An integration of decision trees into latent class modeling with covariates

Resumen Técnico: Integración de Árboles de Decisión en el Modelado de Clases Latentes con Covariables

Planteamiento del Problema
El Análisis de Clases Latentes (LCA, por sus siglas en inglés) es un método estándar para identificar subgrupos no observados dentro de datos categóricos. Una extensión común implica modelar la pertenencia a las clases como una función de covariables externas (predictores). El enfoque metodológico predominante utiliza la regresión logística (multinomial) para especificar el modelo estructural que vincula las covariables con las probabilidades de clase. Si bien es efectivo, esta especificación lineal enfrenta limitaciones significativas cuando las covariables exhiben interacciones complejas. Específicamente, los modelos logísticos son propensos a la especificación errónea si se omiten términos de interacción, y la inclusión de términos de interacción de orden superior aumenta rápidamente la complejidad de la interpretación, dificultando el discernimiento de cómo las combinaciones de predictores influyen en la pertenencia a las clases. La literatura existente no ha abordado adecuadamente el desafío de modelar estas interacciones complejas dentro del marco del LCA sin sacrificar la interpretabilidad o introducir supuestos no estándar.

Metodología
Los autores proponen una metodología novedosa que integra directamente el modelado de árboles de decisión en el marco del análisis de clases latentes. En lugar de tratar los efectos de las covariables como coeficientes lineales, el enfoque particiona recursivamente el espacio de las covariables basándose en las diferencias en las prevalencias de las clases latentes. El método opera bajo una estrategia de estimación por etapas para preservar la integridad del modelo de medición (la relación entre los indicadores y las clases latentes) y evitar la confusión interpretativa.

El algoritmo propuesto procede de la siguiente manera:

1. Estimación del Modelo de Medición: Se ajusta un LCA estándar a la muestra completa para estimar los parámetros de medición ($\phi$) y las prevalencias de clase ($\pi$), tratando las covariables como ausentes.
2. Partición Recursiva:
   • Para el nodo raíz, el algoritmo ajusta modelos estructurales para cada covariable individualmente, condicionado a los parámetros de medición fijos del Paso 1. La covariable que genera la mayor mejora en la log-verosimilitud se selecciona como la primera división.
   • Para los nodos subsiguientes (ramas), el algoritmo repite este proceso dentro de cada submuestra, seleccionando la covariable que maximiza la log-verosimilitud para esa rama específica.
   • La división continúa hasta que se alcanza un criterio de parada (por ejemplo, se alcanza un umbral de tamaño de muestra mínimo para prevenir el sobreajuste).
3. Poda del Árbol: Para prevenir el sobreajuste y asegurar la parsimonia del modelo, los autores proponen dos estrategias de poda:
   • Significancia Estadística: Las ramas se podan si los parámetros de la pendiente para la división terminal no son estadísticamente significativos.
   • Bondad de Ajuste Global: El árbol se evalúa utilizando el Criterio de Información Bayesiano (BIC). El algoritmo prueba iterativamente la eliminación de las divisiones terminales y selecciona la estructura de árbol que minimiza el BIC. Se puede emplear la validación cruzada para mitigar aún más el sobreajuste.

La metodología está diseñada para ser compatible con el software existente que implementa estimadores por etapas (por ejemplo, LatentGOLD, Mplus, StepMix, multilevLCA) y se basa en rutinas bien establecidas para la estimación de modelos.

Contribuciones Clave

• Integración Novedosa: El artículo introduce un enfoque de "árbol de clase latente" que incorpora la lógica de los árboles de decisión directamente en el modelo estructural del LCA, distinguiéndose de métodos híbridos previos (por ejemplo, Magidson y Vermunt, 2005) que tratan las probabilidades de clase a posteriori como variables dependientes observadas.
• Interpretabilidad: Al utilizar una estructura de árbol, el método proporciona una visualización fácilmente interpretable de cómo las combinaciones de predictores conducen a clasificaciones condicionales, mapeando efectivamente interacciones complejas sin requerir la especificación manual de términos de interacción.
• Rigor Metodológico: El enfoque se adhiere a la especificación de referencia del LCA con covariables (donde las covariables afectan directamente la probabilidad de pertenencia a la clase) y utiliza la estimación por etapas para evitar distorsiones en el modelo de medición.
• Implementación Práctica: Los autores demuestran que el método puede implementarse utilizando herramientas de software estándar y proporcionan una ilustración con datos reales utilizando el conjunto de datos NHANES 2017-2018 para modelar clases de salud basadas en edad, actividad, sexo y estado de tabaquismo.

Resultados
En la ilustración empírica utilizando los datos de NHANES, los autores identificaron dos clases de salud latentes: "mejor salud" (63% de prevalencia) y "peor salud" (37% de prevalencia). El algoritmo del árbol de decisión descubrió con éxito interacciones no lineales entre las covariables:

• La Edad fue la división primaria, separando a los individuos menores de 60 años de aquellos de 60 años o más.
• El Estado de Actividad fue la división secundaria para ambos grupos de edad.
• El Sexo y el Tabaquismo proporcionaron una diferenciación adicional en subgrupos específicos.
  El árbol podado final reveló que, si bien los individuos más jóvenes generalmente tenían una baja probabilidad de "peor salud" (10–17%), esto variaba según la actividad. Entre los individuos mayores, la probabilidad era alta (73–85%), pero variaba significativamente según la actividad, el sexo y el tabaquismo. Por ejemplo, las mujeres mayores inactivas tenían la probabilidad más alta (85%), mientras que los individuos activos de mayor edad tenían una probabilidad menor (73%). La estructura del árbol resaltó claramente estas probabilidades condicionales, que serían difíciles de interpretar desde una regresión logística estándar con interacciones de alto orden.

Significancia y Reivindicaciones
Los autores posicionan este trabajo como el inicio de una nueva línea de investigación en la metodología del análisis de clases latentes. Afirman que el enfoque propuesto ofrece una alternativa práctica a la regresión logística estándar para contextos donde los efectos de interacción lineales son complejos y difíciles de interpretar. La metodología se presenta como una herramienta para facilitar la investigación aplicada al proporcionar un nuevo instrumento de análisis de datos que descubre interacciones complejas de covariables sin requerir supuestos no tradicionales.

El artículo mantiene la modestia respecto a su alcance, señalando que la implementación actual se centra en covariables binarias. Los autores identifican la generalización a covariables multinomiales y continuas (mediante procedimientos de división avanzados) y el desarrollo de estrategias de poda alternativas como extensiones futuras importantes. Reconocen la limitación de depender de óptimos locales para las divisiones, una característica inherente a los métodos de partición recursiva en general, y llaman a una mayor discusión académica y una comparación rigurosa de las estrategias de poda (por ejemplo, utilizando ICL o medidas basadas en la entropía) para avanzar en el campo.