Multilevel Regression Modeling of Covariance Matrix Outcomes

Résumé technique : Modélisation par régression multiniveau des résultats de matrices de covariance

Énoncé du problème
Les résultats de matrices de covariance sont centraux dans la recherche en neuroimagerie, en particulier pour l'étude de la connectivité fonctionnelle (FC) cérébrale via l'IRMf. Un défi majeur dans l'analyse de ces résultats réside dans la structure hiérarchique des jeux de données modernes, tels que l'étude du cycle de vie du Human Connectome Project (HCP), où les sujets sont imbriqués dans des groupes (par exemple, des cohortes d'âge). Les méthodes existantes de régression de covariance, telles que la régression CAP (Covariate-Assisted Principal), fonctionnent généralement dans un cadre à niveau unique. Ces méthodes soit vectorisent la matrice de covariance (en ignorant les contraintes de définie positivité et en augmentant la dimensionalité), soit supposent une direction de projection commune à tous les sujets. Cette dernière hypothèse est souvent trop restrictive pour les études sur le cycle de vie, où les sous-réseaux neuronaux sous-jacents régissant la connectivité peuvent varier structurellement à travers les différents stades de développement (enfance, âge adulte, vieillissement). Il existe un besoin d'un cadre capable de modéliser les matrices de covariance comme des résultats tout en accommodant l'hétérogénéité inter-groupe dans les sous-espaces associés à la covariance et en empruntant de la force statistique entre les groupes.

Méthodologie : Régression multiniveau assistée par covariables (MCAP)
Les auteurs proposent le cadre de régression multiniveau assistée par covariables (MCAP) pour répondre à ces défis. Le cœur de la méthode consiste à modéliser la matrice de covariance $\Sigma_{ij}$ pour l'unité $j$ dans le groupe $i$ via une projection linéaire $\gamma_i$ sur la sphère unité.

• Structure du modèle : Le modèle suppose que pour chaque groupe $i$, il existe un vecteur de projection de norme unitaire $\gamma_i$ tel que le logarithme de la variance projetée suit un modèle linéaire mixte généralisé :
  $$\log(\gamma_i^\top \Sigma_{ij} \gamma_i) = \beta_0 + x_{1i(j)}^\top \beta_1 + x_{2ij}^\top (\beta_2 + \vartheta_i) + \varepsilon_i$$
  Ici, $x_{1i(j)}$ représente les covariables à effets fixes (niveau groupe ou unité), et $x_{2ij}$ représente les covariables à effets aléatoires. Le terme $\vartheta_i$ capture les déviations spécifiques au groupe dans les pentes.
• Modélisation hiérarchique des projections : Contrairement à la CAP à niveau unique, la MCAP permet à la direction de projection $\gamma_i$ de varier entre les groupes. Ces directions spécifiques aux groupes sont modélisées comme des variables aléatoires sur la sphère unité suivant une distribution de von Mises-Fisher (vMF) avec une direction moyenne $\gamma$ et un paramètre de concentration $\kappa$. Cette formulation permet un emprunt d'information rigoureux entre les groupes tout en autorisant l'hétérogénéité.
• Estimation : Les paramètres sont estimés en maximisant une fonction de vraisemblance hiérarchique. La vraisemblance comprend quatre composantes : la vraisemblance conditionnelle des observations au niveau de l'unité, la vraisemblance des intercepts aléatoires, la vraisemblance des pentes aléatoires et la vraisemblance des rotations aléatoires (distribution vMF).
  • Algorithme : Un algorithme de descente de coordonnées par blocs est employé. Les mises à jour des coefficients de régression et des composantes de variance utilisent la méthode de Newton-Raphson. Les mises à jour des directions de projection $\gamma_i$ impliquent la résolution d'un problème de valeurs propres généralisé avec une contrainte de normalisation adaptative aux données ($\tilde{\gamma}_i^\top H_i \tilde{\gamma}_i = 1$), où $H_i$ est la matrice de covariance d'échantillon moyenne du groupe. Cette contrainte géométrique aligne l'ensemble réalisable avec le nuage de données.
  • Identification des composantes : Les composantes d'ordre supérieur sont identifiées séquentiellement via une stratégie de défiation. Pour assurer la faisabilité computationnelle lorsque les matrices de covariance d'échantillon deviennent de rang déficient après défiation, une étape de complétion de rang remplace les valeurs singulières nulles par des intercepts aléatoires estimés.
• Inférence : Une procédure de bootstrap à deux étapes est proposée pour l'inférence sur les coefficients de régression. À l'étape 0, le modèle complet est ajusté pour obtenir les estimations de $\gamma_i$. À l'étape 1, les groupes sont rééchantillonnés avec remise, et le sous-problème de régression est résolu avec $\gamma_i$ fixés à leurs estimations de l'étape 0. Cette approche respecte la structure hiérarchique des données et évite la charge computationnelle de réestimer les directions à chaque réplique de bootstrap.
• Théorie asymptotique : L'article établit la normalité asymptotique des estimateurs des paramètres de régression lorsque les directions de projection sont connues. Lorsque les directions sont inconnues, la consistance de tous les estimateurs (y compris $\gamma_i$, $\gamma$ et les coefficients de régression) est prouvée sous des conditions d'identifiabilité spécifiques, en supposant que le nombre de groupes ($m$) et le nombre d'observations par groupe ($n, T$) augmentent.

Résultats clés

• Études de simulation : La MCAP a été comparée à une approche CAP à niveau unique (SCAP) qui moyenne les estimations spécifiques aux groupes. Dans les simulations avec des dimensions $p=5$ et $p=20$, la MCAP a démontré un biais et une erreur quadratique moyenne (MSE) substantiellement inférieurs dans l'estimation des coefficients de régression, en particulier à mesure que les tailles d'échantillon augmentaient. Bien que la SCAP ait fonctionné de manière adéquate dans les faibles dimensions, elle a échoué à estimer avec précision les coefficients dans les dimensions plus élevées ($p=20$). La MCAP a efficacement exploité la structure hiérarchique pour améliorer la stabilité de l'estimation.
• Application à l'étude du cycle de vie du HCP : Appliquée à 1 500 sujets de l'étude du cycle de vie du HCP (âges 5–90), la MCAP a identifié un seul réseau cérébral spectral dominant capturant les effets de l'âge et du sexe.
  • Trajectoire du cycle de vie : Le score de connectivité fonctionnelle (FC) projeté a présenté une trajectoire non linéaire : déclin de l'enfance jusqu'à la fin de la vingtaine, augmentation au cours de la vie moyenne jusqu'à un pic au début de la soixantaine, et nouveau déclin dans la vieillesse tardive (70–90).
  • Différences sexuelles : Les hommes ont systématiquement montré des valeurs de FC projetée plus élevées que les femmes sur toute la plage d'âge.
  • Réorganisation neuronale : La trajectoire suggérait un effet de « miroir », où le déclin dans la vieillesse tardive faisait écho partiellement au déclin développemental observé au début de la vie. De plus, l'organisation spatiale du sous-réseau est devenue plus homogène entre les tranches d'âge voisines dans la vie tardive (après 50 ans), suggérant une convergence des schémas de réorganisation neuronale dans la vieillesse tardive.
  • Contributions régionales : Le sous-réseau identifié était piloté par des régions du gyrus frontal moyen rostral (rMFG), du gyrus temporal moyen (MTG), du cortex pariétal inférieur (IPC) et du gyrus cingulaire isthmique (ICG), couvrant les systèmes fronto-pariétal, du mode par défaut, d'attention ventrale et temporal latéral.

Signification et affirmations
Les auteurs affirment que la MCAP fournit un cadre flexible et statistiquement rigoureux pour l'analyse de résultats de matrices de covariance imbriqués hiérarchiquement. En assouplissant l'hypothèse de projection commune, la MCAP permet la modélisation de sous-espaces de covariance spécifiques aux groupes tout en estimant toujours une direction au niveau de la population. Cela est crucial pour les études sur le cycle de vie où les mécanismes neurobiologiques diffèrent selon les stades de développement.

L'article affirme que la MCAP surpasse les concurrents à niveau unique dans l'estimation des coefficients de régression, en particulier dans des contextes de dimensions modérées à élevées. L'application à l'étude du HCP démontre la capacité de la méthode à révéler des profils de connectivité cérébrale complexes et non linéaires au cours du cycle de vie et à identifier des motifs distribués à travers les réseaux qui seraient difficiles à caractériser à l'aide d'analyses de groupes indépendantes ou de directions de projection fixes. Les auteurs notent que le cadre est spécifiquement conçu pour gérer la contrainte de définie positivité des matrices de covariance sans recourir à la vectorisation, préservant ainsi l'interprétabilité et la puissance statistique.

Limites reconnues
Les auteurs reconnaissent modestement plusieurs limites :

1. Le modèle suppose des observations gaussiennes ; des versions robustes ou de quasi-vraisemblance seraient nécessaires pour des données non gaussiennes.
2. La distribution vMF est unimodale ; des modèles de mélange pourraient être requis si les directions de projection forment plusieurs groupes distincts.
3. La normalité asymptotique pour les directions de projection ($\gamma_i$ et $\gamma$) n'est pas établie, seule la consistance l'est.
4. Les composantes d'ordre supérieur sont identifiées séquentiellement via défiation, ce qui peut être moins efficace que des procédures conjointes multi-composantes.