Polynomial Maximization Method with Fractional Polynomial Basis: A Frequentist Bridge to Bayesian Fractional Polynomials

Technische Samenvatting: Polynoommaximalisatiemethode met Fractaal Polynoombasis

Probleemstelling
Fractale polynomen (FP) zijn een standaardinstrument in de biostatistiek voor het modelleren van dosis-responsrelaties en continue covariaten, en bieden een flexibel alternatief voor splines en parametrische families. De standaard inferentiële motor voor FP, Gewone Kleinste-Kwadraten (OLS), gaat echter uit van Gaussische fouten. In veel biologische en farmacometrische toepassingen zijn de residuen niet-Gaussisch (bijvoorbeeld log-normaal, gamma of beta-verdelingen), vaak met aanzienlijke scheefheid en kurtose. Onder deze omstandigheden blijft OLS-FP consistent, maar lijdt het onder aanzienlijke efficiëntieverliezen (30–50% voor $|\gamma_3| \geq 1$).

Hoewel Bayesiaanse Fractale Polynomen (BFP) zijn voorgesteld om modelonzekerheid te behandelen, behouden ze doorgaans de Gaussische foutaanname binnen de likelihood. Hierdoor erven ze de OLS-inefficiënties voor asymmetrische fouten over, terwijl ze hoge rekenkosten met zich meebrengen via MCMC. Er bestaat een gat voor een frequentistische methode die de FP-modelruimte behoudt, maar gebruikmaakt van een scoresfunctie die in staat is om residu-scheefheid en kurtose te benutten om de schattingsefficiëntie te verbeteren, zonder de rekenlast van Bayesiaanse sampling.

Methodologie
Het artikel stelt PMM-FP (Polynoommaximalisatiemethode met Fractaal Polynoombasis) voor, een frequentistische uitbreiding van Kunchenko's Polynoommaximalisatiemethode, aangepast aan de Royston-Altman fractale polynoombasis.

1. Theoretisch Kader:

   • De methode vervangt de OLS-scoresfunctie door een stochastische polynoomscore die is afgeleid van de eerste paar momenten van de residuen.
   • Het definieert een regressiemodel $y_i = R(x_i; \theta) + \xi_i$, waarbij $R$ een fractaal polynoom is.
   • De scoresfunctie $\psi_B(\xi)$ wordt geconstrueerd met behulp van een basis van teken-pariteit residufuncties (bijvoorbeeld $\xi, |\xi|, \text{sign}(\xi)|\xi|, \dots$) om tekenwisselende residuen in fractale machten te behandelen.
   • De schatter lost de schattingsvergelijking $\Psi_n(\theta) = \frac{1}{n} \sum \psi_B(\xi_i) \nabla_\theta R(x_i; \theta) = 0$ op.

2. Twee Parallelle Tracks:

   • Track (a) PMM-FP$_{pos}$: Gebruikt een positieve machtsset $P_a = \{0, 0.5, 1, 2, 3\}$. Het vereist alleen eindige vierde momenten ($E[\xi^4] < \infty$) en vermijdt de numerieke instabiliteit die geassocieerd is met negatieve machten dicht bij nul.
   • Track (b) PMM-FP$_{full}$: Gebruikt de volledige machtsset $P_b = \{-2, -1, -0.5, 0, 0.5, 1, 2, 3\}$, wat de modelruimte van Hubin et al. (2026) weerspiegelt. Deze track vereist sterkere voorwaarden, specifiek een begrenste dichtheid dicht bij nul en eindige inverse momenten ($E[|\xi|^{-2}] < \infty$).

3. Variantievermindering:

   • Het kernresultaat is een gesloten vorm variantieverminderingscoëfficiënt $g_2$ ten opzichte van OLS-FP voor de scores van de tweede orde (met gebruik van scheefheid $\gamma_3$ en kurtose $\gamma_4$):
     $$g_2 = 1 - \frac{\gamma_3^2}{2 + \gamma_4}$$
   • Deze coëfficiënt vertegenwoordigt de verhouding van asymptotische varianties: $\text{Var}(\hat{\theta}_{PMM}) / \text{Var}(\hat{\theta}_{OLS})$. Een waarde $g_2 < 1$ wijst op efficiëntiewinst.
   • De methode blijkt monotoon te zijn: het toevoegen van scores van hogere orde (het verhogen van $S$) vermindert de variantie verder, begrensd door de Cramér-Rao-grens.

4. Implementatie:

   • De schatter wordt berekend via gedempte Newton/Fisher-scoring iteraties.
   • Modelselectie wordt uitgevoerd via exhaustieve enumeratie van FP-blokken (tot 4 termen) met gebruik van de Bayesiaanse Informatie Criterion (BIC), zodat de vergelijking de schattende score isoleert en niet het zoekalgoritme.
   • De volledige algebraïsche structuur en de logica van de stellingen zijn geformaliseerd in Lean 4 (Mathlib v4.26.0), wat een machine-gecontroleerd verslag biedt van de definities en conditionele stellingen.

Belangrijkste Bijdragen

1. Formele Brug: De eerste formalisering van een brug tussen Kunchenko's stochastische polynoommaximalisatie en de Royston-Altman fractale polynoombasis.
2. Efficiënte Frequentistische Schatting: Biedt een rekenkundig goedkoop alternatief voor BFP dat expliciet niet-Gaussische foutstructuren (scheefheid/kurtose) modelleert om standaardfouten te reduceren, zonder MCMC-mechanica.
3. Gesloten Vorm Efficiëntiemaatstaf: Leidt de expliciete variantieverminderingscoëfficiënt $g_2$ af en valideert deze, waardoor practitioners efficiëntiewinsten direct kunnen voorspellen op basis van residu-kumulanten.
4. Formele Verificatie: Biedt de eerste Lean 4-formalisatie van het PMM-regressieapparaat, waarbij algebraïsche identiteiten en stellingenstructuren worden geverifieerd (consistentie, asymptotische normaliteit, BIC-selectie).
5. Dual-Track Benadering: Maakt onderscheid tussen een stabiele track met positieve machten en een track met volledige machten, en biedt praktische richtlijnen voor wanneer negatieve machten numeriek haalbaar zijn.

Resultaten

• Monte Carlo Simulaties: Het onderzoek valideert de theoretische $g_2$ over verschillende niet-Gaussische verdelingen (Beta, Gamma, Exponentieel, Log-normaal).
  • Voor symmetrische Gaussische fouten is $g_2 \approx 1$, wat bevestigt dat er geen efficiëntieverlies optreedt.
  • Voor asymmetrische verdelingen komen de empirische variantieverhoudingen nauw overeen met theoretische voorspellingen (bijvoorbeeld toonden exponentiële fouten een reductie tot $\approx 0.5$).
  • De log-normale case diende als stress-test, waarbij werd aangetoond dat extreme kurtose plug-in kumulantschattingen kan destabiliseren, waardoor bootstrap-diagnostiek in dergelijke extremen betrouwbaarder is dan gesloten vorm benaderingen.
• GBSG Toepassing: Toegepast op de dataset van de German Breast Cancer Study Group ($n=686$).
  • De residuen waren sterk scheef ($\hat{\gamma}_3 = -1.74$) en zwaarstaartig ($\hat{\gamma}_4 = 4.91$), wat resulteerde in een theoretische $g_2 \approx 0.56$.
  • De PMM-FP$_{pos}$-schatter verlaagde de standaardfout van de tumorgrootte-coëfficiënt van 0.118 (OLS-FP) naar 0.054.
  • Bootstrap-verdelingen bevestigden dat PMM-FP de schatter stabiliseerde tegen de zware staarten die bij OLS-FP werden waargenomen.
  • De track met volledige machten (Track b) bleek numeriek instabiel door slecht conditie van de correlatiematrix, wat de aanbeveling versterkt om de positieve track te gebruiken voor real-world data, tenzij inverse momenten als stabiel zijn geverifieerd.
• Rekensnelheid: Exhaustieve modelenumeratie voor PMM-FP verloopt in een fractie van een seconde, wat een versnelling van één tot twee orde van grootte betekent ten opzichte van de MJMCMC-sampling die in BFP wordt gebruikt.

Betekenis en Claims
Het artikel positioneert PMM-FP niet als een universele robuuste methode of als vervanging voor Bayesiaanse modelgemiddelde, maar als een specifieke efficiëntiecorrectie voor FP-modellen met asymmetrische, niet-Gaussische residuen.

• Scope: De methode claimt de efficiëntie van coëfficiëntschattting en controle van standaardfouten te verbeteren wanneer de foutverdeling systematisch niet-Gaussisch is en een eindige set momenten beschikbaar is.
• Beperkingen: De auteurs stellen expliciet dat PMM-FP geen voorspellings-dominante methode is voor elke dataset. De claims zijn beperkt tot de variantievermindering van de schattende score op een overeenkomstige FP-basis. De track met volledige machten wordt gepresenteerd als een theoretische bijdrage en diagnostisch hulpmiddel, waarbij de positieve track wordt aanbevolen als de praktische standaard vanwege numerieke stabiliteit.
• Reproduceerbaarheid: Het werk benadrukt reproduceerbaarheid door de scheiding van modelselectie van schatting op basis van scores, het gebruik van publieke datasets (GBSG) en de formele Lean-verificatie van de onderliggende algebraïsche logica.

Kortom, PMM-FP biedt een rekenkundig efficiënt, frequentistisch pad om informatie van momenten van hogere orde te benutten in fractaal polynoommodelleren, en overbrugt de kloof tussen klassieke OLS en complexe Bayesiaanse benaderingen voor niet-Gaussische dosis-responsproblemen.