Zero-Inflated Logistic Regression Models with Shared Design: Identifiability, Existence of Estimates, and a Relabeling Rule

Resumo Técnico: Modelos de Regressão Logística Inflacionada por Zeros com Design Compartilhado

1. Problema e Contexto

Os modelos de regressão logística inflacionada por zeros (Zero-Inflated Logistic Regression - ZILR) são utilizados para lidar com respostas binárias que apresentam um excesso de zeros, frequentemente originados de uma mistura latente de subpopulações (susceptíveis e insusceptíveis) ou de erros de classificação assimétrica (ex.: falha no registro de um evento).

O modelo possui dois componentes:

1. Um componente de regressão logística ordinária para a resposta binária.
2. Um componente de regressão logística para o indicador latente de "inflação por zeros" (estrutura de zeros).

O Desafio Central: Em aplicações práticas, muitas vezes não há conhecimento prévio sobre quais covariáveis devem entrar em cada componente. Consequentemente, é comum utilizar a mesma matriz de design para ambos os componentes. No entanto, essa especificação de "design compartilhado" introduz um problema teórico grave: a não-identificabilidade. Quando as mesmas covariáveis são usadas em ambos os lados, a função de verossimilhança torna-se invariante sob a troca dos vetores de coeficientes ($\beta$ e $\gamma$). Isso cria múltiplos modos simétricos na superfície de verossimilhança (análogo ao problema de troca de rótulos em modelos de mistura), dificultando a estimação e a interpretação dos parâmetros.

2. Metodologia e Abordagem Teórica

Os autores investigam as propriedades teóricas do modelo ZILR sob a configuração de design compartilhado e propõem métodos computacionais para sua aplicação.

• Análise de Máxima Verossimilhança e Separação:

  • Introduzem o conceito de "dupla separação" (double separation), uma generalização da condição de separação conhecida na regressão logística ordinária. Demonstram que, se os dados satisfazem a dupla separação, o estimador de máxima verossimilhança (MLE) não existe.
  • Propõem a condição de "não-separação dupla $\epsilon$" ($\epsilon$-double-non-separation) como uma condição suficiente para garantir a existência do estimador.

• Identificabilidade e Simetria de Troca:

  • Provas teóricas estabelecem que, sob condições de suporte regulares (covariáveis contínuas ou mistas), o modelo é identificável até a simetria de troca. Ou seja, o par ordenado $(\beta, \gamma)$ não é único, mas a classe de equivalência $[\beta, \gamma]$ (onde $(\beta, \gamma) \sim (\gamma, \beta)$) é única.
  • Demonstra-se que a verossimilhança esperada possui um único maximizador no espaço quociente resultante dessa simetria.

• Fenômeno de "Sign Flip" (Inversão de Sinal):

  • Os autores provam que ignorar a inflação por zeros e ajustar um modelo logístico padrão pode levar a uma inversão de sinal no coeficiente estimado em relação ao valor verdadeiro, especialmente quando uma covariável tem efeitos opostos nos dois componentes latentes (positivo na resposta, negativo na estrutura de zeros, ou vice-versa).

• Métodos Computacionais (MCMC):

  • Para explorar a distribuição posterior bimodal resultante da simetria, os autores desenvolvem um amostrador Gibbs com Polya-Gamma integrado ao método de Replica Exchange (troca de réplicas). Isso permite que a cadeia de Markov escape de mínimos locais e explore ambos os modos simétricos eficientemente.

• Regra de Reetiquetagem (Relabeling Rule):

  • Para aplicações práticas onde é necessário um par ordenado único, propõem uma regra heurística simples:
    1. Ajustar um modelo logístico padrão (ignoring zero-inflation) para obter $\hat{\beta}_{LR}$.
    2. Ajustar o modelo ZILR compartilhado, obtendo uma solução $(\hat{\beta}, \hat{\gamma})$.
    3. Escolher a permutação (ou a original ou a trocada) cujo primeiro componente esteja mais próximo de $\hat{\beta}_{LR}$ em termos de norma euclidiana.

3. Resultados Principais

• Teóricos:

  • Estabelecimento rigoroso das condições de existência e não-existência do MLE para modelos ZILR.
  • Prova de que a não-identificabilidade no design compartilhado não é caótica, mas estruturada como uma simetria de troca, permitindo a definição de um alvo inferencial bem definido no espaço quociente.
  • Demonstração formal de que a omissão do mecanismo de inflação por zeros pode levar a conclusões qualitativamente erradas (inversão de sinal).

• Numéricos e Simulações:

  • Bimodalidade: Em cenários com covariáveis contínuas ou mistas, a distribuição posterior exibe claramente dois modos bem separados, correspondendo às soluções $(\beta, \gamma)$ e $(\gamma, \beta)$. Em cenários puramente binários, a separação dos modos falha, refletindo a falta de identificabilidade garantida.
  • Desempenho da Reetiquetagem: Estudos de simulação mostram que a regra de reetiquetagem proposta seleciona consistentemente a solução correta (ou uma aproximação próxima) em mais de 99% das replicações, superando significativamente a abordagem "ingênua" (que retém a primeira solução encontrada pelo otimizador) e o modelo logístico padrão (que sofre de viés e inversão de sinal).
  • Estabilidade: O método proposto é mais estável e produz estimativas com menor viés e variância em comparação com o modelo padrão e o modelo ZILR sem reetiquetagem.

• Aplicação Real (NHANES):

  • Aplicação aos dados do National Health and Nutrition Examination Survey (NHANES) sobre diabetes auto-relatado. O modelo conseguiu capturar a estrutura de zeros (casos não diagnosticados) e a regra de reetiquetagem forneceu uma interpretação coerente dos coeficientes, alinhada com a intuição clínica e o modelo logístico padrão.

4. Significância e Contribuições

Este trabalho preenche lacunas críticas na compreensão teórica e prática dos modelos de regressão logística inflacionada por zeros:

1. Fundamentação Teórica: Resolve a ambiguidade sobre a identificabilidade em cenários de design compartilhado, que são comuns na prática, mas anteriormente considerados problemáticos.
2. Guia Prático: Oferece uma solução computacional viável (Regra de Reetiquetagem) para transformar um modelo teoricamente não-identificável em uma ferramenta aplicável para interpretação de parâmetros.
3. Alerta de Viés: Fornece um aviso formal contra o uso de modelos logísticos padrão em dados com excesso de zeros, demonstrando matematicamente o risco de inferências errôneas (inversão de sinal).
4. Inovação Computacional: A integração de Polya-Gamma com Replica Exchange oferece uma abordagem robusta para lidar com a multimodalidade inerente a este tipo de modelo.

Em suma, o artigo fornece as bases teóricas e as ferramentas práticas necessárias para aplicar modelos ZILR com design compartilhado de forma confiável, garantindo que os resultados sejam interpretáveis e estatisticamente válidos.