Random-Effects Algorithm for Random Objects in Metric Spaces

Resumen Técnico: Algoritmo de Efectos Aleatorios para Objetos Aleatorios en Espacios Métricos

Enunciado del Problema
Las disciplinas científicas modernas, particularmente la salud digital, generan conjuntos de datos donde se recopilan múltiples observaciones de las mismas unidades experimentales (por ejemplo, individuos). Estas observaciones a menudo se manifiestan como objetos aleatorios no euclidianos —tales como distribuciones de probabilidad, redes o curvas funcionales— en lugar de resultados escalares o vectoriales. Si bien los modelos de efectos mixtos están bien establecidos para resultados escalares y, más recientemente, para datos funcionales en espacios de Hilbert, existe una carencia de marcos generales de efectos aleatorios para objetos aleatorios arbitrarios definidos en espacios métricos. Los métodos existentes para datos en espacios métricos a menudo se limitan a modelos lineales, espacios geodésicos o distribuciones univariadas, fallando en proporcionar una línea base flexible para respuestas repetidas en espacios métricos generales que requieren predicción personalizada.

Metodología
Los autores proponen un algoritmo no lineal, basado en Fréchet, para el modelado de efectos aleatorios de objetos aleatorios arbitrarios en un espacio métrico $(\Omega, d)$. La innovación central es una representación basada en anclajes de efectos aleatorios latentes específicos del sujeto, evitando la necesidad de operaciones directas de suma o resta en el espacio métrico.

1. Transformación de Anclajes:

   • El método selecciona un conjunto de respuestas observadas (anclajes) $A_\ell$ del espacio de respuesta empírico.
   • Para cada anclaje $A_\ell$, la respuesta en el espacio métrico $Y_{ij}$ se transforma en una variable escalar: $Z^{(\ell)}_{ij} = \log(d^2(Y_{ij}, A_\ell) + \delta)$, donde $\delta > 0$ asegura la estabilidad numérica.

2. Ajuste de Modelos de Efectos Mixtos Escalares:

   • Para cada anclaje $\ell$, se ajusta un modelo de efectos mixtos escalar a las distancias transformadas:
     $$Z^{(\ell)}_{ij} = f_\ell(X_{ij}) + b^{(\ell)}_i + \varepsilon^{(\ell)}_{ij}$$
   • Aquí, $f_\ell$ es una función de regresión de efectos fijos (implementada mediante árboles impulsados por gradiente), y $b^{(\ell)}_i$ es una intercepción aleatoria específica del anclaje que representa el efecto latente del sujeto $i$ sobre la distancia al anclaje $\ell$.
   • La implementación utiliza GPBoost, combinando árboles impulsados por gradiente con componentes de efectos aleatorios gaussianos.

3. Predicción mediante Optimización Discreta:

   • Para predecir la respuesta para una nueva covariable $x$ del sujeto $i$, el algoritmo estima los efectos aleatorios específicos del sujeto $\hat{b}^{(\ell)}_i$ y los efectos fijos $\hat{f}_\ell(x)$.
   • La predicción final $\hat{m}_{n,i}(x)$ se obtiene resolviendo un problema de optimización discreta sobre el espacio de respuesta observado $\mathcal{Y}_n$:
     $$\hat{m}_{n,i}(x) \in \arg \min_{\omega \in \mathcal{Y}_n} \sum_{\ell \in I_n} \left( \log(d^2(\omega, A_\ell) + \delta) - (\hat{f}_\ell(x) + \hat{b}^{(\ell)}_i) \right)^2$$
   • Esencialmente, el método selecciona el objeto observado cuyo perfil de distancias transformadas a los anclajes coincide mejor con el perfil predicho para el sujeto específico.

Contribuciones Teóricas
El artículo establece resultados de consistencia para el estimador propuesto utilizando la teoría de estimación M. Bajo suposiciones específicas respecto a la unicidad del minimizador, la separación del riesgo y la convergencia uniforme del criterio empírico al criterio poblacional, los autores demuestran que el objetivo de predicción estimado converge en probabilidad al verdadero objetivo oráculo, incluso cuando la estructura de efectos aleatorios se trata como un modelo de trabajo.

Resultados Empíricos
El método fue evaluado en cuatro conjuntos de datos de salud digital que involucran diferentes tipos de objetos en espacios métricos:

1. Espacio de Hilbert $L^2$ (Datos Funcionales):
   • NHANES (Actividad Física): La incorporación de efectos aleatorios redujo el Error Cuadrático Medio (MSE) de retención en ~10% (de 16.26 a 14.64).
   • CGMCR (Curvas de Glucosa): Reducción del MSE de ~8.6% (de 4,368 a 3,994). El enfoque no lineal superó a los modelos existentes de efectos mixtos funcionales lineales en ambos casos.
2. Métrica de Wasserstein (Distribuciones Multivariadas):
   • Distribuciones 3D de Glucosa: Representando la dinámica de glucosa como distribuciones multivariadas (glucosa, velocidad, aceleración). Los efectos aleatorios produjeron una reducción sustancial del 57% en el error de Wasserstein al cuadrado (de 986 a 421), lo que indica que la variación específica del sujeto es el principal impulsor para la predicción personalizada en este contexto.
3. Métrica de Frobenius (Gráficos):
   • Gráficos Laplacianos de NHANES: Representando estructuras de correlación temporal de la actividad. En este caso, los efectos aleatorios proporcionaron una mejora negligible (MSE 0.665 vs. 0.664), lo que sugiere que la construcción de gráficos umbralizados no capturó señales estables específicas del sujeto. Sin embargo, un pequeño subgrupo de individuos altamente sedentarios mostró ganancias significativas con el enfoque de efectos aleatorios.

Significado y Afirmaciones
El artículo afirma proporcionar el primer marco de efectos aleatorios no lineal de amplia aplicabilidad para objetos aleatorios arbitrarios en espacios métricos. Su importancia radica en:

• Flexibilidad: Extiende estrategias masivas de ajuste univariado a datos con valores en espacios métricos sin requerir estructuras de espacios vectoriales lineales.
• Rendimiento: Demuestra que el modelado no lineal basado en anclajes puede superar a los métodos lineales existentes basados en espacios de Hilbert y capturar eficazmente la heterogeneidad individual en estructuras de datos complejas como distribuciones y gráficos.
• Practicidad: El algoritmo es computacionalmente simple, paralelizable y adecuado para datos clínicos de alta frecuencia donde las señales no siempre pueden alinearse temporalmente.

Los autores reconocen limitaciones, principalmente el costo computacional de ajustar múltiples modelos univariados, aunque señalan que para tamaños de muestra típicos (por ejemplo, $n \approx 4000$), la solución es computacionalmente factible en clústeres de alto rendimiento. Se sugiere trabajo futuro para la escalabilidad mediante muestreo y cuantificación de la incertidumbre.