Efficient Longitudinal Function-on-Function Regression

1. Formulação do Problema

O artigo aborda o desafio estatístico de analisar dados funcionais longitudinais onde tanto o desfecho quanto os preditores são funções observadas ao longo do tempo.

• Contexto: Estudos modernos (por exemplo, o estudo Ready Steady 3.0) coletam dados vestíveis de alta dimensão (atividade física em nível de minuto) em múltiplas visitas e sujeitos.
• A Lacuna: Métodos existentes para regressão funcional longitudinal geralmente lidam apenas com cenários de escalar-sobre-função ou função-sobre-escalar. Embora os Modelos Aditivos Mistas Funcionais (FAMM) possam teoricamente lidar com regressão função-sobre-função com estruturas longitudinais, eles sofrem de severas limitações computacionais. À medida que o número de sujeitos ($N$) e a densidade das observações funcionais aumentam, o FAMM torna-se computacionalmente intratável (por exemplo, falha em concluir em um dia para conjuntos de dados com ~300 sujeitos).
• Objetivo: Desenvolver um método que forneça estimação precisa e inferência válida para regressão funcional longitudinal função-sobre-função, escalando eficientemente para grandes conjuntos de dados.

2. Metodologia: Regressão Funcional Longitudinal Eficiente (ELFFR)

Os autores propõem uma nova abordagem marginal de três etapas que decompõe o complexo problema de modelagem conjunta em tarefas mais simples e paralelizáveis.

Etapa 1: Regressão Escalar-sobre-Função Longitudinal Ponto a Ponto

Em vez de ajustar um modelo conjunto, o método ajusta um modelo separado de Regressão Funcional Penalizada Longitudinal (LPFR) em cada ponto discreto de tempo $s_l$ ao longo do domínio funcional.

• Modelo: $Y_{ij}(s_l) = X_{ij}^T \beta(s_l) + Z_{ij}^T b_i(s_l) + \sum \int W_{ijk}(u)\gamma_k(s_l, u)du + \epsilon_{ij}(s_l)$.
• Mecanismo: Isso trata o coeficiente funcional $\gamma(s, u)$ como uma série de coeficientes ponto a ponto. Os efeitos aleatórios $b_i(s_l)$ capturam a correlação intra-sujeito em cada ponto de tempo específico.
• Vantagem: Esses modelos são independentes entre os pontos de tempo, permitindo paralelização massiva.

Etapa 2: Suavização

As estimativas ponto a ponto obtidas na Etapa 1 são ruidosas. O método aplica suavização para reconstruir as superfícies funcionais contínuas.

• Coeficientes Escalares: $\hat{\beta}(s_l)$ são suavizados ao longo do domínio funcional $S$ usando splines penalizados (P-splines).
• Coeficientes Funcionais: As superfícies estimadas $\hat{\gamma}_k(s, u)$ são suavizadas ao longo do domínio bivariado ($S \times U$) usando um suavizador sanduíche.
• Diretriz: Os autores recomendam o uso de um pequeno número de nós (por exemplo, <10) no domínio do preditor para garantir estabilidade e evitar sobreajuste.

Etapa 3: Inferência (Bandas de Confiança)

São fornecidas duas abordagens para a construção de bandas de confiança:

1. Abordagem Analítica (Dados Gaussianos): Deriva uma solução de forma fechada para a covariância dos estimadores. Ela leva em conta a correlação entre pontos de tempo por meio de um estimador do método dos momentos para a estrutura de covariância do efeito aleatório $G(s_1, s_2)$. A covariância final é computada usando propriedades de produto tensorial das matrizes do suavizador.
2. Bootstrap de Clusters (Geral): Um bootstrap não paramétrico dos participantes do estudo (reamostragem de sujeitos, não de pontos de tempo) é utilizado tanto para dados gaussianos quanto não gaussianos para garantir inferência robusta.

3. Contribuições Principais

• Eficiência Computacional: A contribuição principal é um método que escala linearmente (ou quase linearmente) com o número de sujeitos, ao contrário da escala exponencial dos modelos mistos conjuntos. Ele aproveita a computação paralela para ajustar milhares de modelos ponto a ponto simultaneamente.
• Extensão Inovadora: Estende a abordagem marginal (anteriormente usada para função-sobre-escalar) para o cenário mais complexo de função-sobre-função. Isso não é trivial, pois requer o tratamento de suavização bivariada e estruturas de covariância complexas para coeficientes funcionais.
• Inferência Válida: Fornece um quadro inferencial rigoroso com bandas de confiança analíticas para dados gaussianos e um procedimento de bootstrap flexível para casos gerais, garantindo probabilidades de cobertura válidas.
• Implementação de Software: O método é implementado em um pacote R (disponível no GitHub), tornando-o acessível aos pesquisadores.

4. Resultados de Simulação

Os autores conduziram simulações extensas comparando o ELFFR com a abordagem padrão FAMM.

• Precisão: O ELFFR alcança precisão de estimação (medida pelo Erro Quadrático Médio Integrado) comparável ao FAMM, com ligeiras melhorias em tamanhos de amostra maiores.
• Inferência: O método alcança cobertura quase nominal (95%) para bandas de confiança, particularmente com tamanhos de amostra maiores e a abordagem analítica.
• Velocidade: Os ganhos computacionais são dramáticos.
  • Em $N=400$: ELFFR levou ~5,4 minutos vs. >68 minutos do FAMM.
  • Em $N=800$: ELFFR levou ~35 minutos vs. ~13,4 horas do FAMM.
• Escalabilidade: O método permanece viável para grandes conjuntos de dados onde o FAMM falha em convergir dentro de um prazo razoável.

5. Aplicação: Estudo Ready Steady 3.0 (RS3)

O método foi aplicado a um estudo de intervenção de atividade física envolvendo 294 adultos mais velhos, com dados em nível de minuto coletados em 4 visitas.

• Estrutura de Dados: Desfecho funcional (PA ao longo do dia) e preditor funcional (PA basal ao longo do dia), ajustado para covariáveis escalares (idade, gênero, índice de privação da área).
• Principais Achados:
  • Intervenções Interpessoais: Aumentaram significativamente a atividade física especificamente durante as horas da manhã (9h – 14h). Este efeito não foi observado para estratégias intrapessoais.
  • Especificidade Temporal: A análise revelou que o efeito da intervenção está concentrado nas horas de pico de atividade, uma nuance perdida quando os dados são agregados em totais diários.
  • Covariáveis: A idade mostrou um efeito negativo significativo na PA no final da tarde (16h – 19h), e o Índice de Privação da Área (ADI) mostrou um efeito negativo no final da manhã.
• Significado: O estudo demonstra que a regressão funcional pode uncover efeitos de tratamento específicos no tempo que análises agregadas tradicionais perdem, oferecendo insights acionáveis para o desenho de intervenções comportamentais.

6. Significado e Direções Futuras

• Impacto: Este trabalho preenche a lacuna entre dados vestíveis de alta dimensão e modelagem estatística rigorosa, permitindo que pesquisadores analisem dados funcionais longitudinais complexos sem custos computacionais proibitivos.
• Limitações e Trabalho Futuro:
  • A sensibilidade aos parâmetros de suavização (seleção de nós) requer investigação adicional para seleção automatizada ótima.
  • A inferência analítica torna-se computacionalmente pesada à medida que a densidade do domínio funcional aumenta (embora a subamostragem possa mitigar isso).
  • Pesquisas futuras poderiam explorar métodos alternativos de ajuste ponto a ponto, como a Regressão Funcional Dinâmica Longitudinal (LDFR).

Em resumo, o ELFFR é uma solução escalável, precisa e prática para a análise moderna de dados funcionais longitudinais, aplicada com sucesso para revelar efeitos específicos no tempo em um ensaio de atividade física em larga escala.