BAMIFun: Bayesian Multiple Imputation for Functional Data

Technische Samenvatting van BAMIFun: Bayesiaanse Meervoudige Imputatie voor Functionele Data

Probleemstelling
Moderne functionele datasets worden vaak gekenmerkt door schaarse en onregelmatige observaties, waarbij trajecten niet volledig worden waargenomen over een continuüm (bijvoorbeeld tijd of ruimte). Hoewel Functionele Hoofdcomponentenanalyse (FPCA) een standaardinstrument is voor het reconstrueren van onvolledige curves, vertrouwen bestaande aanpakken – specifiek het "PACE"-raamwerk (Principal Components Analysis through Conditional Expectation) – doorgaans op enkele imputatie. Dit behandelt gereconstrueerde trajecten als bekende waarheden, waardoor de onzekerheid die inherent is aan het imputatieproces niet wordt gekwantificeerd. Bijgevolg lijden downstream statistische inferenties (bijvoorbeeld regressiecoëfficiënten) vaak aan te optimistische betrouwbaarheidsintervallen en slechte dekkingpercentages, met name bij ernstige ontbrekende waarden. Bovendien vereisen bestaande methoden voor meervoudige imputatie van functionele data vaak hulpvariabelen of scalair uitkomsten, en adresseert geen enkele methode momenteel de specifieke uitdagingen van multiway functionele data (tensordata waarbij één modus een continuüm is) zonder gladheidsbeperkingen op te leggen.

Methodologie
De auteurs stellen BAMIFun voor, een Bayesiaans raamwerk voor meervoudige imputatie dat is ontworpen voor zowel enkelvoudige als multiway functionele data. De methodologie is gebaseerd op drie kerncomponenten:

1. Modelleerframework:

   • Enkelvoudige Data: De methode maakt gebruik van een Bayesiaans laag-rang model waarbij de matrix van functionele data $X$ wordt benaderd als $X \approx VU^T + E$. Cruciaal zijn de eigenfuncties $U$ weergegeven via gepenaliseerde spline-basisfuncties ($U^T = B\Theta$). Een penalisatieterm op de tweede afgeleide van de eigenfuncties wordt opgenomen in de log-likelihood, wat equivalent is aan het plaatsen van een multivariate normale prior op de spline-coëfficiënten $B$. Dit dwingt gladheid van trajecten af terwijl gelijktijdig onzekerheid in de eigenfuncties en scores wordt gekwantificeerd.
   • Multiway Data: Het framework wordt uitgebreid naar tensordata ($N \times J \times K$) met behulp van een Functional Tensor Singular Value Decomposition (FTSVD) model. Dit model decomposeert de tensor in een som van rang-één componenten die subjectvectoren, kenmerk/bezoekvectoren en gladde functionele curves omvatten. In tegenstelling tot de multilevel FPCA (MFPCA) die additieve gemengde effecten gebruikt, maakt FTSVD gebruik van een multiplicatieve CP-achtige factorisatie die geschikt is voor coherente tensorstructuren.

2. Inferentie-algoritme:

   • De auteurs leiden een efficiënte Gibbs-sampler af voor posterieure berekening. Het algoritme sampleert iteratief de hoofdcomponent-scores ($V$), spline-coëfficiënten ($B$), foutvariantie ($\sigma^2$) en gladheidsparameters ($\sigma^2_B$) uit hun volledige conditionele verdelingen.
   • Ontbrekende waarden worden geïmputeerd door te trekken uit de posterieure predictieve verdeling (Gaussisch met een gemiddelde gelijk aan de gereconstrueerde traject en variantie gelijk aan de foutvariantie) bij elke iteratie.
   • Een cross-validatieprocedure wordt voorgesteld om het aantal hoofdcomponenten ($R$) en de gladheidsparameter te selecteren, hoewel de auteurs opmerken dat het schatten van de gladheidsparameter binnen het Bayesiaanse framework vergelijkbare prestaties oplevert met lagere rekenkosten.

3. Downstream Inferentie:

   • Het framework genereert $S$ voltooide datasets. Voor downstream analyses (bijvoorbeeld Scalar-on-Function Regression) worden puntenschattingen gepoold en wordt de variantie berekend met Rubins regels, die varianties binnen-imputatie en tussen-imputatie combineren om geldige betrouwbaarheidsintervallen te produceren die rekening houden met imputatieonzekerheid.

Belangrijkste Bijdragen

• Nieuw Framework: BAMIFun wordt gepresenteerd als de eerste procedure voor meervoudige imputatie die specifiek is ontworpen voor multiway functionele data en gladheidsbeperkingen integreert via gepenaliseerde splines.
• Kwantificering van Onzekerheid: In tegenstelling tot enkele-imputatie FPCA-methoden, modelleert BAMIFun expliciet imputatieonzekerheid, wat leidt tot geldige statistische inferentie in downstream analyses.
• Algoritmische Efficiëntie: De ontwikkeling van een Gibbs-sampler die gepenaliseerde splines integreert binnen een laag-rang tensor-decompositie maakt het mogelijk om om te gaan met schaarse en onregelmatige roosters zonder hulpvariabelen te vereisen.
• Beschikbaarheid van Software: De auteurs bieden een open-source implementatie aan op https://github.com/ZirenJiang/BAMIFun.

Resultaten
Het artikel evalueert BAMIFun via uitgebreide simulatiestudies en twee real-world casestudies:

• Simulaties op Enkelvoudig Niveau: In vergelijking met de PACE-aanpak en het op tensor gebaseerde BAMITA-algoritme (dat gladheidsbeperkingen mist), behaalde BAMIFun imputatie-accuratesse die vergelijkbaar was met PACE. Echter, BAMIFun toonde substantieel verbeterde dekkingpercentages (dicht bij het nominale niveau van 95%) voor betrouwbaarheidsintervallen, terwijl PACE aanzienlijke onderdekking vertoonde. BAMIFun presteerde ook beter dan BAMITA in nauwkeurigheid vanwege de afdwinging van gladheid.
• Simulaties op Multiway Niveau: In situaties met laag-rang structuren overtrof BAMIFun de frequentistische MFPCA (PACE) aanpak zowel in nauwkeurigheid als dekking. In situaties zonder laag-rang structuren vertoonde BAMIFun een iets hogere Gemiddelde Kwartafwijking (MSE) dan PACE, maar behield robuuste, bijna nominale dekkingpercentages, wat de betrouwbaarheid onderstreept over diverse datastructuren.
• Casestudies:
  • NHANES (Fysieke Activiteit): Bij ernstige ontbrekende waarden (tot 97,5%) behield BAMIFun een dekking van ongeveer 92–94%, terwijl de op FPCA gebaseerde PACE-methode daalde tot zo laag als 53–71%.
  • Microbioom van de Darm bij Zuigelingen: In een dataset met 91,1% ontbrekende waarden overtrof BAMIFun BAMITA consequent in zowel MSE als dekking, en slaagde erin de complexe multiway structuur te hanteren waar standaard MFPCA-methoden niet van toepassing waren.

Betekenis en Claims
De auteurs claimen dat BAMIFun kritieke methodologische gaten in de analyse van schaarse functionele data adresseert. Door verder te gaan dan enkele imputatie, voorkomt de methode de "te optimistische" inferenties die huidige op FPCA gebaseerde aanpakken teisteren. Het artikel benadrukt dat hoewel de imputatie-accuratesse (MSE) vaak vergelijkbaar is met bestaande frequentistische methoden, het primaire voordeel ligt in de geldigheid van downstream inferentie. Het vermogen om multiway functionele data te hanteren zonder hulpvariabelen en om adequate onzekerheidskwantificering te bieden, maakt BAMIFun een robuust instrument voor moderne toepassingen die draagbare apparaten, genomics en neurobeeldvorming omvatten, waar data inherent schaars en hoogdimensionaal zijn. De auteurs merken bescheiden op dat de prestaties afhankelijk zijn van de keuze van de spline-basis en suggereren dat toekomstig werk alternatieve parametriseringen zou kunnen verkennen, zoals die op de Stiefel-maand.