Efficient Longitudinal Function-on-Function Regression

1. Énoncé du problème

L'article aborde le défi statistique de l'analyse de données fonctionnelles longitudinales où à la fois la variable de réponse et les prédicteurs sont des fonctions observées dans le temps.

• Contexte : Les études modernes (par exemple, l'étude Ready Steady 3.0) collectent des données portables haute dimension (activité physique à l'échelle de la minute) sur plusieurs visites et sujets.
• Le fossé : Les méthodes existantes pour la régression fonctionnelle longitudinale traitent généralement soit des cas scalaire-sur-fonction, soit fonction-sur-scalaire. Bien que les Modèles Additifs Mixtes Fonctionnels (FAMM) puissent théoriquement gérer la régression fonction-sur-fonction avec des structures longitudinales, ils souffrent de limitations computationnelles sévères. À mesure que le nombre de sujets ($N$) et la densité des observations fonctionnelles augmentent, les FAMM deviennent computationnellement ingérables (par exemple, échouant à se terminer en une journée pour des jeux de données d'environ 300 sujets).
• Objectif : Développer une méthode fournissant une estimation précise et une inférence valide pour la régression fonction-sur-fonction longitudinale tout en étant efficace pour les grands jeux de données.

2. Méthodologie : Régression Fonctionnelle Longitudinale Fonction-sur-Fonction Efficace (ELFFR)

Les auteurs proposent une nouvelle approche marginale en trois étapes qui décompose le problème complexe de modélisation conjointe en tâches plus simples et parallélisables.

Étape 1 : Régression Longitudinale Scalaire-sur-Fonction Point par Point

Au lieu d'ajuster un modèle conjoint, la méthode ajuste un modèle séparé de Régression Fonctionnelle Longitudinale Pénalisée (LPFR) à chaque point discret $s_l$ le long du domaine fonctionnel.

• Modèle : $Y_{ij}(s_l) = X_{ij}^T \beta(s_l) + Z_{ij}^T b_i(s_l) + \sum \int W_{ijk}(u)\gamma_k(s_l, u)du + \epsilon_{ij}(s_l)$.
• Mécanisme : Cela traite le coefficient fonctionnel $\gamma(s, u)$ comme une série de coefficients point par point. Les effets aléatoires $b_i(s_l)$ capturent la corrélation intra-sujet à chaque point temporel spécifique.
• Avantage : Ces modèles sont indépendants entre les points temporels, permettant une parallélisation massive.

Étape 2 : Lissage

Les estimations point par point obtenues à l'étape 1 sont bruitées. La méthode applique un lissage pour reconstruire les surfaces fonctionnelles continues.

• Coefficients scalaires : $\hat{\beta}(s_l)$ sont lissés le long du domaine fonctionnel $S$ à l'aide de splines pénalisées (P-splines).
• Coefficients fonctionnels : Les surfaces estimées $\hat{\gamma}_k(s, u)$ sont lissées le long du domaine bivarié ($S \times U$) en utilisant un lisseur sandwich.
• Directrice : Les auteurs recommandent d'utiliser un petit nombre de nœuds (par exemple <10) sur le domaine du prédicteur pour assurer la stabilité et éviter le surajustement.

Étape 3 : Inférence (Bandes de Confiance)

Deux approches sont proposées pour construire des bandes de confiance :

1. Approche Analytique (Données Gaussiennes) : Déduit une solution sous forme fermée pour la covariance des estimateurs. Elle prend en compte la corrélation entre les points temporels via un estimateur par la méthode des moments pour la structure de covariance de l'effet aléatoire $G(s_1, s_2)$. La covariance finale est calculée en utilisant les propriétés de produit tensoriel des matrices de lissage.
2. Bootstrap par Grappes (Général) : Un bootstrap non paramétrique des participants de l'étude (rééchantillonnage des sujets, et non des points temporels) est utilisé pour les données gaussiennes et non gaussiennes afin d'assurer une inférence robuste.

3. Contributions Clés

• Efficacité Computationnelle : La contribution principale est une méthode qui s'étend linéairement (ou quasi-linéairement) avec le nombre de sujets, contrairement à l'échelle exponentielle des modèles mixtes conjoints. Elle exploite le calcul parallèle pour ajuster simultanément des milliers de modèles point par point.
• Extension Nouvelle : Étend l'approche marginale (précédemment utilisée pour fonction-sur-scalaire) au cadre plus complexe fonction-sur-fonction. Ceci n'est pas trivial car cela nécessite de gérer un lissage bivarié et des structures de covariance complexes pour les coefficients fonctionnels.
• Inférence Valide : Fournit un cadre inférentiel rigoureux avec des bandes de confiance analytiques pour les données gaussiennes et une procédure de bootstrap flexible pour les cas généraux, garantissant des probabilités de couverture valides.
• Implémentation Logicielle : La méthode est implémentée dans un package R (disponible sur GitHub), la rendant accessible aux chercheurs.

4. Résultats des Simulations

Les auteurs ont mené des simulations extensives comparant ELFFR à l'approche FAMM standard.

• Précision : ELFFR atteint une précision d'estimation (mesurée par l'Erreur Quadratique Intégrée Moyenne) comparable à FAMM, avec de légères améliorations pour des tailles d'échantillon plus grandes.
• Inférence : La méthode atteint une couverture quasi-nominale (95 %) pour les bandes de confiance, en particulier avec des tailles d'échantillon plus grandes et l'approche analytique.
• Vitesse : Les gains computationnels sont dramatiques.
  • À $N=400$ : ELFFR a pris ~5,4 minutes contre >68 minutes pour FAMM.
  • À $N=800$ : ELFFR a pris ~35 minutes contre ~13,4 heures pour FAMM.
• Évolutivité : La méthode reste réalisable pour de grands jeux de données où FAMM échoue à converger dans un délai raisonnable.

5. Application : Étude Ready Steady 3.0 (RS3)

La méthode a été appliquée à une étude d'intervention sur l'activité physique impliquant 294 personnes âgées, avec des données à l'échelle de la minute collectées sur 4 visites.

• Structure des données : Résultat fonctionnel (activité physique tout au long de la journée) et prédicteur fonctionnel (activité physique de base tout au long de la journée), ajustés pour des covariables scalaires (âge, genre, indice de privation du quartier).
• Résultats Clés :
  • Interventions Interpersonnelles : Ont significativement augmenté l'activité physique spécifiquement pendant les heures du matin (9 h – 14 h). Cet effet n'a pas été observé pour les stratégies intrapersonnelles.
  • Spécificité Temporelle : L'analyse a révélé que l'effet de l'intervention est concentré pendant les heures de pointe d'activité, une nuance perdue lorsque les données sont agrégées en totaux journaliers.
  • Covariables : L'âge a montré un effet négatif significatif sur l'activité physique en fin d'après-midi (16 h – 19 h), et l'Indice de Privation du Quartier (ADI) a montré un effet négatif en fin de matinée.
• Signification : L'étude démontre que la régression fonctionnelle peut révéler des effets de traitement spécifiques au temps que les analyses agrégées traditionnelles manquent, offrant des pistes d'action pour la conception d'interventions comportementales.

6. Signification et Perspectives

• Impact : Ce travail comble le fossé entre les données portables haute dimension et la modélisation statistique rigoureuse, permettant aux chercheurs d'analyser des données fonctionnelles longitudinales complexes sans coûts computationnels prohibitifs.
• Limites et Travaux Futurs :
  • La sensibilité aux paramètres de lissage (choix des nœuds) nécessite une investigation supplémentaire pour une sélection automatisée optimale.
  • L'inférence analytique devient lourde computationnellement à mesure que la densité du domaine fonctionnel augmente (bien que le sous-échantillonnage puisse atténuer cela).
  • Les recherches futures pourraient explorer des méthodes alternatives d'ajustement point par point, telles que la Régression Fonctionnelle Dynamique Longitudinale (LDFR).

En résumé, ELFFR est une solution évolutive, précise et pratique pour l'analyse moderne de données fonctionnelles longitudinales, appliquée avec succès pour révéler des effets spécifiques au temps dans un essai d'activité physique à grande échelle.