Bias Correction for Scalar-on-Density Regression Models

Sintesi Tecnica: Correzione del Bias per Modelli di Regressione Scalar-on-Density

Definizione del Problema
I modelli di regressione scalar-on-function (SoFR) modellano la relazione tra un esito scalare e un predittore funzionale. Una specifica estensione, la regressione scalar-on-density, sorge quando il predittore funzionale non è una curva smooth osservata direttamente, ma una densità di probabilità stimata da un numero finito di misurazioni per unità osservazionale. Esempi includono la previsione di punteggi di disabilità dalla distribuzione delle intensità dell'attività fisica misurate da wearable o la previsione delle rese agricole dalla distribuzione della temperatura.

In questo contesto, la densità per ogni soggetto deve essere stimata da un campione finito ($m$ misurazioni). Quando $m$ è relativamente piccolo, la stima della densità introduce incertezza. Il documento dimostra che questa incertezza induce un bias di attenuazione nella funzione di coefficiente stimata, restringendola verso lo zero. Questo bias diminuisce monotonicamente all'aumentare del numero di misurazioni per unità, ma non svanisce a meno che $m \to \infty$. Gli approcci standard che trattano la densità stimata come una covariata funzionale nota non riescono a tenere conto di questo errore di stima del campione finito, portando a un'inferenza distorta.

Metodologia
Gli autori propongono una procedura di Simulation Extrapolation (SIMEX) adattata specificamente al contesto scalar-on-density. A differenza delle tradizionali applicazioni SIMEX nella regressione funzionale, che assumono un rumore gaussiano additivo nelle covariate, l'errore in questo contesto è inerente al processo di stima della densità stesso.

L'algoritmo proposto procede come segue:

1. Trasformazione: Per gestire lo spazio non lineare delle funzioni di densità, gli autori applicano la trasformazione Log-Quantile Density (LQD). Questa mappa la densità stimata $f_i$ in uno spazio di Hilbert di funzioni integrabili al quadrato, permettendo l'uso di modelli di regressione funzionale lineare standard.
2. Bootstrap Resampling: Invece di aggiungere rumore artificiale, il metodo controlla il livello di errore effettivo generando sottocampioni bootstrap di dimensione $m_0$ (dove $m_0 < m$) dalle $m$ misurazioni originali per ogni unità.
3. Sequenza di Stima: Per una griglia di dimensioni di sottocampione $m_0$, la densità viene riestimata, trasformata tramite LQD e il modello di regressione viene rinfittito. Questo processo è ripetuto $B$ volte per ogni $m_0$ per ottenere le medie delle funzioni di coefficiente $\bar{\hat{\beta}}_{m_0}(\cdot)$.
4. Estrapolazione: La relazione tra le medie delle stime e la dimensione del sottocampione viene modellata. Gli autori definiscono una trasformazione $\lambda = 1/\sqrt{m_0}$ per rappresentare il livello di errore inverso. La sequenza di stime viene estrapolata a $\lambda = 0$ (corrispondente a $m_0 \to \infty$) utilizzando uno spline prodotto tensoriale non lineare. Il valore della superficie smussata al punto $\lambda = 0$ fornisce la stima SIMEX corretta dal bias.

Contributi Chiave

• Identificazione della Fonte del Bias: Il documento stabilisce che il bias di attenuazione nella regressione scalar-on-density è una conseguenza diretta dei conteggi finiti delle misurazioni utilizzati per la stima della densità, distinguendosi dai modelli di errore di misura additivo.
• Adattamento Metodologico: Adatta il framework SIMEX a un contesto in cui l'errore non è additivo ma intrinseco alla procedura di stima, utilizzando il bootstrap subsampling per simulare livelli variabili di precisione della misura.
• Validazione Teorica ed Empirica: Gli autori dimostrano che il bias diminuisce monotonicamente con l'aumento delle misurazioni per unità e forniscono un metodo di correzione pratico che estrapola verso il limite ideale di misurazioni infinite.

Risultati della Simulazione
È stata condotta una completa analisi di simulazione attraverso diverse dimensioni campionarie ($N \in \{50, 100, 200\}$) e livelli di rumore ($\sigma \in \{0.01, 0.05\}$).

• Riduzione del Bias: Le stime estrapolate tramite SIMEX hanno costantemente ottenuto un bias inferiore rispetto alle stime naive basate sull'intero set di misurazioni. Il metodo di estrapolazione non lineare ha generalmente superato le alternative lineari e quadratiche, catturando meglio la curvatura della relazione del bias.
• Mean Integrated Squared Error (MISE): Nella maggior parte degli scenari, la riduzione del bias quadratico ha superato l'aumento della varianza introdotto dal bootstrap e dall'estrapolazione, risultando in un MISE complessivo inferiore per lo stimatore SIMEX rispetto allo stimatore naive.
• Cautela: In scenari con dimensioni campionarie molto piccole ($N=50$) e alto rumore, l'aumento della varianza dovuto a SIMEX è stato sufficientemente sostanziale da produrre un MISE superiore rispetto allo stimatore naive, nonostante una chiara riduzione del bias. Ciò evidenzia un trade-off bias-varianza intrinseco al metodo.

Applicazione ai Dati NHANES
Il metodo è stato applicato ai dati del National Health and Nutrition Examination Survey (NHANES) 2011–2014 per modellare l'associazione tra i profili di attività fisica di 24 ore e la mortalità per tutte le cause.

• Dati: Sono stati utilizzati conteggi di attività minuto per minuto per 3.676 partecipanti per stimare le distribuzioni di densità dell'attività.
• Risultati: Lo stimatore naive (utilizzando tutti i 1.440 minuti per soggetto) ha mostrato una funzione di coefficiente attenuata. La correzione SIMEX ha spostato la stima in una direzione coerente con i risultati della simulazione, suggerendo che, anche con un gran numero di misurazioni per soggetto, il bias da misurazione finita persiste e può essere corretto.

Significatività e Rivendicazioni
Il documento sostiene che la procedura SIMEX proposta è uno strumento robusto per correggere il bias di attenuazione nella regressione scalar-on-density senza richiedere la conoscenza dello specifico stimatore di densità utilizzato (ad esempio, spline di smoothing o kernel density). Gli autori sottolineano che il loro metodo mira al bias indotto specificamente dalla stima con misurazioni finite, distinguendosi dalle tecniche di pre-smoothing che si limitano a scambiare bias per varianza.

Gli autori mantengono un tono modesto riguardo ai limiti del metodo, riconoscendo che la correzione del bias avviene a scapito di un aumento della varianza. Concludono che, sebbene il metodo sia efficace nel ridurre il bias e migliorare il MISE in molti contesti, gli utenti devono essere consapevoli del trade-off bias-varianza, in particolare in scenari con campioni piccoli o alto rumore. Il metodo è presentato come una soluzione pratica per migliorare la validità dell'inferenza nell'analisi dei dati funzionali dove i predittori sono derivati da misurazioni finite.