Logistic Multidimensional Data Analysis for Ordinal Response Variables using a Cumulative Link function

Resumo Técnico: Análise de Dados Multidimensionais Logística para Variáveis de Resposta Ordinais

Definição do Problema
O artigo aborda uma lacuna na análise de dados multidimensionais (MDA) para variáveis de resposta ordinais. Embora técnicas padrão como a Análise de Componentes Principais (PCA) e o Desdobramento Multidimensional (MDU) sejam bem estabelecidas para dados contínuos, e a regressão logística seja o padrão para dados categóricos, há uma carência de generalizações da família exponencial para MDA especificamente adaptadas para respostas ordinais. Os métodos existentes frequentemente tratam dados ordinais como contínuos (levando a distorções nos tamanhos de efeito e inflação de erros do Tipo I) ou focam exclusivamente em resultados binários. Além disso, os frameworks atuais não conseguem lidar simultaneamente com os dois processos distintos de resposta identificados por Coombs (1964): dominância (relação monotônica, ex: testes de habilidade) e proximidade (relação não monotônica, de pico único, ex: atitudes), e não integram adequadamente variáveis preditoras (covariáveis) nesses modelos geométricos para dados ordinais.

Metodologia
Os autores propõem um framework unificado de quatro modelos baseados no modelo de regressão logística cumulativa (proportional odds), assumindo uma variável latente contínua subjacente aos escores ordinais observados. O framework distingue entre tipos de resposta e a presença de preditores:

1. Tipos de Modelos:

   • Variáveis de Dominância (Produto Interno): Modeladas usando PCA Logística Cumulativa (CLPCA) (não supervisionado) e Regressão de Rank Reduzido Logística Cumulativa (CLRRR) (supervisionado, onde os escores dos sujeitos são funções lineares de preditores).
   • Variáveis de Proximidade (Distância): Modeladas usando MDU Logística Cumulativa (CLMDU) (não supervisionado) e MDU Restrito Logística Cumulativa (CLRMDU) (supervisionado).
   • Em todos os modelos, a parte estrutural ($\theta_{ir}$) é definida como um produto interno $\langle u_i, v_r \rangle$ para dominância ou uma distância negativa $-d(u_i, v_r)$ para proximidade.

2. Algoritmo de Estimação:

   • Os autores derivam um algoritmo de Expectativa-Majorização-Minimização (EMM) para a Estimativa de Máxima Verossimilhança (MLE).
   • E-step: Calcula a expectativa condicional da log-verossimilhança negativa dos dados completos.
   • M-step: Utiliza uma função de majoração que reduz o problema a uma minimização de mínimos quadrados ponderados.
   • Atualizações:
     • Para modelos de produto interno (PCA/RRR), as atualizações envolvem Decomposição de Valor Singular (SVD) ou SVD Generalizada.
     • Para modelos de distância (MDU/RMDU), as atualizações utilizam um algoritmo SMACOF modificado, capaz de lidar com dissimilaridades negativas (decorrentes do link logístico).
   • Os parâmetros de limiar (threshold) são atualizados separadamente usando MLE com a parte estrutural como um offset.

3. Visualização (Biplots):

   • O artigo estende a metodologia de biplot para visualizar esses modelos.
   • CLPCA/CLRRR: As variáveis são representadas como eixos com marcadores indicando os limiares estimados (pontos de transição entre categorias) baseados na variável latente subjacente.
   • CLMDU/CLRMDU: As variáveis são representadas como pontos cercados por círculos concêntricos (fronteiras de decisão) correspondentes aos limiares de categoria. O espaço é particionado em regiões onde categorias de resposta específicas são mais prováveis.

Principas Contribuições

• Unificação Teórica: O artigo preenche a lacuna na literatura ao fornecer as primeiras generalizações da família exponencial de PCA, RRR, MDU e RMDU especificamente para variáveis de resposta ordinais, cobrindo tanto processos de dominância quanto de proximidade.
• Desenvolvimento Algorítmico: Introduz um algoritmo EMM unificado que lida com a não linearidade do link logístico e as restrições geométricas específicas de ambos os modelos baseados em produto interno e distância.
• Visualização: Propõe técnicas de biplot inovadoras para dados ordinais, especificamente o uso de marcadores de limiar para variáveis de dominância e círculos de decisão concêntricos para variáveis de proximidade, permitindo a interpretação de perfis de resposta complexos em um espaço de baixa dimensão.
• Implementação de Software: Os algoritmos estão implementados no pacote R logistic_mapping (funções clpca e clmdu).

Resultados

• Aplicações Empíricas:
  1. Desempenho Estudantil (Dominância): Análise das respostas de exame (10 itens) de 138 estudantes e preditores psicológicos. O modelo CLRRR identificou com sucesso que o conhecimento matemático e o engajamento afetivo predisseram respostas corretas, enquanto a procrastinação acadêmica predisse erros. O biplot revelou clusters distintos de itens com diferentes padrões de resposta.
  2. Comportamento Pró-Ambiental (Misto): Análise de dados do ISSP (Tailândia) sobre atitudes e comportamentos ambientais. O estudo contrastou CLRRR e CLRMDU. O modelo de proximidade (CLRMDU) proporcionou um melhor ajuste, particularmente para a variável "OUT" (atividade ao ar livre), que exibiu um padrão de resposta não monotônico (proximidade), enquanto outras variáveis comportamentais seguiram um padrão de dominância.
  3. Eficácia Ambiental (Proximidade): Análise de dados do ISSP em 12 países. O modelo CLRMDU (3D) revelou clusters de países distintos (Asiáticos vs. Europeus) e mostrou como educação, idade e gênero influenciaram as atitudes em relação à eficácia ambiental.
• Estudo de Simulação: Um estudo de simulação variando tamanho amostral (250–1000), número de variáveis de resposta (4, 8) e categorias (3, 5) demonstrou que os algoritmos convergem monotonicamente. A recuperação de parâmetros (medida pelo Stress-1) melhorou com amostras maiores, mais variáveis de resposta e mais categorias.

Significância e Alegações
Os autores afirmam que este framework fornece uma ferramenta versátil para analisar conjuntos de dados complexos com respostas ordinais onde a redução de dimensionalidade e a modelagem simultânea de variáveis correlacionadas são necessárias.

• Distinção de Processos: O framework reconhece e modela explicitamente a diferença entre variáveis de dominância e proximidade, algo que os métodos de MDA lineares padrão falham em fazer.
• Tratamento de Preditores: Estende essas capacidades para contextos supervisionados (RRR e RMDU), permitindo a inclusão de covariáveis externas para explicar as posições dos sujeitos.
• Interpretabilidade Visual: Os biplots propostos oferecem uma visão holística da estrutura dos dados, dependências entre variáveis de resposta e os efeitos dos preditores, complementando tabelas de coeficientes numéricos.
• Tratamento de Pressupostos: O artigo observa que, embora o pressuposto de proporção de chances (proportional odds) seja central para o modelo, ele nem sempre se sustenta. No entanto, citando Harrell (2001), os autores sugerem que o compromisso entre viés e variância pode favorecer o modelo de proporção de chances mais simples sobre alternativas mais complexas que introduzem variância excessiva. Eles reconhecem que testar esse pressuposto dentro do framework de MDA requer desenvolvimento adicional (ex: comparação com Análise de Correspondência Múltipla Multinomial).

O artigo conclui que estes modelos são distintos da Teoria de Resposta ao Item (IRT), como o Modelo de Resposta Graduada (GRM) ou o Modelo de Unfolding Gradual Generalizado (GGUM), pois o objetivo principal aqui é a redução de dimensionalidade e a predição de respostas correlacionadas, e não a estimativa de traços latentes para construção de testes.