SEMMS with Random Effects: A Mixed-Model Extension for Variable Selection in Clustered and Longitudinal Data

1. Problema e Motivação

O artigo aborda uma limitação crítica do procedimento original SEMMS (Scalable Empirical-Bayes Model for Marker Selection), desenvolvido para seleção de variáveis em modelos lineares generalizados (GLMs). O SEMMS original assume que todas as observações são independentes.

No entanto, muitos conjuntos de dados reais derivam de desenhos de medidas repetidas ou dados agrupados (ex: estudos longitudinais, dados de gêmeos, ensaios clínicos multicêntricos), onde observações dentro do mesmo sujeito ou cluster estão correlacionadas.

• O Problema: Ignorar essa correlação infla a variância residual aparente e distorce a detecção de sinais. O modelo original tende a confundir a variação entre sujeitos com efeitos fixos, levando a:
  1. Perda de poder para detectar preditores verdadeiros (falsos negativos).
  2. Seleção de preditores de ruído que coincidentemente correlacionam com as baselines dos sujeitos (falsos positivos).

2. Metodologia Proposta

Os autores propõem uma extensão do SEMMS para acomodar efeitos aleatórios (interceptos aleatórios, inclinações aleatórias ou ambos) através de um algoritmo de ascensão coordenada alternada.

A. O Modelo Estendido

O modelo generalizado para dados longitudinais é definido como:
$$Y_{ij} = x_{ij}^\top \beta + z_{ij}^\top \alpha + b_{0i} + b_{1i} t_j + \varepsilon_{ij}$$
Onde:

• $\beta$: Efeitos fixos de covariáveis retidas.
• $\alpha$: Coeficientes dos preditores candidatos (sujeitos à seleção via mistura Bayesiana).
• $b_{0i}, b_{1i}$: Efeitos aleatórios (intercepto e inclinação) específicos do sujeito $i$.
• O modelo assume uma estrutura hierárquica onde os coeficientes ativos compartilham uma média comum de sinal ($\pm \mu$) mas podem desviar-se devido à variância aleatória.

B. O Algoritmo de Ascensão Coordenada (Alternating Coordinate-Ascent)

O núcleo da solução é um loop externo que alterna entre dois passos condicionais:

1. Passo de Efeitos Fixos (Seleção de Variáveis):
   • Calcula-se a resposta ajustada removendo a contribuição atual dos efeitos aleatórios: $Y^* = Y - \hat{u}$, onde $\hat{u}$ são os BLUPs (Melhores Preditores Lineares Não Viciados) estimados.
   • Aplica-se o algoritmo original SEMMS (GAM - Generalized Alternating Maximization) sobre $Y^*$. Como a correlação intra-sujeito foi removida, a suposição de independência do SEMMS original é satisfeita.
2. Passo de Efeitos Aleatórios (Atualização de Parâmetros):
   • Com o conjunto de preditores ativos fixo, estima-se os parâmetros dos efeitos aleatórios ($D, \sigma_e^2$) usando máxima verossimilhança via lmer (Gaussian) ou glmer (não-Gaussian).
   • Atualiza-se o vetor de BLUPs ($\hat{u}$).

Inicialização (Warm-start): O algoritmo inicia com um modelo nulo (lmer apenas com intercepto) para estimar a variação entre sujeitos antes da primeira seleção, evitando que o SEMMS absorva erroneamente essa variação como sinal fixo.

C. Extensão para Famílias Não-Gaussianas (Poisson e Binomial)

Para dados não-Gaussianos, o artigo adapta a abordagem de Penalized Quasi-Likelihood (PQL) de Breslow e Clayton (1993):

• Em vez de usar a resposta bruta ajustada, utiliza-se uma resposta de trabalho (working response) na escala do link.
• A cada iteração externa, o passo de efeitos fixos opera sobre uma resposta transformada que incorpora a linearização do link, permitindo que o algoritmo SEMMS (que é inerentemente baseado em mínimos quadrados ponderados) lide com distribuições exponenciais.

D. Eficiência Computacional

A extensão preserva a eficiência computacional do SEMMS original (complexidade $O(NL^2)$) utilizando a identidade de Woodbury para inverter matrizes de covariância, evitando a formação de matrizes $N \times N$.

3. Contribuições Chave

1. Generalização do SEMMS: Adaptação bem-sucedida de um método de seleção de variáveis baseado em mistura Bayesiana para modelos mistos lineares generalizados (GLMMs).
2. Algoritmo de Decuplagem: Uma estratégia computacionalmente eficiente que desacopla a estimação de efeitos aleatórios da seleção de efeitos fixos, permitindo o uso de ferramentas existentes (lmer/glmer) dentro do loop de seleção.
3. Adaptação para Dados Não-Gaussianos: Implementação de uma versão IRLS (Iteratively Reweighted Least Squares) que estende a seleção de variáveis para contagens (Poisson) e proporções (Binomial) em dados agrupados.
4. Implementação em R: Integração no pacote SEMMS (v0.4.0), mantendo a interface de usuário familiar e o núcleo C++ otimizado.

4. Resultados das Simulações

Os autores realizaram seis estudos de simulação (Gaussianos, Poisson e Binomial) comparando o Mixed SEMMS com o SEMMS original, Lasso padrão e glmmLasso.

Cenários Principais:

• Sinal Forte / Efeitos Aleatórios Moderados: O SEMMS original e o Mixed SEMMS performam de forma comparável, ambos recuperando o conjunto verdadeiro de preditores com alta precisão.
• Sinal Fraco / Efeitos Aleatórios Dominantes (O Cenário Crítico):
  • O SEMMS original falha drasticamente (taxa de recuperação exata de 1% em dados Gaussianos), confundindo a variância entre sujeitos com sinal.
  • O Lasso padrão seleciona muitos falsos positivos devido à inflação da correlação aparente.
  • O glmmLasso tende a sub-selecionar (penalização excessiva via BIC).
  • Mixed SEMMS: Recupera o conjunto verdadeiro em 93% dos casos (Gaussianos), 61% (Poisson) e 65% (Binomial), superando significativamente os concorrentes.
• Alta Dimensionalidade ($K > N$): O Mixed SEMMS mantém alta precisão e baixa taxa de falsos positivos mesmo quando o número de preditores excede o número de observações, algo que o Lasso padrão falha em fazer (selecionando dezenas de falsos positivos).

Exemplo Real (SleepStudy):

Em um estudo de privação de sono com dados sintéticos adicionados, o Mixed SEMMS foi o único método a recuperar exatamente os dois preditores verdadeiros sem falsos positivos, enquanto o SEMMS original e o Lasso incluíram variáveis espúrias.

5. Significado e Conclusão

O artigo demonstra que a seleção de variáveis em dados agrupados exige explicitamente a modelagem da estrutura de correlação intra-sujeito.

• Impacto Prático: O Mixed SEMMS oferece uma solução robusta para estudos genômicos, farmacológicos e psicológicos onde a variabilidade entre indivíduos é alta. Ele evita a detecção de "ruído estrutural" como sinais biológicos.
• Robustez: A metodologia é particularmente eficaz quando a variância dos efeitos aleatórios domina a variância dos efeitos fixos, um cenário onde métodos tradicionais (como Lasso ou SEMMS padrão) falham sistematicamente.
• Escalabilidade: A abordagem mantém a escalabilidade necessária para conjuntos de dados modernos, permitindo a seleção de milhares de preditores em dados longitudinais complexos.

Em resumo, a extensão proposta transforma o SEMMS de uma ferramenta para dados independentes em um método de ponta para análise de dados complexos e estruturados, garantindo a recuperação precisa de preditores verdadeiros mesmo na presença de forte heterogeneidade entre sujeitos.