Polynomial Maximization Method with Fractional Polynomial Basis: A Frequentist Bridge to Bayesian Fractional Polynomials

Resumen Técnico: Método de Maximización Polinómica con Base de Polinomios Fraccionarios

Planteamiento del Problema
Los polinomios fraccionarios (PF) son una herramienta estándar en bioestadística para modelar relaciones dosis-respuesta y covariables continuas, ofreciendo una alternativa flexible a los splines y las familias paramétricas. Sin embargo, el motor inferencial estándar para PF —Mínimos Cuadrados Ordinarios (MCO)— asume errores gaussianos. En muchas aplicaciones biológicas y farmacométricas, los residuos son no gaussianos (por ejemplo, distribuciones log-normal, gamma o beta), exhibiendo a menudo asimetría y curtosis significativas. Bajo estas condiciones, MCO-PF permanece consistente pero sufre pérdidas sustanciales de eficiencia (30–50% para $|\gamma_3| \geq 1$).

Aunque se han propuesto Polinomios Fraccionarios Bayesianos (PFB) para manejar la incertidumbre del modelo, generalmente retienen la suposición de error gaussiano dentro de la verosimilitud, heredando las ineficiencias de MCO para errores asimétricos mientras incurren en altos costos computacionales mediante MCMC. Existe una brecha para un método frecuentista que mantenga el espacio de modelos PF pero utilice una función de puntuación capaz de explotar la asimetría y la curtosis de los residuos para mejorar la eficiencia de estimación sin la carga computacional del muestreo bayesiano.

Metodología
El artículo propone PMM-PF (Método de Maximización Polinómica con Base de Polinomios Fraccionarios), una extensión frecuentista del Método de Maximización Polinómica de Kunchenko adaptada a la base de polinomios fraccionarios de Royston-Altman.

1. Marco Teórico:

   • El método reemplaza la función de puntuación de MCO por una puntuación polinómica estocástica derivada de los primeros momentos de los residuos.
   • Define un modelo de regresión $y_i = R(x_i; \theta) + \xi_i$, donde $R$ es un polinomio fraccionario.
   • La función de puntuación $\psi_B(\xi)$ se construye utilizando una base de funciones de residuo de paridad con signo (por ejemplo, $\xi, |\xi|, \text{sign}(\xi)|\xi|, \dots$) para manejar residuos que cambian de signo en potencias fraccionarias.
   • El estimador resuelve la ecuación de estimación $\Psi_n(\theta) = \frac{1}{n} \sum \psi_B(\xi_i) \nabla_\theta R(x_i; \theta) = 0$.

2. Dos Vías Paralelas:

   • Vía (a) PMM-PF$_{pos}$: Utiliza un conjunto de potencias positivas $P_a = \{0, 0.5, 1, 2, 3\}$. Requiere solo momentos finitos de cuarto orden ($E[\xi^4] < \infty$) y evita la inestabilidad numérica asociada con potencias negativas cercanas a cero.
   • Vía (b) PMM-PF$_{full}$: Utiliza el conjunto completo de potencias $P_b = \{-2, -1, -0.5, 0, 0.5, 1, 2, 3\}$, reflejando el espacio de modelos de Hubin et al. (2026). Esta vía requiere condiciones más fuertes, específicamente densidad acotada cerca de cero y momentos inversos finitos ($E[|\xi|^{-2}] < \infty$).

3. Reducción de Varianza:

   • El resultado teórico central es un coeficiente de reducción de varianza de forma cerrada $g_2$ relativo a MCO-PF para la puntuación de segundo orden (utilizando asimetría $\gamma_3$ y curtosis $\gamma_4$):
     $$g_2 = 1 - \frac{\gamma_3^2}{2 + \gamma_4}$$
   • Este coeficiente representa la relación de varianzas asintóticas: $\text{Var}(\hat{\theta}_{PMM}) / \text{Var}(\hat{\theta}_{OLS})$. Un valor $g_2 < 1$ indica ganancias de eficiencia.
   • Se demuestra que el método es monótono: añadir términos de puntuación de orden superior (aumentando $S$) reduce aún más la varianza, acotada por el límite de Cramér-Rao.

4. Implementación:

   • El estimador se calcula mediante iteraciones de Newton/Fisher-scoring amortiguadas.
   • La selección de modelos se realiza mediante enumeración exhaustiva de bloques PF (hasta 4 términos) utilizando el Criterio de Información Bayesiano (BIC), asegurando que la comparación aísle la puntuación de estimación en lugar del algoritmo de búsqueda.
   • Toda la estructura algebraica y la lógica de los teoremas se formalizan en Lean 4 (Mathlib v4.26.0), proporcionando un registro verificado por máquina de las definiciones y teoremas condicionales.

Contribuciones Clave

1. Puente Formal: La primera formalización de un puente entre la maximización polinómica estocástica de Kunchenko y la base de polinomios fraccionarios de Royston-Altman.
2. Estimación Frecuentista Eficiente: Proporciona una alternativa computacionalmente económica a PFB que modela explícitamente estructuras de error no gaussianas (asimetría/curtosis) para reducir errores estándar, evitando la maquinaria MCMC.
3. Métrica de Eficiencia de Forma Cerrada: Deriva y valida el coeficiente explícito de reducción de varianza $g_2$, permitiendo a los practicantes predecir las ganancias de eficiencia directamente a partir de los cumulantes residuales.
4. Verificación Formal: Ofrece la primera formalización en Lean 4 del aparato de regresión PMM, verificando identidades algebraicas y estructuras de teoremas (consistencia, normalidad asintótica, selección BIC).
5. Enfoque de Doble Vía: Distingue entre una vía estable de potencias positivas y una vía de potencias completas, proporcionando orientación práctica sobre cuándo las potencias negativas son numéricamente viables.

Resultados

• Simulaciones Monte Carlo: El estudio valida el $g_2$ teórico a través de diversas distribuciones no gaussianas (Beta, Gamma, Exponencial, Log-normal).
  • Para errores gaussianos simétricos, $g_2 \approx 1$, confirmando ninguna pérdida de eficiencia.
  • Para distribuciones asimétricas, las relaciones de varianza empíricas se alinean estrechamente con las predicciones teóricas (por ejemplo, los errores exponenciales mostraron una reducción a $\approx 0.5$).
  • El caso log-normal sirvió como prueba de estrés, destacando que la curtosis extrema puede desestabilizar las estimaciones de cumulantes de inserción, haciendo que los diagnósticos de bootstrap sean más confiables que las aproximaciones de forma cerrada en tales extremos.
• Aplicación GBSG: Aplicado al conjunto de datos del Grupo de Estudio de Cáncer de Mama Alemán ($n=686$).
  • Los residuos estaban altamente sesgados ($\hat{\gamma}_3 = -1.74$) y de cola pesada ($\hat{\gamma}_4 = 4.91$), generando un $g_2$ teórico $\approx 0.56$.
  • El estimador PMM-PF$_{pos}$ redujo el error estándar del coeficiente de tamaño del tumor de 0.118 (MCO-PF) a 0.054.
  • Las distribuciones de bootstrap confirmaron que PMM-PF estabilizó el estimador contra las colas pesadas observadas en MCO-PF.
  • Se encontró que la vía de potencias completas (Vía b) era numéricamente inestable debido al mal acondicionamiento de la matriz correlante, reforzando la recomendación de usar la vía positiva para datos del mundo real a menos que los momentos inversos se verifiquen como estables.
• Velocidad Computacional: La enumeración exhaustiva de modelos para PMM-PF se ejecuta en una fracción de segundo, representando una aceleración de uno a dos órdenes de magnitud sobre el muestreo MJMCMC utilizado en PFB.

Significado y Afirmaciones
El artículo posiciona a PMM-PF no como un método robusto universal ni como un reemplazo para el promediado de modelos bayesiano, sino como una corrección de eficiencia específica para modelos PF con residuos asimétricos y no gaussianos.

• Alcance: El método afirma mejorar la eficiencia de estimación de coeficientes y el control de errores estándar cuando la distribución de errores es sistemáticamente no gaussiana y está disponible un conjunto finito de momentos.
• Limitaciones: Los autores declaran explícitamente que PMM-PF no es un método dominante en predicción para cada conjunto de datos. Sus afirmaciones se restringen a la reducción de varianza de la puntuación de estimación en una base PF coincidente. La vía de potencias completas se presenta como una contribución teórica y una herramienta de diagnóstico, con la vía positiva recomendada como predeterminada práctica debido a la estabilidad numérica.
• Reproducibilidad: El trabajo enfatiza la reproducibilidad a través de la separación de la selección de modelos de la estimación basada en puntuación, el uso de conjuntos de datos públicos (GBSG) y la verificación formal en Lean de la lógica algebraica subyacente.

En resumen, PMM-PF ofrece una vía frecuentista computacionalmente eficiente para aprovechar la información de momentos de orden superior en el modelado de polinomios fraccionarios, cerrando la brecha entre MCO clásico y enfoques bayesianos complejos para problemas de dosis-respuesta no gaussianos.