ProfileGLMM: a R Package Extending Bayesian Profile Regression using Generalised Linear Mixed Models

Resumo Técnico: ProfileGLMM

1. O Problema

A Regressão de Perfil Bayesiana é uma estrutura estatística poderosa que modela simultaneamente a variação de uma variável de resultado e agrupa observações com base em um conjunto de covariáveis de agrupamento interdependentes (exposoma, respostas de questionários, etc.). No entanto, as implementações existentes (como o pacote PReMiuM) apresentam limitações críticas:

• Estruturas de Dados Complexas: A maioria dos métodos assume dados transversais. Eles têm dificuldade em lidar com dados hierárquicos, longitudinais ou de medidas repetidas, onde a correlação intra-sujeito e a heterogeneidade não observada são comuns.
• Interações Limitadas: As abordagens tradicionais não conseguem modelar eficazmente interações entre os clusters latentes (agrupamentos) e outras covariáveis observáveis.
• Subotimidade Estatística: Incluir diretamente covariáveis altamente correlacionadas em modelos de regressão padrão é estatisticamente sub-ótimo, exigindo uma abordagem de agrupamento não paramétrica integrada à regressão.

2. Metodologia

O pacote ProfileGLMM resolve essas limitações integrando Modelos Lineares Generalizados Mistos (GLMMs) dentro do framework de regressão de perfil Bayesiana.

• Estrutura do Modelo:

  • O modelo assume uma distribuição conjunta para o resultado ($y_i$) e as covariáveis de agrupamento ($u_i$), condicionada às covariáveis de regressão ($x_i$).
  • Distribuição de Atribuição: As covariáveis de agrupamento ($u_i$) podem ser contínuas (distribuição Gaussiana multivariada) ou categóricas (distribuição multinomial), ou uma mistura de ambas.
  • Distribuição de Resultado (GLMM): Diferente da regressão de perfil padrão, o ProfileGLMM permite que a distribuição do resultado dependa das covariáveis de agrupamento. O modelo utiliza:
    • Efeitos Fixos ($\beta$): Para covariáveis convencionais.
    • Efeitos Aleatórios ($\eta$): Para capturar a estrutura hierárquica (ex: medidas repetidas em indivíduos), modelados como variáveis latentes com distribuição Gaussiana.
    • Interação com Clusters ($\gamma_c$): Parâmetros específicos para cada cluster latente que interagem com as covariáveis, permitindo que o efeito das exposições varie conforme o perfil do grupo.
  • Tipos de Dados Suportados: Resultados contínuos (Modelo Linear Misto) e binários (Modelo Probit Misto).

• Inferência e Amostragem:

  • O modelo utiliza um Processo de Dirichlet Truncado para tratar o número de clusters como infinito, mas computacionalmente tratável (limitado a um máximo $C$).
  • A inferência é realizada via Amostrador de Gibbs (MCMC), implementado de forma eficiente em Rcpp para garantir velocidade.
  • Para resolver o problema de "troca de rótulos" (label switching) típico de modelos de mistura, o pacote utiliza uma matriz de dissimilaridade média para derivar um agrupamento representativo pós-processamento.

3. Principais Contribuições

O artigo destaca três contribuições fundamentais do pacote ProfileGLMM:

1. Extensão para Dados Hierárquicos: É a primeira implementação de regressão de perfil Bayesiana que incorpora efeitos aleatórios, permitindo a análise de dados longitudinais e agrupados com inferência válida.
2. Modelagem de Interações Cluster-Covariável: O framework permite explicitamente a interação entre os clusters latentes e outras covariáveis observáveis, algo que implementações anteriores não suportavam nativamente.
3. Flexibilidade Funcional (Ajuste Piecewise): O pacote demonstra uma capacidade única de realizar ajustes lineares por partes (piecewise linear fits). Ao tratar uma covariável contínua simultaneamente como covariável de agrupamento e de interação, o modelo pode identificar não parametricamente regimes locais e estimar tendências lineares distintas para cada segmento.

4. Resultados e Desempenho

• Aplicação em Dados Simulados:
  • Em um estudo de caso com dados de exposoma longitudinal (4.500 observações de 1.500 indivíduos), o modelo recuperou com precisão os 9 clusters latentes verdadeiros e estimou corretamente os efeitos fixos, aleatórios e as interações específicas dos clusters.
  • Na aplicação de ajuste piecewise, o modelo identificou com sucesso 6 dinâmicas locais distintas em um conjunto de dados unidimensional, reconstruindo a função subjacente com alta fidelidade.
• Eficiência Computacional:
  • O pacote foi benchmarkado contra o PReMiuM (o pacote de referência atual).
  • Os resultados mostraram que o ProfileGLMM possui uma complexidade de tempo computacional da mesma ordem, sendo, em alguns cenários, mais rápido (ex: 485s vs 1031s para 12.000 observações em 2.000 iterações).
  • A implementação em Rcpp garante que o pacote seja escalável para conjuntos de dados com dezenas de milhares de observações.

5. Significância e Impacto

O ProfileGLMM representa um avanço significativo na análise estatística de dados complexos em campos como epidemiologia, ciências sociais e estudos clínicos.

• Unificação de Abordagens: Permite que pesquisadores analisem simultaneamente a estrutura de agrupamento de dados complexos e a modelagem de resultados hierárquicos em um único framework coerente.
• Ferramenta Prática: Oferece uma interface em R amigável, com funções de pré-processamento, amostragem Gibbs e pós-processamento (incluindo previsão para novos dados), minimizando a necessidade de configuração manual complexa.
• Futuro: O trabalho abre caminho para futuras extensões, como seleção de variáveis de agrupamento e suporte a dados de tempo até o evento (time-to-event), consolidando-se como uma ferramenta essencial para a análise de dados de alta dimensão e estrutura complexa.