Efficient Longitudinal Function-on-Function Regression

1. Probleemstelling

Het artikel adresseert de statistische uitdaging van het analyseren van longitudinale functionele data, waarbij zowel de uitkomst als de voorspellers functies zijn die over de tijd worden waargenomen.

• Context: Moderne studies (bijvoorbeeld de Ready Steady 3.0-studie) verzamelen hoogdimensionale draagbare data (fysieke activiteit op minuutniveau) over meerdere bezoeken en proefpersonen.
• Het Gat: Bestaande methoden voor longitudinale functionele regressie behandelen doorgaans ofwel scalar-op-functie of functie-op-scalar scenario's. Hoewel Functionele Additieve Gemengde Modellen (FAMM) theoretisch functie-op-functie regressie met longitudinale structuren kunnen hanteren, lijden ze aan ernstige rekenkundige beperkingen. Naarmate het aantal proefpersonen ($N$) en de dichtheid van functionele waarnemingen toenemen, wordt FAMM rekenkundig onuitvoerbaar (bijvoorbeeld het niet voltooien binnen een dag voor datasets met ~300 proefpersonen).
• Doel: Ontwikkeling van een methode die nauwkeurige schatting en geldige inferentie biedt voor longitudinale functie-op-functie regressie, terwijl deze efficiënt schaalt naar grote datasets.

2. Methodologie: Efficient Longitudinal Function-on-Function Regression (ELFFR)

De auteurs stellen een nieuw marginaal drie-stappenbenadering voor die het complexe gezamenlijke modelleerprobleem decomposeert in eenvoudigere, paralleliseerbare taken.

Stap 1: Puntnaamige Longitudinale Scalar-op-Functie Regressie

In plaats van een gezamenlijk model te fitten, past de methode een apart Longitudinal Penalized Functional Regression (LPFR) model toe op elk discreet tijdstip $s_l$ langs het functionele domein.

• Model: $Y_{ij}(s_l) = X_{ij}^T \beta(s_l) + Z_{ij}^T b_i(s_l) + \sum \int W_{ijk}(u)\gamma_k(s_l, u)du + \epsilon_{ij}(s_l)$.
• Mechanisme: Dit behandelt de functionele coëfficiënt $\gamma(s, u)$ als een reeks puntnaamige coëfficiënten. De toevallige effecten $b_i(s_l)$ vangen de correlatie binnen proefpersonen op elk specifiek tijdstip op.
• Voordeel: Deze modellen zijn onafhankelijk over tijdstippen, wat enorme parallelisatie mogelijk maakt.

Stap 2: Gladdening

De in Stap 1 verkregen puntnaamige schattingen zijn ruisig. De methode past gladdening toe om de continue functionele oppervlakken te reconstrueren.

• Scalar Coëfficiënten: $\hat{\beta}(s_l)$ worden geglad langs het functionele domein $S$ met behulp van gepenaliseerde splines (P-splines).
• Functionele Coëfficiënten: De geschatte oppervlakken $\hat{\gamma}_k(s, u)$ worden geglad langs het bivariate domein ($S \times U$) met behulp van een sandwich smoother.
• Richtlijn: De auteurs raden het gebruik van een klein aantal knopen (bijv. <10) op het domein van de voorspeller aan om stabiliteit te waarborgen en overfitting te voorkomen.

Stap 3: Inferentie (Betrouwbaarheidsbanden)

Er worden twee benaderingen geboden voor het construeren van betrouwbaarheidsbanden:

1. Analytische Benadering (Gaussische Data): Leidt een gesloten oplossing af voor de covariantie van de schatters. Deze houdt rekening met de correlatie tussen tijdstippen via een momentenmethode-schatter voor de covariantiestructuur van het toevallige effect $G(s_1, s_2)$. De uiteindelijke covariantie wordt berekend met behulp van tensorproducteigenschappen van de smoother-matrices.
2. Cluster Bootstrap (Algemeen): Een niet-parametrische bootstrap van studiedeelnemers (resampling van proefpersonen, niet van tijdstippen) wordt gebruikt voor zowel Gaussische als niet-Gaussische data om robuuste inferentie te waarborgen.

3. Belangrijkste Bijdragen

• Rekenkundige Efficiëntie: De primaire bijdrage is een methode die lineair (of bijna lineair) schaalt met het aantal proefpersonen, in tegenstelling tot de exponentiële schaling van gezamenlijke gemengde modellen. Deze maakt gebruik van parallel rekenen om duizenden puntnaamige modellen simultaan te fitten.
• Nieuwe Uitbreiding: Breidt de marginale benadering (voorheen gebruikt voor functie-op-scalar) uit naar de complexere functie-op-functie setting. Dit is niet triviaal omdat het het hanteren van bivariate gladdening en complexe covariantiestructuren voor functionele coëfficiënten vereist.
• Geldige Inferentie: Biedt een rigoureus inferentieel kader met analytische betrouwbaarheidsbanden voor Gaussische data en een flexibele bootstrap-procedure voor algemene gevallen, waardoor geldige dekkingkansen worden gewaarborgd.
• Software Implementatie: De methode is geïmplementeerd in een R-pakket (beschikbaar op GitHub), waardoor deze toegankelijk is voor onderzoekers.

4. Simulatie Resultaten

De auteurs hebben uitgebreide simulaties uitgevoerd waarbij ELFFR werd vergeleken met de standaard FAMM-benadering.

• Nauwkeurigheid: ELFFR bereikt schattingsnauwkeurigheid (gemeten door Mean Integrated Squared Error) die vergelijkbaar is met FAMM, met lichte verbeteringen bij grotere steekproefomvang.
• Inferentie: De methode bereikt een bijna nominale (95%) dekking voor betrouwbaarheidsbanden, met name bij grotere steekproefomvang en de analytische benadering.
• Snelheid: De rekenkundige winsten zijn dramatisch.
  • Bij $N=400$: ELFFR duurde ~5,4 minuten versus >68 minuten voor FAMM.
  • Bij $N=800$: ELFFR duurde ~35 minuten versus ~13,4 uur voor FAMM.
• Schaalbaarheid: De methode blijft haalbaar voor grote datasets waar FAMM niet convergeert binnen een redelijke tijdsbestek.

5. Toepassing: Ready Steady 3.0 (RS3) Studie

De methode werd toegepast op een interventiestudie voor fysieke activiteit met 294 ouderen, waarbij minuutniveaudata werd verzameld over 4 bezoeken.

• Data Structuur: Functionele uitkomst (PA gedurende de dag) en functionele voorspeller (basale PA gedurende de dag), aangepast voor scalar covariaten (leeftijd, geslacht, gebiedsontberingsindex).
• Belangrijkste Bevindingen:
  • Interpersoonlijke Interventies: Verhoogden fysieke activiteit significant specifiek tijdens de ochtenduren (9.00 – 14.00 uur). Dit effect werd niet waargenomen voor intrapersoonlijke strategieën.
  • Temporele Specificiteit: De analyse onthulde dat het interventie-effect geconcentreerd is in piekactiviteitsuren, een nuance die verloren gaat wanneer data wordt geaggregeerd tot dagtotalen.
  • Covariaten: Leeftijd toonde een significant negatief effect op PA in de late namiddag (16.00 – 19.00 uur), en de Area Deprivation Index (ADI) toonde een negatief effect in de late ochtend.
• Betekenis: De studie toont aan dat functionele regressie tijdspecifieke behandelingseffecten kan blootleggen die traditionele geaggregeerde analyses missen, en biedt bruikbare inzichten voor het ontwerpen van gedragsinterventies.

6. Betekenis en Toekomstige Richtingen

• Impact: Dit werk overbrugt de kloof tussen hoogdimensionale draagbare data en rigoureuze statistische modellering, waardoor onderzoekers complexe longitudinale functionele data kunnen analyseren zonder prohibitieve rekenkosten.
• Beperkingen & Toekomstig Werk:
  • De gevoeligheid voor gladheidsparameters (knopselectie) vereist verder onderzoek voor optimale geautomatiseerde selectie.
  • Analytische inferentie wordt rekenkundig zwaar naarmate de dichtheid van het functionele domein toeneemt (hoewel subsampling dit kan mitigeren).
  • Toekomstig onderzoek zou alternatieve puntnaamige fittingsmethoden kunnen verkennen, zoals Longitudinal Dynamic Functional Regression (LDFR).

Kortom, ELFFR is een schaalbare, nauwkeurige en praktische oplossing voor moderne analyse van longitudinale functionele data, succesvol toegepast om tijdspecifieke effecten bloot te leggen in een grootschalig proef voor fysieke activiteit.