A Compound Logistic Regression Model for Binary Responses

Resumo Técnico: Um Modelo de Regressão Logística Composta para Respostas Binárias

Definição do Problema
A regressão logística padrão é o método dominante para modelar respostas binárias, mas possui uma limitação significativa: a função de resposta é restrita a ter assíntotas fixas em 0 e 1. Em muitas aplicações práticas, como a modelagem da prevalência de doenças com base em níveis de biomarcadores ou eficácia de vacinas, a probabilidade de um evento não necessariamente se aproxima de 0 ou 1 mesmo em valores extremos do preditor. Além disso, modelos flexíveis existentes que permitem assíntotas variáveis frequentemente têm dificuldade em incorporar respostas correlacionadas ou múltiplos covariáveis em um arcabouço unificado e interpretável. Os autores identificam a necessidade de um modelo que generalize a resposta logística para permitir assíntotas inferior ($a_L$) e superior ($a_U$) arbitrárias, mantendo a tratabilidade analítica e a interpretabilidade da regressão logística padrão.

Metodologia
O artigo propõe o modelo de Regressão Logística Composta (CLR). Esta abordagem constrói uma função de resposta média $\pi(x)$ ao compor múltiplas funções de regressão logística através de uma função de composição específica $H$.

1. Estrutura do Modelo:
   A ideia central é expressar a probabilidade $\pi$ como uma função de três componentes logísticos distintos, $\phi(\eta_1), \phi(\eta_2), \phi(\eta_3)$, onde $\eta_j = \tilde{\beta}_j^T \tilde{x}_j$.

   • Modelo de Assíntota: Os autores demonstram que as assíntotas inferior e superior podem ser modeladas como funções logísticas propriamente ditas. Por exemplo, um modelo onde a resposta transita entre $a_L$ e $a_U$ com base em um biomarcador $z$ é formulado como:
     $$\pi_c(\tilde{x}_1, \tilde{x}_2, \tilde{x}_3) = \phi(\eta_3)\phi(\eta_1) + \phi(\eta_2)(1 - \phi(\eta_1))$$
     Aqui, $a_L = \phi(\eta_2)$ e $a_U = \phi(\eta_3)$, permitindo que esses limites dependam de covariáveis.
   • Modelo de Eficácia de Vacina: Uma função de composição alternativa é proposta para cenários envolvendo exposição, proteção e eficácia, tais como:
     $$\pi_{inf} = \xi(1 - \gamma \kappa(z))$$
     onde $\kappa(z)$ modela o limiar do correlato de proteção (COP), $\gamma$ representa a eficácia e $\xi$ representa o risco de exposição. Cada componente é modelado via uma função logística separada.

2. Inferência e Estimação:

   • Equações de Estimação: O artigo utiliza uma abordagem de quase-verossimilhança baseada em equações de estimação. A matriz de gradiente do modelo composto é mostrada como uma soma ponderada das matrizes de gradiente dos modelos de componentes individuais (Equação 39). Essa linearidade simplifica a derivação da Hessiana e o algoritmo de ajuste iterativo.
   • Respostas Correlacionadas: O arcabouço acomoda respostas dependentes (ex: medidas repetidas) definindo uma matriz de correlação de trabalho $R_{\tilde{y}}$. Os autores abordam especificamente a correlação intercambiável, onde observações dentro de um grupo compartilham uma correlação comum $\rho$.
   • Regularização: Para lidar com problemas de convergência e instabilidade, particularmente quando o gradiente do biomarcador está próximo de zero, os autores incorporam a regressão ridge. Um termo de penalidade $D = \theta^T B \theta$ é adicionado às equações de estimação, contraindo as estimativas dos parâmetros e estabilizando o algoritmo numérico.
   • Identificabilidade: O artigo observa que, para o modelo ser identificável, o gradiente associado ao biomarcador primário deve ser diferente de zero. Uma estratégia de reparametrização é sugerida para forçar uma direção de gradiente positiva caso existam conhecimentos prévios.

3. Implementação:
   Os métodos são implementados no pacote R CLmodel, que suporta estruturas de correlação independente e intercambiável, estimação de quase-verossimilhança e regularização via um parâmetro de penalidade $\lambda$.

Principais Resultados

• Estudo de Simulação: Um estudo de simulação com $N=50.000$ replicações foi conduzido para avaliar o desempenho do modelo sob correlação intercambiável ($\rho=0.1$).
  • Estabilidade: O estudo destacou que, sem regularização ($\lambda=0$), o algoritmo numérico sofreu uma alta taxa de falha (55,6% de não convergência). A introdução de uma pequena penalidade ($\lambda=0,1$) resultou em 100% de convergência.
  • Compromisso Viés-Variância (Bias-Variance Trade-off): Embora a regularização tenha introduzido um leve viés, ela reduziu significativamente a variância das estimativas de erro padrão e melhorou a cobertura dos intervalos de confiança, aproximando-os do nível nominal de 95%.
  • Recuperação de Parâmetros: O modelo recuperou com sucesso os parâmetros reais, incluindo o coeficiente de correlação $\rho$, e demonstrou alto poder para detectar efeitos de covariáveis nas assíntotas.
• Aplicação em Dados Reais: O modelo foi aplicado a dados do projeto Midlife in the United States (MIDUS) para prever diabetes ($y=1$) com base na Hemoglobina A1c% ($z$) e status de asma ($x$).
  • As curvas ajustadas mostraram que a probabilidade de diabetes se aproxima de diferentes assíntotas superiores para indivíduos com e sem asma.
  • O parâmetro $\beta_{1,3}$, que governa a diferença na assíntota superior, foi estatisticamente significativo ($p=0,017$), indicando que indivíduos com asma têm uma probabilidade significativamente menor de diabetes em níveis elevados de A1c (Razão de Chances/Odds Ratio = 0,11).
  • O ponto de transição do modelo alinhou-se estreitamente com as diretrizes da American Diabetes Association (faixa de pré-diabetes 5,7%–6,5%), validando a plausibilidade biológica da curva ajustada.

Significância e Alegações
O artigo afirma que o modelo de Regressão Logística Composta oferece uma extensão flexível à regressão logística padrão que permite:

1. Assíntotas Variáveis: A capacidade de modelar limites inferiores e superiores da probabilidade de resposta que não são fixos em 0 e 1, e que podem depender de covariáveis.
2. Interpretabilidade: O modelo mantém a interpretação intuitiva dos coeficientes da regressão logística (log-odds) para cada componente, permitindo que pesquisadores modelem separadamente fatores que afetam o limiar, o risco basal e o risco máximo.
   3.Tratamento de Correlação: O arcabouço estende-se naturalmente a estruturas de dados correlacionados (ex: estudos longitudinais) usando princípios de equações de estimativa generalizadas (GEE).
3. Estabilidade Computacional: A inclusão da regularização ridge mostrou-se crítica para a estabilidade numérica do algoritmo de ajuste em cenários de múltiplos componentes complexos.

Os autores enfatizam que esta abordagem permite uma "maior variedade de modelos" enquanto mantém as "vantagens da regressão logística", citando especificamente a implementação no pacote CLmodel como uma ferramenta prática para essas análises. O artigo não pretende substituir a regressão logística padrão, mas sim fornecer uma generalização necessária para aplicações onde a suposição de assíntota fixa é inapropriada.