BAMIFun: Bayesian Multiple Imputation for Functional Data

Sintesi Tecnica di BAMIFun: Imputazione Multipla Bayesiana per Dati Funzionali

Enunciato del Problema
I moderni dataset funzionali sono frequentemente caratterizzati da osservazioni sparse e irregolari, dove le traiettorie non sono completamente osservate su un continuum (ad esempio, tempo o spazio). Sebbene l'Analisi delle Componenti Principali Funzionali (FPCA) sia uno strumento standard per la ricostruzione di curve incomplete, gli approcci esistenti—nello specifico il framework "PACE" (Principal Components Analysis through Conditional Expectation)—si basano tipicamente sull'imputazione singola. Ciò tratta le traiettorie ricostruite come verità note, fallendo nel quantificare l'incertezza intrinseca nel processo di imputazione. Di conseguenza, le inferenze statistiche a valle (ad esempio, i coefficienti di regressione) soffrono spesso di intervalli di confidenza eccessivamente ottimistici e di tassi di copertura scadenti, specialmente in presenza di dati mancanti gravi. Inoltre, i metodi esistenti di imputazione multipla per dati funzionali richiedono spesso esiti scalari ausiliari o covariate, e nessuno affronta attualmente le sfide specifiche dei dati funzionali multiway (dati tensoriali in cui una modalità è un continuum) senza imporre vincoli di regolarità.

Metodologia
Gli autori propongono BAMIFun, un framework di imputazione multipla bayesiana progettato sia per dati funzionali a singolo livello che multiway. La metodologia si basa su tre componenti fondamentali:

1. Framework di Modellazione:

   • Dati a Singolo Livello: Il metodo impiega un modello bayesiano a rango basso in cui la matrice di dati funzionali $X$ è approssimata come $X \approx VU^T + E$. Crucialmente, le autofunzioni $U$ sono rappresentate tramite basi di spline penalizzate ($U^T = B\Theta$). Un termine di penalità sulla seconda derivata delle autofunzioni è incorporato nella log-verosimiglianza, il che equivale a porre un prior normale multivariato sui coefficienti delle spline $B$. Ciò impone la regolarità delle traiettorie quantificando simultaneamente l'incertezza nelle autofunzioni e nei punteggi.
   • Dati Multiway: Il framework si estende ai dati tensoriali ($N \times J \times K$) utilizzando un modello di Scomposizione in Valori Singolari del Tensore Funzionale (FTSVD). Questo modello decompone il tensore in una somma di componenti di rango uno che coinvolgono vettori di soggetti, vettori di caratteristiche/visite e curve funzionali regolari. A differenza della FPCA multilivello (MFPCA) che utilizza effetti misti additivi, l'FTSVD utilizza una fattorizzazione di tipo CP moltiplicativa adatta a strutture tensoriali coerenti.

2. Algoritmo di Inferenza:

   • Gli autori derivano un efficiente campionatore di Gibbs per il calcolo della distribuzione a posteriori. L'algoritmo campiona iterativamente i punteggi delle componenti principali ($V$), i coefficienti delle spline ($B$), la varianza dell'errore ($\sigma^2$) e i parametri di regolarizzazione ($\sigma^2_B$) dalle loro distribuzioni condizionali complete.
   • I valori mancanti vengono imputati campionando dalla distribuzione predittiva a posteriori (Gaussiana con media uguale alla traiettoria ricostruita e varianza uguale alla varianza dell'errore) ad ogni iterazione.
   • Viene proposta una procedura di validazione incrociata per selezionare il numero di componenti principali ($R$) e il parametro di regolarizzazione, sebbene gli autori notino che la stima del parametro di regolarizzazione all'interno del framework bayesiano produca prestazioni comparabili con un costo computazionale inferiore.

3. Inferenza a Valle:

   • Il framework genera $S$ dataset completati. Per le analisi a valle (ad esempio, Regressione Scalare-su-Funzione), le stime puntuali vengono aggregate e la varianza è calcolata utilizzando le regole di Rubin, che combinano le varianze intra-imputazione e inter-imputazione per produrre intervalli di confidenza validi che tengono conto dell'incertezza dell'imputazione.

Contributi Chiave

• Framework Innovativo: BAMIFun è presentato come la prima procedura di imputazione multipla specificamente progettata per dati funzionali multiway che incorpora vincoli di regolarità tramite spline penalizzate.
• Quantificazione dell'Incertezza: A differenza dei metodi FPCA a imputazione singola, BAMIFun modella esplicitamente l'incertezza dell'imputazione, portando a inferenze statistiche valide nelle analisi a valle.
• Efficienza Algoritmica: Lo sviluppo di un campionatore di Gibbs che integra spline penalizzate all'interno di una decomposizione tensoriale a rango basso permette di gestire griglie sparse e irregolari senza richiedere dati scalari ausiliari.
• Disponibilità del Software: Gli autori forniscono un'implementazione open-source all'indirizzo https://github.com/ZirenJiang/BAMIFun.

Risultati
Il documento valuta BAMIFun attraverso studi di simulazione estesi e due studi di caso reali:

• Simulazioni a Singolo Livello: Rispetto all'approccio PACE e all'algoritmo basato su tensori BAMITA (che manca di vincoli di regolarità), BAMIFun ha raggiunto un'accuratezza di imputazione comparabile a PACE. Tuttavia, BAMIFun ha dimostrato tassi di copertura sostanzialmente migliorati (vicini al livello nominale del 95%) per gli intervalli di confidenza, mentre PACE ha mostrato una sottocopertura significativa. BAMIFun ha inoltre superato BAMITA in accuratezza grazie all'imposizione della regolarità.
• Simulazioni Multiway: In contesti con strutture a rango basso, BAMIFun ha superato l'approccio frequentista MFPCA (PACE) sia in accuratezza che in copertura. In contesti non a rango basso, BAMIFun ha mostrato un Errore Quadratico Medio (MSE) leggermente superiore rispetto a PACE, ma ha mantenuto tassi di copertura robusti e vicini al nominale, evidenziando la sua affidabilità attraverso diverse strutture di dati.
• Studi di Caso:
  • NHANES (Attività Fisica): In presenza di dati mancanti gravi (fino al 97,5%), BAMIFun ha mantenuto una copertura vicina al 92–94%, mentre il metodo PACE basato su FPCA è sceso fino a 53–71%.
  • Microbioma Intestinale Infantile: In un dataset con il 91,1% di dati mancanti, BAMIFun ha costantemente superato BAMITA sia in MSE che in copertura, gestendo con successo la complessa struttura multiway dove i metodi MFPCA standard non erano applicabili.

Significato e Affermazioni
Gli autori affermano che BAMIFun colma lacune metodologiche critiche nell'analisi di dati funzionali sparsi. Superando l'imputazione singola, il metodo previene le inferenze "eccessivamente ottimistiche" che affliggono gli attuali approcci basati su FPCA. Il documento sottolinea che, sebbene l'accuratezza dell'imputazione (MSE) sia spesso comparabile ai metodi frequentisti esistenti, il vantaggio principale risiede nella validità dell'inferenza a valle. La capacità di gestire dati funzionali multiway senza variabili ausiliarie e di fornire una corretta quantificazione dell'incertezza rende BAMIFun uno strumento robusto per applicazioni moderne che coinvolgono dispositivi indossabili, genomica e neuroimaging, dove i dati sono intrinsecamente sparsi e ad alta dimensionalità. Gli autori notano modestamente che le prestazioni dipendono dalla scelta della base di spline e suggeriscono che lavori futuri potrebbero esplorare parametrizzazioni alternative, come quelle sulla varietà di Stiefel.