Addressing outliers in mixed-effects logistic regression: a more robust modeling approach

Título: Abordagem de Outliers em Regressão Logística de Efeitos Mistos: Uma Abordagem de Modelagem Mais Robusta

1. O Problema

Os dados de contagem limitados (bounded count data), onde o número de ocorrências possui um limite superior natural (ex.: adesão a medicamentos, onde o limite é o número de dias no mês), são comuns em epidemiologia e ciências sociais. Tradicionalmente, esses dados são modelados usando distribuições binomiais ou beta-binomiais. No entanto, esses modelos enfrentam dois desafios principais:

• Sobredispersão (Overdispersion): A variância observada frequentemente excede a prevista pelo modelo binomial padrão.
• Outliers: Comportamentos humanos, como a adesão a medicamentos, podem apresentar flutuações abruptas e valores extremos (outliers) devido a fatores transitórios (ex.: viagens, emergências). Modelos convencionais (Binomial, Beta-binomial, Binomial-logit-normal) são sensíveis a esses outliers, o que pode distorcer as estimativas de parâmetros e levar a conclusões incorretas.

A literatura existente oferece modelos robustos para regressão simples, mas há uma lacuna significativa em abordagens robustas dentro de modelos de efeitos mistos para dados de contagem limitados que lidem simultaneamente com sobredispersão e outliers.

2. Metodologia

Os autores propõem um novo modelo hierárquico bayesiano baseado na distribuição Binomial-Logit-t.

• Estrutura do Modelo:

  • A variável de resposta $Y_{ij}$ (contagem de sucesso) segue uma distribuição Binomial com probabilidade $p_{ij}$.
  • A probabilidade $p_{ij}$ é ligada a uma variável latente $\xi_{ij}$ através da função logística: $p_{ij} = \frac{1}{1+e^{-\xi_{ij}}}$.
  • Diferentemente dos modelos tradicionais que usam uma distribuição Normal para $\xi_{ij}$, este modelo assume que $\xi_{ij}$ segue uma distribuição t de Student com média $\eta$, escala $\sigma^2$ e graus de liberdade $\nu$.
  • A inclusão da distribuição t permite "caudas pesadas", tornando o modelo robusto a outliers, enquanto os efeitos aleatórios de cluster ($u_i$) capturam a estrutura hierárquica dos dados.

• Implementação:

  • O modelo foi implementado em um framework bayesiano utilizando o software JAGS (via R).
  • Foram utilizados priores não informativos, incluindo um prior MGH-t para a matriz de covariância dos efeitos aleatórios.
  • O modelo foi comparado com três concorrentes: Binomial padrão, Beta-binomial e Binomial-logit-normal.

• Medidas de Tendência Central:

  • O modelo destaca a utilidade de um pseudo-median (pseudo-mediana) fechado, definido como $\tilde{M}_i = m_i \cdot \text{logit}^{-1}(\eta)$.
  • O artigo prova teoricamente que essa pseudo-mediana difere da mediana discreta real por menos de uma unidade de contagem, oferecendo uma medida robusta e interpretável sem a necessidade de integração numérica complexa.
  • Para a média, é necessária integração numérica sobre a variável latente, o que aumenta a complexidade computacional, mas é viável.

3. Contribuições Principais

1. Novo Modelo Robusto: Desenvolvimento de um modelo de efeitos mistos Binomial-Logit-t que integra variáveis latentes com distribuição t para lidar simultaneamente com sobredispersão e outliers em dados de contagem limitados.
2. Pseudo-mediana Fechada: Demonstração de que o parâmetro de localização do modelo permite uma expressão de forma fechada para a pseudo-mediana, facilitando a interpretação dos efeitos fixos, algo que não é trivial em outros modelos robustos complexos.
3. Preenchimento de Lacuna na Literatura: A abordagem preenche a falta de modelos robustos específicos para dados de contagem limitados em estruturas de efeitos mistos, indo além das aplicações em regressão simples.
4. Validação Empírica e Simulação: O modelo foi validado tanto em um conjunto de dados real de adesão medicamentosa quanto em estudos de simulação controlada.

4. Resultados

• Aplicação em Dados Reais (Adesão Medicamentosa):

  • O modelo foi aplicado a dados longitudinais de 392 pacientes em um estudo de atorvastatina.
  • O modelo Binomial-Logit-t foi classificado como o melhor ajuste pelo critério WAIC (Watanabe-Akaike Information Criterion), superando o Binomial-logit-normal, Beta-binomial e o Binomial padrão.
  • A estimativa dos graus de liberdade ($\nu$) foi inferior a 2, confirmando a presença significativa de outliers e caudas pesadas nos dados.
  • O modelo apresentou intervalos de credibilidade (HPD) mais estreitos e precisos em comparação aos modelos não robustos, indicando menor incerteza nas estimativas devido ao tratamento adequado dos outliers.
  • Testes de resíduos (DHARMa) e divergência Kullback-Leibler (K-L) mostraram que o modelo Binomial-Logit-t não apresentou problemas significativos de ajuste, enquanto os outros modelos falharam em testes de uniformidade e detecção de outliers.

• Estudo de Simulação:

  • Simulações confirmaram que o modelo Binomial-Logit-t possui propriedades frequentistas adequadas (viés e cobertura).
  • Em cenários com contaminação de dados (outliers), o modelo proposto apresentou menor Erro Quadrático Médio (RMSE) e intervalos de confiança mais curtos em comparação ao modelo Binomial-logit-normal.

5. Significância e Conclusão

O estudo demonstra que a abordagem Binomial-Logit-t oferece uma solução superior para analisar dados de contagem limitados com estrutura hierárquica quando a presença de outliers é provável.

• Integridade dos Dados: O modelo permite manter a integridade do conjunto de dados original, evitando a necessidade de exclusão manual de outliers, que pode introduzir viés.
• Interpretabilidade: A disponibilidade de uma pseudo-mediana em forma fechada torna os resultados mais acessíveis para pesquisadores e clínicos, especialmente em dados assimétricos.
• Eficiência Computacional: Embora a integração para a média exija recursos computacionais, o custo adicional em relação a modelos não robustos é moderado, e a implementação em JAGS é eficiente.

Em suma, este trabalho estabelece um novo padrão para modelagem robusta de dados de contagem limitados, sendo particularmente relevante para áreas como farmacologia e saúde pública, onde a variabilidade comportamental e dados extremos são comuns.