Bias Correction for Scalar-on-Density Regression Models

Resumen Técnico: Corrección de Sesgo para Modelos de Regresión Escalar sobre Densidad

Planteamiento del Problema
Los modelos de regresión escalar sobre funciones (SoFR, por sus siglas en inglés) modelan la relación entre un resultado escalar y un predictor funcional. Una extensión específica, la regresión escalar sobre densidad, surge cuando el predictor funcional no es una curva suave observada directamente, sino una densidad de probabilidad estimada a partir de un número finito de mediciones por unidad observacional. Los ejemplos incluyen la predicción de puntuaciones de discapacidad a partir de la distribución de intensidades de actividad física medidas por dispositivos portátiles o la predicción de rendimientos de cultivos a partir de distribuciones de temperatura.

En este contexto, la densidad para cada sujeto debe estimarse a partir de una muestra finita ($m$ mediciones). Cuando $m$ es relativamente pequeño, la estimación de la densidad introduce incertidumbre. El artículo demuestra que esta incertidumbre induce un sesgo de atenuación en la función de coeficiente estimada, la cual se contrae hacia cero. Este sesgo disminuye monótonamente a medida que aumenta el número de mediciones por unidad, pero no desaparece a menos que $m \to \infty$. Los enfoques estándar que tratan la densidad estimada como un covariable funcional conocido no logran contabilizar este error de estimación de muestra finita, lo que conduce a una inferencia sesgada.

Metodología
Los autores proponen un procedimiento de Extrapolación de Simulación (SIMEX) adaptado específicamente para el entorno de la regresión escalar sobre densidad. A diferencia de las aplicaciones tradicionales de SIMEX en la regresión funcional, que asumen un ruido gaussiano aditivo en las covariables, el error en este contexto es inherente al propio proceso de estimación de la densidad.

El algoritmo propuesto procede de la siguiente manera:

1. Transformación: Para manejar el espacio no lineal de las funciones de densidad, los autores aplican la transformación de Densidad de Log-Cuantil (LQD). Esto mapea la densidad estimada $f_i$ en un espacio de Hilbert de funciones integrables al cuadrado, permitiendo el uso de modelos de regresión funcional lineal estándar.
2. Remuestreo Bootstrap: En lugar de añadir ruido artificial, el método controla el nivel de error efectivo generando submuestras bootstrap de tamaño $m_0$ (donde $m_0 < m$) a partir de las $m$ mediciones originales para cada unidad.
3. Secuencia de Estimación: Para una cuadrícula de tamaños de submuestra $m_0$, la densidad se reestima, se transforma mediante LQD y se vuelve a ajustar el modelo de regresión. Esto se repite $B$ veces para cada $m_0$ para obtener funciones de coeficiente promedio $\bar{\hat{\beta}}_{m_0}(\cdot)$.
4. Extrapolación: Se modela la relación entre los estimadores promedio y el tamaño de la submuestra. Los autores definen una transformación $\lambda = 1/\sqrt{m_0}$ para representar el nivel de error inverso. La secuencia de estimaciones se extrapola a $\lambda = 0$ (correspondiente a $m_0 \to \infty$) utilizando un spline de producto tensorial no lineal. El valor de la superficie suavizada en $\lambda = 0$ proporciona el estimador SIMEX corregido de sesgo.

Contribuciones Clave

• Identificación de la Fuente de Sesgo: El artículo establece que el sesgo de atenuación en la regresión escalar sobre densidad es una consecuencia directa de los conteos de mediciones finitas utilizados para la estimación de la densidad, lo cual es distinto de los modelos de error de medición aditivo.
• Adaptación Metodológica: Adapta el marco SIMEX a un entorno donde el error no es aditivo e intrínseco al procedimiento de estimación, utilizando el remuestreo bootstrap para simular niveles variables de precisión de medición.
• Validación Teórica y Empírica: Los autores demuestran que el sesgo disminuye monótonamente con el aumento de las mediciones por unidad y proporcionan un método de corrección práctico que extrapola al límite ideal de mediciones infinitas.

Resultados de la Simulación
Se llevó a cabo un estudio de simulación exhaustivo a través de diversos tamaños de muestra ($N \in \{50, 100, 200\}$) y niveles de ruido ($\sigma \in \{0.01, 0.05\}$).

• Reducción del Sesgo: Los estimadores extrapolados por SIMEX lograron consistentemente sesgos más bajos que los estimadores ingenuos basados en el conjunto completo de mediciones. El método de extrapolación no lineal generalmente superó a las alternativas lineales y cuadráticas al capturar mejor la curvatura de la relación del sesgo.
• Error Cuadrático Medio Integrado (MISE): En la mayoría de los escenarios, la reducción en el sesgo cuadrático superó el aumento en la varianza introducido por los pasos de bootstrap y extrapolación, resultando en un MISE total menor para el estimador SIMEX en comparación con el estimador ingenuo.
• Advertencias: En escenarios con tamaños de muestra muy pequeños ($N=50$) y alto ruido, el aumento de la varianza debido a SIMEX fue lo suficientemente sustancial como para resultar en un MISE mayor que el del estimador ingenuo, a pesar de una clara reducción del sesgo. Esto resalta un compromiso entre sesgo y varianza inherente al método.

Aplicación a los Datos de NHANES
El método se aplicó a datos de la Encuesta Nacional de Examen de Salud y Nutrición (NHANES) 2011–2014 para modelar la asociación entre los perfiles de actividad física de 24 horas y la mortalidad por todas las causas.

• Datos: Se utilizaron conteos de actividad minuto a minuto de 3,676 participantes para estimar las distribuciones de densidad de actividad.
• Hallazgos: El estimador ingenuo (usando los 1,440 minutos por sujeto) mostró una función de coeficiente que estaba atenuada. La corrección SIMEX desplazó el estimador en una dirección consistente con los resultados de la simulación, sugiriendo que incluso con un gran número de mediciones por sujeto, el sesgo de medición finita persiste y puede ser corregido.

Significancia y Reivindicaciones
El artículo sostiene que el procedimiento SIMEX propuesto es una herramienta robusta para corregir el sesgo de atenuación en la regresión escalar sobre densidad sin requerir el conocimiento del estimador de densidad específico utilizado (por ejemplo, splines suavizados o densidad de kernel). Los autores enfatizan que su método apunta al sesgo inducido específicamente por la estimación de mediciones finitas, distinguiéndose de las técnicas de pre-suavizado que simplemente intercambian sesgo por varianza.

Los autores mantienen un tono modesto respecto a las limitaciones del método, reconociendo que la corrección del sesgo conlleva un costo en términos de aumento de la varianza. Concluyen que, si bien el método es efectivo para reducir el sesgo y mejorar el MISE en muchos entornos, los usuarios deben ser conscientes del compromiso entre sesgo y varianza, particularmente en escenarios de muestras pequeñas o de alto ruido. El método se presenta como una solución práctica para mejorar la validez de la inferencia en el análisis de datos funcionales donde los predictores se derivan de mediciones finitas.