Zero-Inflated Logistic Regression Models with Shared Design: Identifiability, Existence of Estimates, and a Relabeling Rule

Titolo: Modelli di Regressione Logistica Zero-Inflata con Design Condiviso: Identificabilità, Esistenza delle Stime e una Regola di Riclassificazione

Autori: Yui Tomo, Shinto Eguchi, Daisuke Yoneoka
Affiliazioni: Istituto Nazionale per la Sicurezza Sanitaria (Giappone) e Istituto di Matematica Statistica (Giappone).

1. Il Problema

I modelli di regressione logistica standard sono ampiamente utilizzati per risposte binarie, ma spesso falliscono quando i dati osservati presentano un eccesso di zeri (zero-inflazione). Questo fenomeno può derivare da una miscela latente di sottopopolazioni suscettibili e insuscettibili o da un'asimmetrica misclassificazione della risposta (es. mancata registrazione di un evento).

Per gestire questi casi, si utilizza il modello di regressione logistica zero-inflata (ZILR), che combina due componenti:

1. Una regressione logistica ordinaria per la probabilità di evento.
2. Una regressione logistica per la probabilità di essere in uno stato di "zero strutturale".

La sfida principale: In molte applicazioni pratiche, non si dispone di informazioni a priori per distinguere quali covariate appartengano a ciascuna componente. Di conseguenza, è comune utilizzare la stessa matrice di design (stesse covariate) per entrambi i componenti del modello. Tuttavia, questa specifica "design condiviso" introduce un problema teorico fondamentale: l'identificabilità. Poiché la verosimiglianza è invariante rispetto allo scambio dei vettori dei coefficienti delle due componenti ($\beta$ e $\gamma$), il modello non è identificabile come coppia ordinata, portando a modalità multiple simmetriche nella funzione di verosimiglianza e nell'inferenza bayesiana.

2. Metodologia e Approccio Teorico

Gli autori analizzano le proprietà teoriche del modello ZILR in condizioni di design condiviso e propongono metodi computazionali per affrontarne le sfide.

• Analisi della Misspecificazione: Viene dimostrato che ignorare la struttura zero-inflata e utilizzare un modello logistico standard porta a una distorsione severa. In particolare, se una covariata ha un effetto positivo sulla risposta ma negativo sullo stato di zero strutturale (o viceversa), il coefficiente stimato nel modello misspecificato può subire un cambio di segno rispetto al valore vero.
• Condizioni di Esistenza delle Stime: Viene introdotta una condizione di "doppia separazione" (analoga alla separazione dei dati nella regressione logistica standard) che garantisce la non-esistenza del massimo della verosimiglianza. Al contrario, viene definita una condizione di "doppia non-separazione $\epsilon$" che fornisce condizioni sufficienti per l'esistenza di un massimo della verosimiglianza.
• Identificabilità nel Design Condiviso: Il lavoro stabilisce che, sotto condizioni di regolarità (supporto continuo o misto delle covariate), il modello è identificabile a meno di una simmetria di scambio tra i vettori dei parametri $(\beta, \gamma)$. Ciò significa che l'insieme di equivalenza $[\beta, \gamma]$ è unico, anche se non si può distinguere quale vettore corrisponda alla componente ordinaria e quale a quella strutturale.
• Metodi Computazionali: Per esplorare la distribuzione a posteriori e gestire la multimodalità (bimodalità) causata dalla simmetria, viene utilizzato un campionatore di Gibbs basato sull'augmentazione di Polya-Gamma, integrato con una tecnica di Replica Exchange (scambio di repliche) per evitare che la catena di Markov rimanga intrappolata in un singolo modo.
• Regola di Riclassificazione: Viene proposta una semplice regola euristica per selezionare una singola coppia ordinata di parametri: si confrontano le due soluzioni simmetriche con la stima ottenuta da un modello logistico ordinario (ignorando lo zero-inflazione) e si sceglie la coppia il cui primo componente è più vicino a tale stima.

3. Risultati Chiave

• Teorema del Cambio di Segno: È stato provato teoricamente che, in presenza di zero-inflazione non modellata, il coefficiente "pseudo-vero" di un modello logistico standard può avere il segno opposto al coefficiente vero, specialmente quando l'associazione negativa nello stato di zero strutturale è forte.
• Identificabilità Quoziente: È stato dimostrato che, nel caso di design condiviso, la verosimiglianza attesa ha un massimizzatore unico sullo spazio quoziente $(\mathbb{R}^d \times \mathbb{R}^d) / \sim$, dove $\sim$ rappresenta la relazione di equivalenza di scambio.
• Simulazioni Numeriche:
  • Gli esperimenti di simulazione mostrano una chiara bimodalità nella distribuzione a posteriori quando le covariate sono continue o miste, confermando la simmetria teorica.
  • Nel caso di covariate puramente binarie, la separazione dei modi è meno evidente, suggerendo una mancanza di identificabilità garantita in tali configurazioni.
  • La regola di riclassificazione proposta si è dimostrata efficace nel selezionare la soluzione corretta, riducendo il bias e la variabilità rispetto all'approccio "naive" (che non riclassifica) e superando le prestazioni del modello logistico standard in termini di accuratezza dei parametri, specialmente per la componente strutturale.
• Applicazione Reale: L'approccio è stato applicato ai dati NHANES (2017-2018) sul diabete auto-dichiarato. L'analisi ha evidenziato la presenza di due soluzioni simmetriche con verosimiglianza identica. L'applicazione della regola di riclassificazione ha permesso di selezionare una soluzione interpretabile coerente con le aspettative cliniche e la stima logistica standard.

4. Significato e Contributi

1. Chiarimento Teorico: Il lavoro risolve l'ambiguità teorica sull'identificabilità dei modelli ZILR con design condiviso, dimostrando che la non-identificabilità non è caotica ma strutturata (simmetria di scambio).
2. Avvertenza Pratica: Fornisce un avvertimento formale contro l'uso di modelli logistici standard su dati zero-inflati, dimostrando matematicamente il rischio di interpretazioni errate (cambio di segno dei coefficienti).
3. Soluzione Computazionale: L'uso di replica exchange con Gibbs sampling Polya-Gamma offre un metodo robusto per esplorare spazi parametrici multimodali, superando i limiti dei campionatori a catena singola.
4. Guida Applicativa: La proposta di una regola di riclassificazione semplice e riproducibile permette agli analisti di ottenere stime ordinate utilizzabili per l'interpretazione, anche in assenza di informazioni esterne per distinguere le componenti.

In sintesi, questo studio fornisce le fondamenta teoriche e gli strumenti pratici necessari per applicare correttamente i modelli di regressione logistica zero-inflata in scenari comuni dove le covariate sono condivise, trasformando un problema di non-identificabilità in una sfida gestibile attraverso l'analisi dello spazio quoziente e regole di selezione pragmatiche.