PCA score regression: the art of losing power

Resumen Técnico: Regresión de Puntuaciones PCA: El Arte de Perder Potencia

Enunciado del Problema
El artículo aborda un problema metodológico generalizado en el análisis de datos funcionales: la regresión de puntuaciones de componentes principales específicas del sujeto (RPCS) sobre covariables escalares. Este enfoque de dos pasos—primero realizar un Análisis de Componentes Principales (PCA) o una Descomposición en Valores Singulares (SVD) para extraer puntuaciones, y luego regresas estas puntuaciones sobre las covariables—se utiliza ampliamente en campos que van desde la genómica y la neuroimagen hasta la monitorización de la actividad física. Los autores argumentan que, aunque RPCS es computacionalmente conveniente, es estadísticamente equivalente a ajustar un modelo mal especificado. Esta mala especificación conduce a una pérdida severa, a menudo no reconocida, de potencia estadística, tasas infladas de error Tipo I cuando se ignora la multiplicidad, e inferencias inválidas respecto a los verdaderos efectos funcionales.

Metodología
Los autores establecen un marco teórico riguroso que compara dos enfoques:

1. Regresión de Función sobre Escalar (FoSR): Un modelo correctamente especificado donde el resultado funcional $W_i(s)$ se modela directamente como una función de las covariables escalares $X_i$ y los efectos aleatorios:
   $$W_i(s) = \beta_0(s) + \sum_{q=1}^Q X_{iq}\beta_q(s) + \sum_{l=1}^{L_{true}} \xi_{il}\phi_l(s) + \epsilon_i(s)$$
   Aquí, $\beta_q(s)$ representa las funciones de efecto fijo de interés, y la inferencia se realiza directamente sobre estas funciones.

2. RPCS (Modelo Mal Especificado): El procedimiento estándar de dos pasos donde primero se aplica PCA a la matriz de datos $W$ ignorando las covariables para extraer puntuaciones $\xi^M_{il}$ basadas en las autofunciones estimadas $\phi^M_l(s)$. Estas puntuaciones luego se regresan sobre las covariables:
   $$\xi^M_{il} = b_{0l} + \sum_{q=1}^Q b_{ql}X_{iq} + e_{il}$$

La contribución teórica central es el Teorema 1, que demuestra que el coeficiente de regresión $b_{ql}$ en el marco RPCS no es el efecto verdadero $\beta_q(s)$, sino el producto interno (proyección) del efecto verdadero sobre las autofunciones estimadas:
$$b_{ql} = \int_S \beta_q(s)\phi^M_l(s) ds$$

Contribuciones Clave y Hallazgos Teóricos
El artículo proporciona cinco ideas principales sobre las limitaciones de RPCS:

• Pérdida de Potencia por Ortogonalidad: La potencia de RPCS para detectar una asociación depende enteramente de la correlación entre el efecto verdadero $\beta_q(s)$ y las autofunciones estimadas $\phi^M_l(s)$. Si el efecto verdadero es ortogonal a los componentes principales líderes (es decir, la integral anterior es cero), RPCS tiene potencia cero para detectar el efecto, independientemente de la magnitud del efecto.
• Dilución de la Señal: Incluso cuando no es perfectamente ortogonal, RPCS reemplaza una única prueba para la función verdadera $\beta_q(s) = 0$ con $L_{miss}$ pruebas para señales proyectadas más pequeñas ($b_{ql}$). Esta fragmentación de la señal reduce inherentemente la potencia estadística en comparación con el modelado directo en FoSR.
• Multiplicidad e Inflación: Probar múltiples coeficientes $b_{ql}$ introduce un problema de multiplicidad. Si no se corrige, esto conduce a niveles $\alpha$ inflados. Si se corrige (por ejemplo, mediante Bonferroni), la potencia se reduce aún más.
• Problemas de Interpretabilidad: Los coeficientes $b_{ql}$ son difíciles de interpretar en el espacio de datos original. Reconstruir el efecto funcional $\hat{\beta}_q(s)$ a partir de los PCs significativos únicamente puede producir formas fundamentalmente diferentes dependiendo de qué PCs se seleccionen, lo que lleva a interpretaciones biológicas sesgadas o ambiguas.
• Validez de la Inferencia: Los métodos actuales de RPCS no proporcionan inferencia válida para el efecto verdadero $\beta_q(s)$ porque la hipótesis que se está probando ($b_{ql}=0$) es distinta de la hipótesis científica de interés ($\beta_q(s)=0$).

Resultados Empíricos
Los autores validan estos hallazgos teóricos mediante simulaciones extensas y una aplicación con datos reales:

• Simulaciones: En escenarios donde el efecto verdadero es ortogonal o solo parcialmente correlacionado con los componentes principales, la potencia de RPCS cae al nivel del tamaño de la prueba (sin detección), mientras que FoSR mantiene una alta potencia. Las simulaciones confirman que la pérdida de potencia es una función directa de la correlación entre el efecto verdadero y los PCs.
• Aplicación NHANES: Utilizando datos de acelerometría por minuto del Estudio Nacional de Examen de Salud y Nutrición (2011–2014), los autores analizaron el efecto de la edad sobre la actividad física.
  • Resultados RPCS: No lograron detectar un efecto de la edad estadísticamente significativo en los primeros cuatro componentes principales (valores p > 0.05), lo que llevó a la conclusión de que la edad no tiene efecto sobre los patrones de actividad en el grupo de edad de 56–62 años.
  • Resultados FoSR: Detectaron un efecto negativo significativo de la edad sobre la actividad específicamente durante las primeras horas de la mañana (4 AM – 7 AM) y los periodos vespertinos, con valores p < 0.001.
  • Fallo en la Reconstrucción: Los autores demostraron que intentar reconstruir el efecto de la edad a partir de las puntuaciones RPCS significativas produjo un resultado que no coincidía con la estimación de FoSR, destacando la incapacidad de RPCS para recuperar la forma funcional verdadera.

Significado y Afirmaciones
El artículo afirma que el pipeline "PCA-luego-regresión", aunque popular por su simplicidad, es fundamentalmente defectuoso para la prueba de hipótesis y la estimación de efectos en configuraciones de datos funcionales. Los autores afirman que:

1. RPCS es estadísticamente equivalente a ajustar un modelo mal especificado, lo que conduce a una pérdida sistemática de potencia que a menudo se pasa por alto.
2. El método puede producir falsos negativos, particularmente cuando la señal verdadera es pequeña a moderada o no está perfectamente alineada con las direcciones de máxima varianza en los datos.
3. El problema no se limita a los datos funcionales, sino que se extiende a cualquier análisis de resultados de alta dimensión (por ejemplo, genómica, imágenes) donde las puntuaciones de vectores propios se regresan sobre covariables.
4. La Regresión de Función sobre Escalar (FoSR) ofrece una alternativa robusta que evita estas trampas al modelar directamente la media condicional del resultado funcional, proporcionando inferencia válida y mayor potencia.

Los autores concluyen que la conveniencia de RPCS conlleva un costo significativo para la potencia estadística, la reconstrucción de señales y la validez de la inferencia científica, instando a un cambio hacia enfoques de modelado funcional directo como FoSR.