Bayesian structured additive quantile regression for inflated bounded data

Titolo

Regressione Quantilica Additiva Strutturata Bayesiana per Dati Limitati Inflati

1. Il Problema

I dati continui limitati all'intervallo unitario $[0, 1]$ sono comuni in campi come medicina, biologia, sociologia ed ecologia (es. tassi di mortalità, percentuali di grasso corporeo). Spesso, questi dataset presentano una proporzione non trascurabile di osservazioni esattamente ai confini (0 e/o 1), un fenomeno noto come "inflazione" (zero-inflazione e/o one-inflazione).

I modelli di regressione tradizionali per dati limitati (come la regressione Beta) o i modelli a due parti standard affrontano l'inflazione trattando le componenti discreta (probabilità di essere 0 o 1) e continua (valori in $(0,1)$) separatamente, spesso focalizzandosi solo sulla media e sulla precisione della distribuzione. Tuttavia, questi approcci presentano limitazioni:

• Assumono una forma parametrica specifica per la distribuzione continua.
• Non catturano l'eterogeneità della distribuzione condizionale oltre la media.
• I modelli quantilici esistenti per dati inflati sono spesso limitati a specifiche lineari semplici e non gestiscono contemporaneamente l'inflazione a zero e a uno con effetti strutturati complessi (spaziali, casuali, non lineari).

2. Metodologia

Gli autori propongono una classe di modelli di regressione quantilica additiva strutturata (STQR) bayesiani per dati continui limitati inflati a zero e/o uno.

Inquadramento del Modello:
Il modello adotta un framework a due parti:

1. Componente Discreta: Modella le probabilità di inflazione ($p_{0i} = P(y_i=0)$ e $p_{1i} = P(y_i=1)$) utilizzando una regressione multinomiale (o binomiale per inflazione singola).
2. Componente Continua: Modella i quantili condizionali della variabile risposta limitata a $(0, 1)$, denotata come $Q_{y_i|y_i \in (0,1)}(\tau | x_i)$.

Struttura Additiva:
A differenza dei modelli lineari semplici, i predittori per entrambe le parti sono di tipo "additivo strutturato", permettendo l'inclusione di:

• Effetti lineari.
• Effetti non lineari (funzioni lisce di covariate continue).
• Effetti spaziali (campi casuali di Markov gaussiani).
• Effetti casuali (per dati gerarchici).
• Termini a coefficienti variabili.

Inferenza Bayesiana:

• Distribuzione di Lavoro: Per l'inferenza bayesiana sulla componente continua, viene utilizzata la Distribuzione Laplace Asimmetrica (ALD). Questa scelta è motivata dalla sua rappresentazione come miscela di scala e posizione, che semplifica il calcolo della posterior.
• Rappresentazione della Miscela: L'ALD è espressa come una combinazione di una variabile normale e una esponenziale, permettendo di trattare il modello come una regressione gaussiana condizionata con offset e pesi specifici.
• Algoritmi MCMC: L'inferenza viene eseguita tramite algoritmi Markov Chain Monte Carlo (MCMC) implementati nel framework di programmazione probabilistica Liesel.
  • I coefficienti di regressione sono campionati utilizzando passi Metropolis-Hastings con proposte basate su minimi quadrati pesati iterativamente (IWLS).
  • Le varianze di smoothing e i parametri di scala sono aggiornati tramite Gibbs sampling.
  • Vengono utilizzati campionatori No-U-Turn (NUTS) per i parametri rimanenti.

3. Contributi Chiave

I principali contributi di questo lavoro sono:

1. Flessibilità Strutturata: Integrazione della regressione additiva strutturata (effetti non lineari, spaziali, casuali) all'interno di modelli quantilici per dati inflati, superando i limiti dei modelli lineari esistenti.
2. Gestione dell'Inflazione Doppia: Sviluppo di un modello capace di gestire contemporaneamente l'inflazione a zero e a uno, una combinazione non affrontata da precedenti modelli quantilici.
3. Analisi Completa della Distribuzione: Capacità di modellare direttamente i quantili condizionali, permettendo di analizzare l'eterogeneità, l'asimmetria e gli effetti delle covariate su diverse parti della distribuzione, senza assumere una forma parametrica fissa per la componente continua.
4. Implementazione Software: Realizzazione pratica tramite il framework Liesel, rendendo il metodo accessibile per applicazioni complesse in regressione semiparametrica.

4. Risultati

Studi di Simulazione:

• Sono stati condotti studi di simulazione per valutare le prestazioni del modello in scenari con inflazione a zero e uno, sia con specificazione corretta della verosimiglianza (dati generati da ALD) sia con specificazione errata (dati generati da distribuzione GJS-t).
• Accuratezza: Il modello ha dimostrato stime accurate per i parametri delle componenti discreta e continua. Gli errori quadratici medi (RMSE) sono risultati bassi, specialmente con dimensioni campionarie adeguate ($n=500$).
• Robustezza: Anche in caso di specificazione errata della verosimiglianza (Scenario S2), il modello ha mantenuto buone prestazioni, con RMSE bassi e tassi di copertura degli intervalli credibili vicini al livello nominale (95%), sebbene leggermente inferiori per i quantili estremi in scenari di misspecificazione.

Applicazioni Reali:

1. Mortalità da Incidenti Stradali (Brasile):
   • Analisi della proporzione di decessi stradali in 5.499 distretti municipali.
   • Il modello ha rivelato relazioni non lineari e pattern spaziali complessi. Ad esempio, la dimensione della popolazione è associata negativamente alla mortalità (soprattutto nei quantili superiori), mentre la proporzione di giovani (20-29 anni) è positivamente associata.
   • Confronto con la regressione Beta inflata: La regressione quantilica ha fornito informazioni più dettagliate su come le covariate influenzano diverse parti della distribuzione (es. effetti più forti nei quantili alti), cosa che il modello basato sulla media non poteva catturare.
2. Intelligibilità del Linguaggio (Implanti Cocleari):
   • Analisi di dati con alta frequenza di risposte estreme (0% o 100% di riconoscimento).
   • Il modello ha incluso effetti casuali per i soggetti, catturando la variabilità individuale.
   • Risultati: L'aumento del rapporto segnale-rumore (SNR) migliora le prestazioni. Il modello ha mostrato differenze nelle prestazioni degli algoritmi di elaborazione del suono a diversi livelli di quantili e SNR, evidenziando che alcuni algoritmi riducono meglio i fallimenti completi (0) in condizioni difficili, mentre altri sono migliori per il riconoscimento perfetto (1) in condizioni favorevoli.

5. Significato e Implicazioni

Questo lavoro rappresenta un avanzamento significativo nella modellazione statistica di dati limitati e inflati.

• Versatilità: Offre un approccio unificato che combina la flessibilità della regressione additiva strutturata con la robustezza dell'analisi quantilica.
• Superamento dei Limiti Parametrici: Elimina la necessità di assumere una distribuzione specifica (come la Beta) per la componente continua, rendendo il modello più robusto a deviazioni dalla normalità o asimmetrie complesse.
• Interpretazione Ricca: Permette ai ricercatori di comprendere non solo l'effetto medio delle covariate, ma come queste influenzino l'intera distribuzione della risposta, inclusi gli estremi, che sono spesso di interesse critico in applicazioni mediche e sociali.
• Estendibilità: La metodologia proposta può essere estesa naturalmente ad altri tipi di dati continui inflati (es. dati positivi su $[0, \infty)$), ampliando ulteriormente il suo potenziale applicativo.

In sintesi, il modello proposto fornisce uno strumento potente e flessibile per l'analisi di dati complessi con osservazioni ai confini, offrendo insights più profondi rispetto alle tecniche di regressione tradizionali.