Resumen Técnico: Regresión de Cambio de Plano Bayesiana

1. El Problema: No Regularidad e Identificación Débil

La regresión de cambio de plano busca identificar subpoblaciones mediante una regla de umbral lineal: $1\{Z^\top\theta \geq 0\}$. Aunque es altamente interpretable para la práctica clínica (un puntaje único con un punto de corte), presenta desafíos estadísticos fundamentales:

• No regularidad: La función de verosimilitud es no derivable (no suave) en el parámetro del umbral $\theta$.
• Identificación débil: Si no existe heterogeneidad en el efecto del tratamiento ($\gamma \approx 0$), el parámetro de la frontera $\theta$ no puede identificarse, lo que genera una posterior difusa.
• Inferencia frágil: Los métodos de aproximación de grandes muestras estándar fallan o son difíciles de calibrar debido a la discontinuidad del modelo de umbral "duro" (hard-threshold).

2. Metodología: El Marco de Verosimilitud de Trabajo (Working Likelihood)

Para resolver la falta de suavidad, los autores proponen un marco bayesiano basado en una verosimilitud de trabajo con puerta probit (probit-gated working likelihood).

• Suavizado (Smoothing): En lugar de usar el indicador discontinuo $1\{\cdot\}$, utilizan una función probit $\Phi(Z^\top\theta/\tau)$, donde $\tau > 0$ es una escala de suavizado. Esto convierte el problema en uno de verosimilitud suave y computable.
• Interpretación del Objetivo: Los autores aclaran que, para un $\tau$ fijo, la inferencia no apunta al parámetro de umbral duro original, sino a un "pseudo-parámetro verdadero" ($\eta^\star(\tau)$) que minimiza la divergencia de Kullback-Leibler para el modelo suavizado.
• Algoritmo de Muestreo: Desarrollan un muestreador de Gibbs que utiliza una extensión de variables latentes para los parámetros del modelo y un muestreador de rebanada elíptica de gran círculo (great-circle elliptical slice sampler) para la dirección de la frontera $\theta$, lo que permite navegar la esfera de parámetros sin necesidad de ajuste de hiperparámetros.
• Regularización de Alta Dimensión: Para escenarios con muchos predictores, integran una prior de tipo horseshoe para inducir dispersión (sparsity) en la dirección de la frontera $\theta$, permitiendo la detección automática de subgrupos.

3. Contribuciones Clave

A. Teoría Asintótica (Bernstein-von Mises Adaptado)

Es la primera contribución teórica de este tipo. Los autores establecen:

1. Para $\tau$ fijo: La posterior converge a una distribución Gaussiana alrededor del pseudo-parámetro $\eta^\star(\tau)$ a una tasa paramétrica $\sqrt{n}$.
2. Para $\tau \to 0$ (Régimen de suavizado evanescente): Demuestran que la tasa de contracción de la posterior es $n^{-1/2} + \tau^\alpha_n$, donde $\alpha$ es un exponente de margen que depende de la geometría de la distribución de las covariables cerca de la frontera. Esto establece un compromiso (trade-off) entre el sesgo de aproximación y la varianza de la estimación.

B. Protocolo de Reporte Decision-Teórico

Dado que reportar una frontera cuando no hay evidencia de heterogeneidad es peligroso, proponen un protocolo basado en la pérdida esperada:

• Decisión de Reporte: Solo se reporta una frontera de subgrupo si la probabilidad posterior de que la heterogeneidad sea clínicamente significativa (superando un umbral $\delta$) es mayor que un valor preespecificado ($p_{report}$).
• Propagación de Incertidumbre: Si se reporta la frontera, la incertidumbre de $\theta$ se propaga a nivel de paciente mediante probabilidades de pertenencia al subgrupo $q(z) = \Pi(Z^\top\theta \geq 0 | D_n)$.

4. Resultados y Aplicación

• Simulaciones: Los resultados muestran que el método bayesiano supera a los enfoques frecuentistas (como el de Fan et al., 2017) en precisión de la dirección de la frontera y en la calibración de los intervalos de credibilidad, especialmente cuando el modelo de base es mal especificado (usando BART para mayor robustez). En alta dimensión, la prior horseshoe estabiliza la estimación frente al ruido.
• Aplicación Clínica (Ensayo PREMIER): Aplicado a un ensayo de intervención en el estilo de vida para la hipertensión, el modelo identificó con éxito un subgrupo con beneficios significativos. El protocolo de reporte permitió confirmar que la heterogeneidad era clínicamente relevante y proporcionó perfiles de pacientes con probabilidades de pertenencia claras, gestionando la ambigüedad en los casos límite.

5. Significado e Impacto

Este trabajo proporciona una solución rigurosa y matemáticamente sólida al problema de la identificación de subgrupos en ensayos clínicos. Al tratar el suavizado no como un parámetro de confusión, sino como un nivel de regularización transparente, y al formalizar cuándo es estadísticamente válido reportar una frontera, el marco ofrece una herramienta robusta para la medicina de precisión y la toma de decisiones regulatorias.