Robust inference in inflated beta regression

Resumen Técnico: Inferencia Robusta en Regresión Beta Inflada

Planteamiento del Problema
El modelo de regresión beta inflada es una herramienta estándar para analizar proporciones continuas que incluyen valores en los límites (ceros o unos), como tasas de infección o asignaciones presupuestarias. Aunque está ampliamente adoptado, la inferencia estándar se basa en la Estimación de Máxima Verosimilitud (EMV). Como se ha establecido en la literatura tanto para la regresión binaria (el componente discreto) como para la regresión beta (el componente continuo), la EMV es altamente sensible a los valores atípicos. Los valores atípicos pueden distorsionar severamente las estimaciones de los parámetros y conducir a conclusiones engañosas. Los estimadores robustos existentes para la regresión beta estándar (por ejemplo, MDPDE y SMLE) o para datos binarios a menudo no están bien definidos para todos los valores de los parámetros, particularmente al tratar con densidades beta no acotadas, o no abordan la complejidad estructural específica del modelo inflado, que combina un componente de mezcla discreta con un componente beta continuo.

Metodología
Los autores proponen un marco para la inferencia robusta en modelos de regresión beta inflada con ceros o unos, extendiendo las técnicas de estimación robusta a ambas partes, discreta y continua, del modelo simultáneamente.

1. Estructura del Modelo: La variable de respuesta $Y$ sigue una distribución beta inflada con ceros o unos, una mezcla de una variable degenerada en $c \in \{0, 1\}$ y una variable distribuida beta en $(0, 1)$. Los parámetros del modelo se vinculan a las covariables mediante funciones de enlace para la probabilidad del límite ($\vartheta$), la media condicional ($\mu$) y la precisión ($\phi$).
2. Estimadores Robustos: El artículo introduce dos estimadores específicos, M-LSE y M-LME, que resuelven un sistema de ecuaciones de estimación $U(y; \upsilon) = 0$. Estos estimadores tratan los componentes discreto y continuo por separado, pero dentro de un marco unificado:
   • Parte Discreta: Los autores emplean el Estimador de Mínima Divergencia de Potencia de Densidad (MDPDE) para el componente binario (modelando la probabilidad de observar un cero o un uno). Este enfoque reduce el peso de las observaciones con grandes discrepancias entre las probabilidades observadas y predichas.
   • Parte Continua: Para abordar el problema de las densidades beta no acotadas donde los estimadores robustos estándar (SMLE y MDPDE) pueden no estar bien definidos, los autores utilizan la transformación logit de la variable de respuesta ($Y^* = \log(Y/(1-Y))$).
     • M-LSE: Combina MDPDE para la parte discreta con el Estimador de Máxima Verosimilitud de Sustituto Logit (LSMLE) para la parte continua.
     • M-LME: Combina MDPDE para la parte discreta con el Estimador de Mínima Divergencia de Potencia de Densidad Logit (LMDPDE) para la parte continua.
   • Al trabajar en la escala logit, los estimadores aseguran que la clase de densidades sea cerrada bajo transformaciones de potencia, garantizando que los estimadores estén bien definidos para todos los valores de los parámetros.
3. Ajuste Basado en Datos: Una contribución metodológica clave es la adaptación de un algoritmo basado en datos (propuesto originalmente para regresión beta) para seleccionar la constante de ajuste $\alpha$ para ambos componentes. El algoritmo busca el $\alpha$ más pequeño (más cercano a la EMV) que mantenga la estabilidad en las estimaciones, asegurando la eficiencia total en ausencia de contaminación mientras proporciona robustez cuando hay valores atípicos presentes.
4. Inferencia: Los autores derivan la normalidad asintótica de los estimadores propuestos y desarrollan pruebas robustas de tipo Wald para la prueba de hipótesis. También proporcionan un método para calcular los errores estándar que tiene en cuenta la naturaleza conjunta de la inferencia, incluso cuando las estimaciones puntuales se calculan por separado.

Contribuciones Clave

• Extensión a Modelos Inflados: Este trabajo es el primero en proponer métodos de inferencia robusta específicamente para modelos de regresión beta inflada con ceros o unos, abordando los desafíos únicos planteados por la mezcla de componentes discretos y continuos.
• Estimadores Bien Definidos: Al utilizar la transformación logit y las construcciones específicas de LSMLE y LMDPDE, los estimadores propuestos superan las limitaciones de los métodos robustos anteriores (MDPDE/SMLE), los cuales no estaban bien definidos para densidades beta no acotadas.
• Marco Unificado: El artículo proporciona un marco inferencial completo, que incluye estimación puntual, matrices de varianza-covarianza asintóticas y pruebas robustas de tipo Wald, implementado en un paquete de R.
• Ajuste Adaptativo: La aplicación de un algoritmo basado en datos para seleccionar constantes de ajuste para ambas partes, discreta y continua, permite que el método vuelva automáticamente a la EMV cuando los datos están limpios, equilibrando eficiencia y robustez.

Resultados Empíricos
Los autores evaluaron el rendimiento de M-LSE y M-LME mediante estudios de simulación y una aplicación con datos reales:

• Simulaciones: En escenarios con un 5% de contaminación en la parte discreta, la parte continua, o ambas, la EMV estándar exhibió un sesgo severo y un Error Cuadrático Medio (RMSE) alto. En contraste, los estimadores robustos mantuvieron un sesgo y un RMSE bajos, desempeñándose de manera similar a la EMV en datos no contaminados (donde el algoritmo seleccionó $\alpha \approx 0$) y superando significativamente a la EMV en escenarios contaminados (con relaciones de TMSE hasta 34 veces menores que la EMV).
• Prueba de Hipótesis: Las pruebas robustas de tipo Wald mantuvieron tasas de rechazo empíricas cercanas al nivel nominal del 5% bajo contaminación, whereas las pruebas de Wald estándar sufrieron de errores Tipo I inflados (tasas de rechazo cercanas al 100%) o potencia nula.
• Aplicación con Datos Reales: El método se aplicó a las tasas de letalidad por COVID-19 en 200 ciudades brasileñas. Los datos contenían un valor atípico prominente (una ciudad con un solo caso y una muerte). Los resultados de la EMV fueron fuertemente influenciados por esta observación, cambiando la significancia y la magnitud de los efectos de las covariables (por ejemplo, el IDH). Los estimadores robustos (M-LSE) redujeron el peso del valor atípico, produciendo resultados consistentes con un análisis donde el valor atípico fue eliminado manualmente, demostrando la capacidad del método para proporcionar inferencia confiable sin la eliminación arbitraria de datos.

Significado
El artículo afirma que, aunque existen modelos flexibles para manejar valores atípicos, a menudo introducen complejidad innecesaria y carecen de interpretabilidad. El enfoque propuesto mantiene la interpretabilidad y la estructura del modelo beta inflado estándar, mientras reemplaza el proceso de estimación con una alternativa robusta. Los autores enfatizan que su trabajo llena una brecha crítica en la literatura al proporcionar los primeros métodos de inferencia robusta para modelos inflados de datos continuos acotados. Los resultados de las simulaciones y la aplicación en el mundo real demuestran que los estimadores propuestos mitigan efectivamente la influencia de los valores atípicos, previniendo conclusiones engañosas que surgen frecuentemente de la inferencia de máxima verosimilitud estándar en presencia de datos contaminados.