PCA score regression: the art of losing power

Riepilogo Tecnico: Regressione dei Punteggi PCA: L'Arte di Perdere Potenza

Enunciato del Problema
Il lavoro affronta un problema metodologico pervasivo nell'analisi di dati funzionali: la regressione dei punteggi principali specifici del soggetto (RPCS) su covariate scalari. Questo approccio a due fasi—prima eseguire un'Analisi delle Componenti Principali (PCA) o una Decomposizione ai Valori Singoli (SVD) per estrarre i punteggi, poi regressare tali punteggi sulle covariate—è ampiamente utilizzato in campi che vanno dalla genomica e neuroimaging al monitoraggio dell'attività fisica. Gli autori sostengono che, sebbene RPCS sia computazionalmente comodo, è statisticamente equivalente all'adattamento di un modello specificato in modo errato. Questa specificazione errata porta a una perdita severa, spesso non riconosciuta, di potenza statistica, a tassi di errore di Tipo I inflazionati quando la molteplicità viene ignorata e a inferenze non valide riguardo ai veri effetti funzionali.

Metodologia
Gli autori stabiliscono un rigoroso quadro teorico confrontando due approcci:

1. Regressione da Funzione a Scalare (FoSR): Un modello correttamente specificato in cui l'esito funzionale $W_i(s)$ è modellato direttamente come funzione di covariate scalari $X_i$ ed effetti casuali:
   $$W_i(s) = \beta_0(s) + \sum_{q=1}^Q X_{iq}\beta_q(s) + \sum_{l=1}^{L_{true}} \xi_{il}\phi_l(s) + \epsilon_i(s)$$
   Qui, $\beta_q(s)$ rappresenta le funzioni di effetto fisso di interesse, e l'inferenza è condotta direttamente su queste funzioni.

2. RPCS (Modello Specificato in Modo Errato): La procedura standard a due fasi in cui la PCA viene prima applicata alla matrice dei dati $W$ ignorando le covariate per estrarre i punteggi $\xi^M_{il}$ basati sulle autofunzioni stimate $\phi^M_l(s)$. Questi punteggi sono poi regressati sulle covariate:
   $$\xi^M_{il} = b_{0l} + \sum_{q=1}^Q b_{ql}X_{iq} + e_{il}$$

Il contributo teorico centrale è il Teorema 1, che dimostra come il coefficiente di regressione $b_{ql}$ nel quadro RPCS non sia il vero effetto $\beta_q(s)$, bensì il prodotto interno (proiezione) del vero effetto sulle autofunzioni stimate:
$$b_{ql} = \int_S \beta_q(s)\phi^M_l(s) ds$$

Contributi Chiave e Risultati Teorici
Il lavoro fornisce cinque intuizioni principali sulle limitazioni di RPCS:

• Perdita di Potenza tramite Ortogonalità: La potenza di RPCS nel rilevare un'associazione dipende interamente dalla correlazione tra il vero effetto $\beta_q(s)$ e le autofunzioni stimate $\phi^M_l(s)$. Se il vero effetto è ortogonale alle componenti principali dominanti (cioè, l'integrale sopra è zero), RPCS ha potenza zero per rilevare l'effetto, indipendentemente dalla sua grandezza.
• Diluizione del Segnale: Anche quando non perfettamente ortogonale, RPCS sostituisce un singolo test per la vera funzione $\beta_q(s) = 0$ con $L_{miss}$ test per segnali proiettati più piccoli ($b_{ql}$). Questa frammentazione del segnale riduce intrinsecamente la potenza statistica rispetto alla modellazione diretta in FoSR.
• Molteplicità e Inflazione: Il test di più coefficienti $b_{ql}$ introduce un problema di molteplicità. Se non corretto, ciò porta a livelli $\alpha$ inflazionati. Se corretto (ad esempio, tramite Bonferroni), la potenza viene ulteriormente ridotta.
• Problemi di Interpretabilità: I coefficienti $b_{ql}$ sono difficili da interpretare nello spazio dei dati originali. La ricostruzione dell'effetto funzionale $\hat{\beta}_q(s)$ dalle sole PC significative può produrre forme fondamentalmente diverse a seconda di quali PC vengono selezionate, portando a interpretazioni biologiche distorte o ambigue.
• Validità dell'Inferenza: I metodi RPCS attuali non forniscono inferenze valide per il vero effetto $\beta_q(s)$ perché l'ipotesi che viene testata ($b_{ql}=0$) è distinta dall'ipotesi scientifica di interesse ($\beta_q(s)=0$).

Risultati Empirici
Gli autori validano questi risultati teorici attraverso estese simulazioni e un'applicazione su dati reali:

• Simulazioni: In scenari in cui il vero effetto è ortogonale o solo parzialmente correlato alle componenti principali, la potenza di RPCS scende al livello della dimensione del test (nessun rilevamento), mentre FoSR mantiene un'alta potenza. Le simulazioni confermano che la perdita di potenza è una funzione diretta della correlazione tra il vero effetto e le PC.
• Applicazione NHANES: Utilizzando dati di accelerometria a livello di minuto dal National Health and Nutrition Examination Survey (2011–2014), gli autori hanno analizzato l'effetto dell'età sull'attività fisica.
  • Risultati RPCS: Non sono riusciti a rilevare un effetto dell'età statisticamente significativo attraverso le prime quattro componenti principali (valori p > 0.05), portando alla conclusione che l'età non ha effetto sui modelli di attività nel gruppo di età 56–62 anni.
  • Risultati FoSR: Hanno rilevato un effetto negativo significativo dell'età sull'attività specificamente durante le prime ore del mattino (4:00 – 7:00) e i periodi serali, con valori p < 0.001.
  • Fallimento della Ricostruzione: Gli autori hanno dimostrato che il tentativo di ricostruire l'effetto dell'età dai punteggi RPCS significativi ha prodotto un risultato che non corrispondeva alla stima FoSR, evidenziando l'incapacità di RPCS di recuperare la vera forma funzionale.

Significato e Affermazioni
Il lavoro afferma che la pipeline "PCA-poi-regressione", sebbene popolare per la sua semplicità, è fondamentalmente difettosa per il test di ipotesi e la stima degli effetti in contesti di dati funzionali. Gli autori affermano che:

1. RPCS è statisticamente equivalente all'adattamento di un modello specificato in modo errato, portando a una perdita sistematica di potenza che viene spesso trascurata.
2. Il metodo può produrre falsi negativi, in particolare quando il vero segnale è piccolo-moderato o non perfettamente allineato con le direzioni di massima varianza nei dati.
3. Il problema non è limitato ai dati funzionali ma si estende a qualsiasi analisi di esiti ad alta dimensionalità (ad esempio, genomica, imaging) in cui i punteggi degli autovettori sono regressi su covariate.
4. La Regressione da Funzione a Scalare (FoSR) offre un'alternativa robusta che evita queste insidie modellando direttamente la media condizionata dell'esito funzionale, fornendo inferenze valide e una potenza superiore.

Gli autori concludono che la comodità di RPCS comporta un costo significativo per la potenza statistica, la ricostruzione del segnale e la validità dell'inferenza scientifica, esortando un passaggio verso approcci di modellazione funzionale diretta come FoSR.