BAMIFun: Bayesian Multiple Imputation for Functional Data

Resumen Técnico de BAMIFun: Imputación Múltiple Bayesiana para Datos Funcionales

Planteamiento del Problema
Los conjuntos de datos funcionales modernos se caracterizan frecuentemente por observaciones escasas e irregulares, donde las trayectorias no se observan completamente a lo largo de un continuo (por ejemplo, tiempo o espacio). Aunque el Análisis de Componentes Principales Funcionales (FPCA) es una herramienta estándar para reconstruir curvas incompletas, los enfoques existentes, específicamente el marco "PACE" (Análisis de Componentes Principales mediante Expectativa Condicional), suelen depender de una única imputación. Esto trata las trayectorias reconstruidas como verdades conocidas, fallando en cuantificar la incertidumbre inherente al proceso de imputación. En consecuencia, las inferencias estadísticas aguas abajo (por ejemplo, coeficientes de regresión) a menudo sufren de intervalos de confianza excesivamente optimistas y tasas de cobertura deficientes, particularmente bajo ausencia de datos severa. Además, los métodos existentes de imputación múltiple para datos funcionales a menudo requieren resultados o covariables escalares auxiliares, y ninguno aborda actualmente los desafíos específicos de los datos funcionales multidireccionales (datos tensoriales donde un modo es un continuo) sin imponer restricciones de suavidad.

Metodología
Los autores proponen BAMIFun, un marco de imputación múltiple bayesiana diseñado tanto para datos funcionales de un solo nivel como para datos funcionales multidireccionales. La metodología se basa en tres componentes centrales:

1. Marco de Modelado:

   • Datos de Un Solo Nivel: El método emplea un modelo bayesiano de rango bajo donde la matriz de datos funcionales $X$ se aproxima como $X \approx VU^T + E$. Crucialmente, las funciones propias $U$ se representan mediante bases de splines penalizados ($U^T = B\Theta$). Se incorpora un término de penalización sobre la segunda derivada de las funciones propias en la verosimilitud logarítmica, lo cual es equivalente a colocar un prior normal multivariado sobre los coeficientes de los splines $B$. Esto impone suavidad en las trayectorias mientras cuantifica conjuntamente la incertidumbre en las funciones propias y las puntuaciones.
   • Datos Multidireccionales: El marco se extiende a datos tensoriales ($N \times J \times K$) utilizando un modelo de Descomposición en Valores Singulares de Tensor Funcional (FTSVD). Este modelo descompone el tensor en una suma de componentes de rango uno que involucran vectores de sujetos, vectores de características/visitas y curvas funcionales suaves. A diferencia del FPCA multinivel (MFPCA) que utiliza efectos mixtos aditivos, el FTSVD utiliza una factorización tipo CP multiplicativa adecuada para estructuras tensoriales coherentes.

2. Algoritmo de Inferencia:

   • Los autores derivan un muestreador de Gibbs eficiente para el cálculo posterior. El algoritmo muestrea iterativamente las puntuaciones de los componentes principales ($V$), los coeficientes de los splines ($B$), la varianza del error ($\sigma^2$) y los parámetros de suavizado ($\sigma^2_B$) desde sus distribuciones condicionales completas.
   • Los valores faltantes se imputan extrayendo de la distribución predictiva posterior (Gaussiana con media igual a la trayectoria reconstruida y varianza igual a la varianza del error) en cada iteración.
   • Se propone un procedimiento de validación cruzada para seleccionar el número de componentes principales ($R$) y el parámetro de suavizado, aunque los autores notan que estimar el parámetro de suavizado dentro del marco bayesiano produce un rendimiento comparable con un menor costo computacional.

3. Inferencia Aguas Abajo:

   • El marco genera $S$ conjuntos de datos completados. Para los análisis aguas abajo (por ejemplo, Regresión Escalar-sobre-Función), las estimaciones puntuales se agrupan y la varianza se calcula utilizando las reglas de Rubin, que combinan las varianzas dentro de la imputación y entre imputaciones para producir intervalos de confianza válidos que tienen en cuenta la incertidumbre de la imputación.

Contribuciones Clave

• Marco Novel: BAMIFun se presenta como el primer procedimiento de imputación múltiple diseñado específicamente para datos funcionales multidireccionales que incorpora restricciones de suavidad mediante splines penalizados.
• Cuantificación de la Incertidumbre: A diferencia de los métodos de FPCA de única imputación, BAMIFun modela explícitamente la incertidumbre de la imputación, lo que conduce a una inferencia estadística válida en los análisis aguas abajo.
• Eficiencia Algorítmica: El desarrollo de un muestreador de Gibbs que integra splines penalizados dentro de una descomposición de tensor de rango bajo permite manejar cuadrículas escasas e irregulares sin requerir datos escalares auxiliares.
• Disponibilidad de Software: Los autores proporcionan una implementación de código abierto en https://github.com/ZirenJiang/BAMIFun.

Resultados
El artículo evalúa BAMIFun mediante estudios de simulación extensos y dos estudios de caso del mundo real:

• Simulaciones de Un Solo Nivel: En comparación con el enfoque PACE y el algoritmo basado en tensores BAMITA (que carece de restricciones de suavidad), BAMIFun logró una precisión de imputación comparable a la de PACE. Sin embargo, BAMIFun demostró tasas de cobertura sustancialmente mejoradas (cerca del nivel nominal del 95%) para los intervalos de confianza, mientras que PACE exhibió una subcobertura significativa. BAMIFun también superó a BAMITA en precisión debido a la imposición de suavidad.
• Simulaciones Multidireccionales: En configuraciones con estructuras de rango bajo, BAMIFun superó al enfoque frecuentista MFPCA (PACE) tanto en precisión como en cobertura. En configuraciones sin rango bajo, BAMIFun mostró un Error Cuadrático Medio (MSE) ligeramente superior al de PACE, pero mantuvo tasas de cobertura robustas y cercanas a lo nominal, destacando su fiabilidad a través de diversas estructuras de datos.
• Estudios de Caso:
  • NHANES (Actividad Física): Bajo ausencia de datos severa (hasta el 97.5%), BAMIFun mantuvo una cobertura cercana al 92–94%, mientras que el método PACE basado en FPCA cayó tan bajo como el 53–71%.
  • Microbioma Intestinal de Lactantes: En un conjunto de datos con un 91.1% de datos faltantes, BAMIFun superó consistentemente a BAMITA tanto en MSE como en cobertura, manejando con éxito la compleja estructura multidireccional donde los métodos estándar de MFPCA eran inaplicables.

Significado y Afirmaciones
Los autores afirman que BAMIFun aborda brechas metodológicas críticas en el análisis de datos funcionales escasos. Al ir más allá de la imputación única, el método previene las inferencias "excesivamente optimistas" que aquejan a los enfoques actuales basados en FPCA. El artículo enfatiza que, aunque la precisión de la imputación (MSE) a menudo es comparable a los métodos frecuentistas existentes, la ventaja principal radica en la validez de la inferencia aguas abajo. La capacidad de manejar datos funcionales multidireccionales sin variables auxiliares y de proporcionar una cuantificación adecuada de la incertidumbre convierte a BAMIFun en una herramienta robusta para aplicaciones modernas que involucran dispositivos portátiles, genómica e neuroimagen, donde los datos son inherentemente escasos y de alta dimensión. Los autores notan modestamente que el rendimiento depende de la elección de la base de splines y sugieren que el trabajo futuro podría explorar parametrizaciones alternativas, como las en la variedad de Stiefel.