Bayesian Semiparametric Multivariate Density Regression with Coordinate-Wise Predictor Selection

Título: Regressão de Densidade Multivariada Semiparamétrica Bayesiana com Seleção de Preditor Coordenada a Coordenada

Autores: Giovanni Toto, Peter Müller e Abhra Sarkar (Universidade do Texas em Austin).

1. Problema Abordado

O artigo propõe uma solução para o desafio de estimar flexivelmente a densidade conjunta de uma variável resposta multivariada contínua na presença de covariáveis categóricas.

• Desafios Específicos:
  • Permitir que cada coordenada da resposta seja influenciada por um subconjunto distinto de covariáveis (seleção de variáveis coordenada a coordenada).
  • Facilitar o compartilhamento de informações entre coordenadas e combinações de covariáveis.
  • Evitar a explosão combinatória: em vez de estimar uma distribuição distinta para cada combinação possível de níveis de covariáveis (o que é computacionalmente inviável e estatisticamente ineficiente), o modelo deve agrupar níveis semelhantes.
  • Capturar a estrutura de dependência entre as diferentes coordenadas da resposta sem assumir normalidade conjunta.

2. Metodologia: O Modelo "Flower" (Flor)

Os autores desenvolvem um framework Bayesiano que integra modelos de mistura, fatoração de tensores e cópulas. O modelo é denominado "Flower" devido à sua estrutura de expansão dinâmica de clusters.

A. Estrutura da Densidade Conjunta

O modelo utiliza uma cópula Gaussiana para separar a modelagem das marginais da dependência conjunta:
$$f_{x|c}(x_i; c_i) = C(x_i) \prod_{\ell=1}^d f_{x_\ell|c}(x_{\ell,i}; c_i)$$
Onde $C(\cdot)$ é a densidade da cópula (assumida Gaussiana com matriz de correlação fixa em relação às covariáveis) e $f_{x_\ell|c}$ são as densidades marginais condicionais.

B. Densidades Marginais Condicionais (Mistura de Normais)

Cada marginal é modelada como uma mistura finita de distribuições normais truncadas com átomos compartilhados entre as coordenadas:
$$f_{x_\ell|c}(x_{\ell,i}) = \sum_{k=1}^K p_{\ell, c}(k) \cdot TN(x_{\ell,i}; \mu_k, \sigma_k^2, [A, B])$$

• Átomos Compartilhados: Os parâmetros de localização ($\mu_k$) e escala ($\sigma_k^2$) são comuns a todas as coordenadas, promovendo parcimônia e "empréstimo de força" (borrowing of strength).
• Pesos Dependentes de Covariáveis: Os pesos da mistura $p_{\ell, c}(k)$ variam conforme as covariáveis.

C. Fatoração de Tensor e Seleção de Variáveis

Para modelar os pesos da mistura de forma eficiente e realizar seleção de variáveis, os autores utilizam uma fatoração de tensor baseada em partições:

1. Primeira Camada (Agregação de Níveis): Para cada covariável $h$ e coordenada $\ell$, os níveis originais são agrupados em clusters menores ($K_{\ell,h}$). Se $K_{\ell,h} = 1$, a covariável é considerada não influente para aquela coordenada (seleção automática).
2. Segunda Camada (Partição Conjunta): As combinações de níveis agregados da primeira camada são particionadas novamente em um conjunto reduzido de representantes únicos ($K^*_\ell$).
3. Estrutura "Flower": Diferente de abordagens anteriores que exigiam seleção de posto multivariado complexa, este modelo usa um vetor central (core vector) e uma estrutura de partição hierárquica. O algoritmo MCMC começa com todos os níveis em um único cluster e adiciona "pétalas" (novas fatias de memória) dinamicamente conforme novos clusters emergem, similar ao desabrochar de uma flor.

3. Contribuições Chave

1. Seleção Coordenada a Coordenada: O modelo identifica automaticamente quais covariáveis são relevantes para cada componente da resposta multivariada, permitindo estruturas de dependência heterogêneas.
2. Eficiência Computacional e Escalabilidade:
   • Substitui a necessidade de inferir um posto multivariado complexo por uma estrutura de partição dinâmica.
   • O uso de um MCMC que aloca memória apenas para clusters ativos (e não para todos os níveis de covariáveis possíveis) reduz drasticamente os requisitos de memória e melhora a eficiência computacional em espaços de alta dimensão.
3. Flexibilidade Semiparamétrica: Combina a flexibilidade das misturas de densidades (para capturar multimodalidade e assimetria) com a interpretabilidade de estruturas de cópula.
4. Aplicação Prática: Demonstra a utilidade do método em dados reais complexos (NHANES), onde métodos tradicionais falham em capturar nuances na distribuição de ingestão alimentar.

4. Resultados

A. Estudo de Simulação

O modelo "Flower" foi comparado com métodos univariados (PYMM, Box-Cox Tree) e multivariados (MCTM).

• Erro Quadrático Integrado (ISE): O modelo proposto obteve consistentemente o menor erro, superando significativamente os concorrentes, especialmente em cenários de alta dimensionalidade.
• Índice Rand Ajustado (ARI): O modelo recuperou com alta precisão a estrutura de partição verdadeira das covariáveis, identificando corretamente quais variáveis eram influentes para cada coordenada.
• Recuperação de Densidade: As densidades estimadas seguiram de perto as verdadeiras, mesmo quando o modelo agrupava distribuições verdadeiras muito similares (o que é estatisticamente desejável).

B. Aplicação em Dados NHANES (Ingestão Alimentar)

O modelo foi aplicado a dados de 6.307 participantes do NHANES (2017-2018), analisando 6 componentes dietéticos (ex: Vegetais, Proteínas, Sódio) em função de 4 covariáveis demográficas (Sexo, Raça, Idade, Renda).

• Descobertas:
  • Idade foi a única covariável influente em todos os componentes, mas com agrupamentos específicos para cada nutriente.
  • Sexo e Raça mostraram relevância seletiva (influenciando apenas alguns componentes).
  • Renda teve um papel limitado, influenciando apenas ácidos graxos e apenas através de sua disponibilidade (dados não faltantes).
  • O modelo identificou subpopulações distintas (ex: crianças asiáticas vs. não asiáticas) com padrões de ingestão diferentes, revelando heterogeneidade que médias simples não capturariam.
  • As densidades condicionais estimadas mostraram formas complexas (unimodais e assimétricas à direita) que variavam sistematicamente entre grupos demográficos.

5. Significado e Impacto

Este trabalho preenche uma lacuna importante na literatura estatística ao fornecer uma ferramenta robusta para regressão de densidade multivariada com covariáveis categóricas.

• Avanço Metodológico: Resolve o dilema entre flexibilidade do modelo e viabilidade computacional em cenários de alta dimensão, superando limitações de modelos de cópula tradicionais e métodos de mistura dependentes de covariáveis anteriores.
• Relevância para Saúde Pública: Ao permitir a análise de distribuições completas (e não apenas médias) de múltiplos nutrientes simultaneamente, o método oferece insights mais profundos para epidemiologia nutricional, permitindo intervenções mais direcionadas baseadas em perfis de consumo específicos de subgrupos demográficos.
• Escalabilidade: A estratégia de alocação de memória dinâmica torna viável a aplicação de modelos bayesianos complexos em grandes conjuntos de dados com muitas interações categóricas.

Em resumo, o modelo "Flower" oferece um equilíbrio superior entre parcimônia, flexibilidade e eficiência computacional, permitindo a descoberta de estruturas complexas de dependência e seleção de variáveis em dados multivariados.