacción entre el cluster y las covariables.
    • $\epsilon_i$: Error homoscedástico.
  • Soporta modelos lineales mixtos (para resultados continuos) y modelos mixtos probit (para resultados binarios).

• Inferencia y Muestreo:

  • Se utiliza un Muestreador de Gibbs (MCMC) para extraer muestras de la distribución posterior.
  • Se emplea un proceso de Dirichlet mediante "stick-breaking" para los pesos de la mezcla.
  • Para resolver el problema de "cambio de etiquetas" (label switching) en los clusters latentes, se utiliza un método basado en una matriz de disimilitud promedio para derivar una agrupación representativa ($Z^*$) antes de calcular los parámetros finales.

3. Contribuciones Clave

El artículo presenta tres contribuciones metodológicas y prácticas principales:

1. Integración de Efectos Aleatorios: Es la primera implementación que permite analizar datos longitudinales y jerárquicos dentro de la regresión de perfil bayesiana, manejando la heterogeneidad no observada y la correlación intra-sujeto.
2. Interacción Cluster-Covariable: Permite que los efectos de las covariables sobre el resultado varíen según el cluster latente al que pertenece la observación (mediante el término $x^{Int}\gamma_c$). Esto es crucial para modelar heterogeneidad en los efectos de las exposiciones.
3. Flexibilidad de Ajuste Piecewise (Tramo a Tramo): Demuestra una capacidad única para incluir una covariable de predicción también como covariable de agrupamiento. Esto permite estimar funciones complejas, como ajustes lineales por tramos (piecewise linear fits), donde el modelo identifica automáticamente los segmentos y estima tendencias lineales diferentes para cada uno.
4. Implementación Eficiente en R: El paquete está construido sobre código Rcpp para garantizar velocidad, ofreciendo una interfaz de usuario flexible con parámetros mínimos obligatorios.

4. Resultados y Validación

Los autores validaron el paquete mediante dos ejemplos principales:

• Datos Simulados de Exposoma Longitudinal:

  • Se simuló un estudio con 1500 individuos y 4500 observaciones (3 oleadas).
  • El modelo recuperó con precisión 9 clusters latentes de exposición, cuyos centroides coincidían con los valores verdaderos generados.
  • Se demostró la capacidad de descomponer el resultado en contribuciones de efectos fijos, efectos aleatorios y efectos específicos del cluster, recuperando los parámetros verdaderos ($\beta, \gamma, \eta$).
  • La predicción de nuevos datos y la asignación de clusters funcionaron correctamente.

• Ajuste Lineal por Tramos (Piecewise Linear Fit):

  • Se utilizó un predictor unidimensional ($x$) que actuaba simultáneamente como variable de agrupamiento y de interacción.
  • El modelo identificó automáticamente 6 dinámicas locales distintas (segmentos) y estimó con precisión las tendencias lineales dentro de cada segmento, superando a los enfoques estándar que no pueden capturar esta estructura no paramétrica de forma tan integrada.

• Eficiencia Computacional:

  • Se comparó el tiempo de ejecución con el paquete de referencia PReMiuM.
  • Resultados: ProfileGLMM mostró tiempos de ejecución competitivos y, en muchos casos, superiores (ej. 485s vs 1031s para 12,000 observaciones), demostrando que la inclusión de efectos aleatorios no sacrifica la eficiencia computacional.

5. Significado e Impacto

El paquete ProfileGLMM representa un avance significativo en el análisis de datos complejos en campos como la epidemiología, las ciencias sociales y los estudios clínicos.

• Unificación de Enfoques: Permite a los investigadores utilizar un solo marco unificado para realizar tanto el agrupamiento de observaciones (para manejar correlaciones complejas) como el modelado de resultados jerárquicos (para manejar datos repetidos).
• Herramienta Práctica: Al estar disponible en CRAN y ofrecer una interfaz intuitiva, democratiza el uso de modelos bayesianos complejos que anteriormente requerían programación personalizada o eran computacionalmente prohibitivos.
• Escalabilidad: Su implementación en Rcpp y su capacidad para manejar decenas de miles de observaciones lo convierten en una herramienta viable para grandes conjuntos de datos modernos.

En resumen, ProfileGLMM supera las limitaciones de la regresión de perfil tradicional, extendiendo su aplicabilidad a datos longitudinales y permitiendo la exploración de interacciones sofisticadas entre clusters latentes y covariables observadas, todo ello con una eficiencia computacional robusta.