Bayesian low-rank latent-cluster regression for mixed health outcomes

Resumen Técnico: Regresión Bayesiana de Rangos Bajos con Clusters Latentes para Resultados de Salud Mixtos

Enunciado del Problema
Los estudios modernos de salud y vigilancia frecuentemente encuentran tres desafíos estadísticos simultáneos: (1) la presencia de predictores de alta dimensión y fuertemente colineales; (2) múltiples resultados correlacionados de tipos mixtos (por ejemplo, datos continuos, binarios y de conteo); y (3) heterogeneidad latente entre las unidades observacionales, donde la relación entre predictores y resultados varía a través de subpoblaciones no observadas. Los enfoques tradicionales a menudo fallan en abordar estos aspectos conjuntamente. Las superficies de regresión globales únicas oscurecen la heterogeneidad significativa, mientras que los modelos de mezclas finitas estándar pueden ser inestables cuando los predictores están altamente correlacionados y los resultados son de tipo mixto. Además, los métodos existentes para resultados mixtos a menudo priorizan la selección de variables (esparcidad) sobre la estructura latente de baja dimensión, o se restringen a respuestas Gaussianas.

Metodología
Los autores proponen un modelo de Regresión de Rangos Reducidos con Clusters Latentes Bayesiano (BMLC) diseñado para resultados multivariados mixtos. El marco opera como una mezcla finita de superficies de regresión, donde cada cluster latente $k$ se caracteriza por:

1. Desplazamientos Medios Específicos del Cluster: Un vector $\mu_k$ que representa la intersección para el cluster $k$.
2. Matrices de Coeficientes de Rango Bajo: Una matriz de coeficientes $p \times q$, $B_k$, factorizada como $B_k = L_k R_k^\top$, donde $L_k \in \mathbb{R}^{p \times r_{\max}}$ y $R_k \in \mathbb{R}^{q \times r_{\max}}$. Esta estructura asume que los efectos de los predictores a través de los resultados están impulsados por un pequeño número de direcciones latentes, con el rango efectivo $r_k \le r_{\max}$ aprendido de forma adaptativa.
3. Verosimilitudes Mixtas: El modelo acomoda coordenadas de respuesta Gaussianas, Bernoulli y Binomiales Negativas dentro del mismo marco multivariado.

Estrategia Computacional
Para manejar la complejidad computacional de las verosimilitudes mixtas, los autores emplean augmentación de Pólya–Gamma. Esta técnica introduce variables latentes que transforman los log-verosimilitudes condicionales para las respuestas Bernoulli y Binomiales Negativas en una forma cuadrática unificada. Esta unificación permite:

• Muestreo de Gibbs: Un esquema de muestreo posterior exacto para la inferencia bayesiana completa.
• Inferencia Variacional (IV): Un procedimiento variacional rápido de ascenso coordenado que utiliza sustitutos cuadráticos. Esto sirve como una herramienta escalable de cribado para la selección de modelos e inicialización.

Adaptabilidad del Rango y Selección de Modelo

• Adaptabilidad del Rango: Dentro de cada cluster, el rango efectivo se controla mediante priores de contracción de Proceso Gamma Multiplicativo (MGP). Esto permite que el modelo aprenda la dimensionalidad apropiada sin fijar el rango a priori.
• Selección de Modelo: El número de clusters ($K$) y el rango nominal máximo ($r_{\max}$) se ajustan utilizando el Criterio de Información de Watanabe-Akaike (WAIC), específicamente adaptado para ajustes variacionales ($WAIC_{IV}$).

Agrupamiento y Reporte
Abordando el problema de la no identificabilidad de las etiquetas en los modelos de mezcla, los autores no dependen de etiquetas de componentes arbitrarias. En su lugar, reportan el agrupamiento mediante una Matriz de Similitud Posterior (MSP), definida como $S_{ii'} = \Pi(Z_i = Z_{i'} \mid \text{datos})$. Para la visualización y partición, incrustan las unidades en el espacio propio principal de la MSP y aplican agrupamiento por desplazamiento medio. Este enfoque proporciona una salida determinista e invariante a las etiquetas que recupera consistentemente la partición latente bajo condiciones de fuerte separación.

Contribuciones Teóricas
El artículo establece propiedades teóricas rigurosas para el modelo propuesto:

1. Contracción Posterior: Los autores demuestran que la distribución posterior se contrae alrededor de las superficies de regresión específicas de componentes identificables reales ($B_k$) y desplazamientos medios ($\mu_k$) a una tasa de $O(\sqrt{d_n \log n / n})$, donde $d_n$ es la dimensión efectiva.
2. Consistencia del Espacio Propio: También se establece la contracción para los subespacios singulares del lado de los predictores asociados con las matrices de rango bajo.
3. Consistencia del Agrupamiento: Bajo un supuesto adicional de margen de separación fuerte, se demuestra que el pipeline predeterminado (incrustación en el espacio propio de la MSP seguido de desplazamiento medio) recupera consistentemente la partición latente real.

Resultados Empíricos
La metodología fue evaluada mediante estudios de simulación y tres aplicaciones del mundo real:

• Simulaciones: El estudio cubrió cuatro regímenes: todo-Gaussiano, todo-Bernoulli, todo-Binomial Negativo y un régimen mixto. El método propuesto (BMLC-IV-MSP) recuperó con precisión el número de clusters y el rango latente. En escenarios de respuesta mixta y de todos los conteos, superó a las líneas base estándar (K-medias, mclust, PCA-K-medias). En el ajuste todo-Gaussiano, se desempeñó de manera comparable a un referente especializado de mezcla de rangos reducidos Gaussianos.
• Estudio DoctorVisits: Aplicado a datos de salud a nivel individual (puntuación de salud, estado de seguro, conteo de visitas), el modelo identificó dos grupos distintos de utilización, separando un gran grupo de baja utilización de un grupo más pequeño de alta utilización con peores resultados de salud.
• Vigilancia de COVID-19 en Florida: Analizando hospitalizaciones a nivel de condado (Gaussianas) y conteos de defunciones (Binomiales Negativas), el modelo produjo clusters de condados espacialmente interpretables sin imponer un prior espacial, manejando efectivamente los conteos ajustados por exposición y la sobredispersión.
• Vigilancia de la Influenza en EE. UU.: Aplicado a datos a nivel estatal (tasas de ILI ponderadas y conteos de pacientes), el modelo separó con éxito las medidas de actividad relativa de las medidas de carga absoluta, proporcionando una partición unificada de estados basada en perfiles conjuntos de vigilancia.

Significado y Afirmaciones
Los autores posicionan este trabajo como un enfoque complementario a los métodos existentes de regresión de alta dimensión y esparcida. Mientras que los métodos esparcidos se centran en seleccionar un pequeño conjunto de predictores, este marco enfatiza la estructura de resultados de baja dimensión compartida y la heterogeneidad latente entre las unidades. El artículo afirma proporcionar un pipeline inferencial unificado que es computacionalmente tratable a través de canales Gaussianos, Bernoulli y Binomiales Negativos, abordando un régimen común en la vigilancia de la salud donde coexisten resultados mixtos y subpoblaciones latentes. El uso de la augmentación de Pólya–Gamma se destaca como un habilitador clave tanto para la inferencia exacta como para el cribado variacional rápido, mientras que la estrategia de reporte invariante a las etiquetas asegura resultados de agrupamiento estables e interpretables.