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

Titolo: ProfileGLMM: un pacchetto R che estende la regressione di profilo bayesiana utilizzando Modelli Lineari Generalizzati Misti (GLMM)

1. Il Problema

La regressione di profilo bayesiana è un potente framework statistico progettato per modellare una variabile di risposta ($y$) decomponendo i covariati esplicativi in due gruppi: covariati di regressione convenzionali ($x$) e covariati di clustering ($u$), quest'ultimi caratterizzati da forte interdipendenza (es. esposizioni ambientali correlate o risposte a questionari dettagliati). L'inclusione diretta di $u$ in un modello di regressione standard è spesso statisticamente subottimale a causa di queste correlazioni.

Tuttavia, le implementazioni esistenti della regressione di profilo bayesiana (come il pacchetto R PReMiuM) presentano due limitazioni critiche:

1. Struttura dei dati: Sono state applicate principalmente a dati trasversali. Sebbene esistano estensioni per dati longitudinali continui, queste mancano della flessibilità necessaria per modellare strutture gerarchiche generali (es. dati ripetuti su soggetti diversi) e non gestiscono adeguatamente l'eterogeneità non osservata o la correlazione intra-soggetto.
2. Interazioni: Non permettono di studiare le interazioni tra i cluster latenti (derivati dai covariati $u$) e altre covariate osservabili.

Il problema centrale è quindi la necessità di un framework unificato che possa gestire dati complessi (longitudinali, gerarchici) mantenendo la capacità di clustering non parametrico e permettendo interazioni flessibili tra cluster e covariate.

2. Metodologia

Il pacchetto ProfileGLMM risolve queste limitazioni integrando i Modelli Lineari Generalizzati Misti (GLMM) all'interno del framework della regressione di profilo bayesiana.

• Modello Statistico:

  • Il modello assume una distribuzione congiunta mista per la risposta $y_i$ e i covariati di clustering $u_i$, condizionata dai covariati di regressione $x_i$.
  • La distribuzione di assegnazione (clustering) $f_u(u_i|\theta^u_c)$ gestisce covariati sia continui (Gaussiane multivariate) che categoriali (Multinomiali).
  • La distribuzione di risposta $f_y(y_i|\theta^y_c, x_i, u_i, \alpha)$ utilizza un GLMM. Questo è l'elemento innovativo: permette alla distribuzione della risposta di dipendere non solo dai parametri specifici del cluster, ma anche dai covariati di clustering stessi ($u_i$).
  • Componenti del GLMM: Il modello include:
    • Effetti fissi ($\beta$): covariate standard.
    • Effetti casuali ($\eta$): gestiscono la struttura gerarchica (es. misure ripetute su individui).
    • Interazioni con i cluster ($\gamma_c$): parametri specifici per ogni cluster latente che interagiscono con le covariate.
  • Sono supportati outcome continui (Modello Lineare Misto) e binari (Modello Probit Misto).

• Inferenza Bayesiana:

  • Utilizza un processo di Dirichlet troncato per gestire l'infinito numero potenziale di cluster, rendendo lo spazio degli stati gestibile computazionalmente.
  • L'inferenza avviene tramite un campionatore di Gibbs (MCMC) che campiona dalla distribuzione a posteriori dei parametri.
  • Per risolvere il problema dello "scambio di etichette" (label switching) tipico delle miscele, viene utilizzata una matrice di dissimilarità media per derivare un clustering rappresentativo ($Z^*$) dopo il campionamento.

3. Contributi Chiave

Il pacchetto ProfileGLMM introduce diverse innovazioni significative rispetto alle implementazioni precedenti:

1. Integrazione GLMM: È la prima estensione che incorpora effetti casuali nella regressione di profilo, permettendo l'analisi di dati gerarchici e longitudinali con corrette inferenze statistiche.
2. Interazioni Cluster-Covariate: Permette di modellare esplicitamente come i cluster latenti interagiscono con altre covariate osservabili, superando la limitazione dei modelli precedenti che trattavano i cluster come offset fissi.
3. Flessibilità nei Dati: Supporta outcome continui e binari, e covariati di clustering sia continui che categoriali (o misti).
4. Efficienza Computazionale: L'implementazione in R (con core critico in Rcpp) garantisce tempi di esecuzione competitivi rispetto ai pacchetti esistenti come PReMiuM.
5. Nuove Applicazioni Metodologiche: Abilita l'uso della regressione di profilo per adattamenti lineari "a tratti" (piecewise linear fit), trattando una covariata continua sia come variabile di clustering che come variabile di interazione.

4. Risultati ed Evidenze

Il documento presenta due esempi principali per validare il metodo:

• Dati Esosoma Longitudinali Simulati:
  • Un dataset simulato di 1500 individui con 4500 osservazioni (3 onde temporali) è stato utilizzato per valutare l'impatto di esposizioni ambientali su un esito di salute.
  • Il modello ha correttamente identificato 9 cluster latenti corrispondenti alle combinazioni di esposizione, recuperando con precisione i coefficienti degli effetti fissi e le interazioni specifiche per cluster.
  • La visualizzazione dei risultati ha mostrato una forte corrispondenza tra i centroidi dei cluster stimati e quelli veri.
• Adattamento Lineare a Tratti (Piecewise Linear Fit):
  • Un dataset unidimensionale è stato utilizzato per dimostrare la capacità del modello di segmentare non parametricamente i dati e stimare trend lineari locali distinti.
  • Il modello ha identificato con successo 6 dinamiche locali distinte, ricostruendo accuratamente il segnale sottostante "a tratti" senza bisogno di specificare a priori i punti di rottura.

Performance Computazionali:
Un benchmark ha confrontato ProfileGLMM con PReMiuM su dataset di dimensioni crescenti (da 1.200 a 12.000 osservazioni). I risultati mostrano che ProfileGLMM è significativamente più veloce (es. 485s contro 1031s per 12.000 osservazioni), confermando un'efficienza computazionale superiore pur mantenendo la complessità di ordine simile.

5. Significato e Impatto

Il pacchetto ProfileGLMM rappresenta un avanzamento sostanziale per la statistica applicata in campi come l'epidemiologia, le scienze sociali e gli studi clinici, dove i dati sono spesso complessi, gerarchici e caratterizzati da forti correlazioni tra variabili.

• Utilità Pratica: Fornisce agli ricercatori uno strumento flessibile per analizzare dati che prima richiedevano approcci sequenziali o modelli semplificati, permettendo di catturare eterogeneità non osservata e strutture di correlazione complesse.
• Accessibilità: Essendo disponibile su CRAN e richiedendo un numero minimo di parametri obbligatori, rende la regressione di profilo avanzata accessibile a un pubblico più ampio di statistici e ricercatori.
• Futuro: Il framework apre la strada a future estensioni, come la selezione automatica delle variabili di clustering e l'analisi di dati di sopravvivenza (time-to-event), consolidando la regressione di profilo come un metodo standard per l'analisi di dati complessi multivariati.