ProfileGLMM: a R Package Extending Bayesian Profile Regression using Generalised Linear Mixed Models

Titre du papier

ProfileGLMM : un package R étendant la régression de profil bayésienne via des modèles linéaires mixtes généralisés.

1. Problématique et Contexte

La régression de profil bayésienne (Bayesian Profile Regression - BPR), initialement formulée par Molitor et al. (2010), est un cadre statistique puissant conçu pour modéliser une variable de réponse ($y$) en utilisant deux groupes de covariables :

1. Des covariables de régression classiques ($x$).
2. Des covariables de regroupement ($u$), souvent caractérisées par de fortes interdépendances (ex. expositions environnementales corrélées, réponses à des questionnaires détaillés).

Le défi majeur réside dans le fait que l'inclusion directe de covariables fortement corrélées ($u$) dans un modèle de régression standard est statistiquement sous-optimale. La BPR résout cela en regroupant non-paramétriquement les observations basées sur $u$, puis en utilisant les appartenances aux clusters comme variables explicatives.

Cependant, les implémentations existantes (comme le package PReMiuM) présentent deux limitations majeures :

• Incapacité à gérer les structures hiérarchiques : Elles sont principalement conçues pour des données transversales. Bien qu'une extension pour des données longitudinales continues ait été proposée récemment, elle manque de flexibilité pour modéliser des structures hiérarchiques générales et ne gère pas les effets aléatoires complexes.
• Absence d'interactions : Les méthodes précédentes ne permettent pas facilement d'étudier les interactions entre les clusters latents et d'autres covariables observables.

Le papier introduit ProfileGLMM pour combler ces lacunes en intégrant des Modèles Linéaires Mixtes Généralisés (GLMM) au sein du cadre de la régression de profil bayésienne.

2. Méthodologie

Le cadre proposé repose sur une distribution conjointe de la réponse $y_i$ et des covariables de regroupement $u_i$, conditionnelle aux covariables de régression $x_i$, modélisée par un mélange infini.

A. Distribution d'affectation (Clustering)

Le modèle gère des covariables de regroupement $u_i$ pouvant être continues, catégorielles, ou un mélange des deux :

• Variables catégorielles : Modélisées par des distributions multinomiales indépendantes.
• Variables continues : Modélisées par des distributions gaussiennes multivariées.
• Mélange : Une indépendance est supposée entre les types de variables.

B. Distribution de réponse (GLMM)

C'est l'innovation centrale. Au lieu d'une régression simple, le modèle utilise un GLMM pour la réponse $y_i$ :

• Structure hiérarchique : Le modèle inclut des effets aléatoires ($\eta_{g(i)}$) pour gérer la corrélation intra-sujet (données longitudinales ou regroupées).
• Équation du modèle (cas continu) :
  $$y_i = x_{i}^{FE}\beta + x_{i}^{RE}\eta_{g(i)} + x_{i}^{Int}\gamma_c + \epsilon_i$$
  Où :
  • $\beta$ : Coefficients d'effets fixes (constants).
  • $\eta_{g(i)}$ : Effets aléatoires (suivant une loi normale multivariée).
  • $\gamma_c$ : Paramètre spécifique au cluster latent $c$ (interagissant avec les covariables).
  • $x_{i}^{Int}$ : Sous-ensemble de covariables interagissant avec le cluster latent.
• Types de réponses : Le package supporte les données continues (Modèle Linéaire Mixte) et binaires (Modèle Probit Mixte via une variable latente).

C. Inférence Bayésienne

• Priors : Utilisation d'un processus de Dirichlet tronqué (Stick-breaking) pour les poids du mélange, permettant un nombre de clusters infini théorique mais fini en pratique. Des priors conjugués (Normal-Inverse-Wishart, Dirichlet) sont utilisés pour les paramètres de regroupement et de régression.
• Échantillonnage : Un échantillonneur de Gibbs (MCMC) est utilisé pour tirer des échantillons de la distribution a posteriori. L'algorithme est optimisé via du code Rcpp pour la vitesse.
• Post-traitement : Pour résoudre le problème de l'échange d'étiquettes (label switching) inhérent aux mélanges, une matrice de dissimilarité moyenne est calculée pour identifier un regroupement représentatif ($Z^*$).

3. Contributions Clés

1. Intégration des GLMM : C'est la première implémentation permettant d'utiliser la régression de profil bayésienne sur des données hiérarchiques et longitudinales grâce à l'inclusion d'effets aléatoires.
2. Modélisation des interactions : Le cadre permet d'estimer explicitement les interactions entre les clusters latents (définis par $u$) et d'autres covariables observables ($x$ ou $u$), offrant une flexibilité accrue pour l'analyse de sous-groupes.
3. Flexibilité des types de données : Support des réponses continues et binaires, ainsi que des covariables de regroupement mixtes (continues et catégorielles).
4. Implémentation efficace : Le package est écrit en R avec des cœurs de calcul en Rcpp, garantissant une efficacité computationnelle compétitive par rapport aux packages existants comme PReMiuM.
5. Nouvelle application : Ajustement par morceaux (Piecewise fit) : Le papier démontre que l'inclusion d'une covariable de régression comme covariable de regroupement permet d'estimer des fonctions complexes (ex. régression linéaire par morceaux) de manière non-paramétrique.

4. Résultats et Validation

Le papier présente deux études de cas illustratives :

• Données longitudinales simulées (Exposome) :

  • Un jeu de données simulé de 1500 individus sur 3 vagues (4500 observations) avec des expositions environnementales corrélées.
  • Le modèle a correctement identifié 9 clusters latents correspondant aux combinaisons d'expositions.
  • Il a permis de décomposer l'effet de la réponse en : contribution des effets fixes, effets aléatoires, et contributions spécifiques à chaque cluster latent.
  • Les résultats montrent une capacité à capturer l'hétérogénéité non observée et la corrélation intra-sujet.

• Ajustement linéaire par morceaux :

  • Utilisation d'une seule variable prédictive ($x$) servant à la fois de covariable de regroupement et d'interacteur.
  • Le modèle a réussi à segmenter non-paramétriquement le domaine de $x$ en 6 régimes locaux distincts et à estimer les tendances linéaires spécifiques à chaque segment, reproduisant fidèlement le signal sous-jacent simulé.

• Performance Computationnelle :

  • Une comparaison des temps d'exécution avec le package PReMiuM sur différentes tailles d'échantillons (jusqu'à 12 000 observations) montre que ProfileGLMM est plus rapide (environ 2x plus rapide sur les grands jeux de données testés) tout en offrant des fonctionnalités supplémentaires (effets aléatoires).

5. Signification et Impact

Le package ProfileGLMM représente une avancée significative pour les chercheurs en épidémiologie, sciences sociales et études cliniques confrontés à des données complexes.

• Robustesse statistique : Il permet d'éviter les biais de spécification liés à l'inclusion directe de covariables corrélées tout en gérant correctement la structure des données (hiérarchique/longitudinale).
• Exploration de données : La capacité à découvrir des sous-groupes latents (clusters) et à quantifier leurs effets spécifiques sur la réponse ouvre de nouvelles voies pour la médecine de précision et l'analyse de sous-populations.
• Accessibilité : En étant disponible sur CRAN avec une interface R conviviale et des paramètres par défaut minimaux, il rend ces méthodes bayésiennes avancées accessibles à une large communauté scientifique.

En résumé, ProfileGLMM étend le périmètre de la régression de profil bayésienne au-delà des données transversales, offrant un outil unifié pour l'analyse de données complexes, hiérarchiques et fortement corrélées.