Robust confidence intervals for generalized linear models

Resumo Técnico: Intervalos de Confiança Robustos para Modelos Lineares Generalizados

Enunciado do Problema
A quantificação confiável da incerteza é um desafio crítico na análise moderna de dados biomédicos, particularmente no âmbito dos Modelos Lineares Generalizados (GLMs). Os intervalos de confiança padrão para parâmetros de regressão em GLMs são inerentemente paramétricos, dependendo da especificação correta da relação média–variância. Na prática, as suposições relativas à homocedasticidade e à ausência de sobredispersão são frequentemente violadas devido à variabilidade biológica complexa, heterocedasticidade ou fontes de variação não observadas. Quando essas suposições falham, os intervalos do tipo Wald clássicos frequentemente sofrem de subcobertura severa, levando a inferências científicas imprecisas. Embora estimadores de covariância robustos (por exemplo, estimadores tipo sanduíche) ofereçam remédios parciais, eles frequentemente exibem convergência lenta para níveis de cobertura nominal em amostras finitas, particularmente em cenários com tamanhos de amostra pequenos ou especificações distribucionais incorretas específicas.

Metodologia
Os autores propõem um framework semiparamétrico para a construção de intervalos de confiança em GLMs que permanece válido sob especificação incorreta geral da variância. O cerne da metodologia envolve a inversão de testes de hipóteses baseados no teste de pontuação com inversão de sinais (Hemerik et al., 2020; De Santis et al., 2025).

1. Teste de Pontuação com Inversão de Sinais: A abordagem utiliza a estatística de pontuação efetiva, $S(\beta, \gamma)$, derivada da função de verossimilhança. Sob a hipótese nula $H_0: \beta = \beta_0$, a estatística de teste é computada usando o modelo nulo (onde $\beta_0$ atua como um offset). Para gerar a distribuição nula, os sinais das contribuições individuais de pontuação são aleatoriamente invertidos usando matrizes diagonais $F_g$ contendo $-1$e$1$. A estatística de teste é padronizada para melhorar as propriedades de convergência.
2. Inversão do Teste: Os intervalos de confiança são definidos como o conjunto de valores de parâmetro $\beta_0$ que não são rejeitados pelo teste de inversão de sinais de nível-$\alpha$. Para construir o intervalo, os autores invertem testes unilaterais:
   • Para $\beta_0 < \hat{\beta}_{obs}$, eles testam $H_0: \beta = \beta_0$ vs. $H_1: \beta > \beta_0$.
   • Para $\beta_0 > \hat{\beta}_{obs}$, eles testam $H_0: \beta = \beta_0$ vs. $H_1: \beta < \beta_0$.
3. Monotonicidade e Algoritmo de Bissecção: Um obstáculo técnico significativo abordado é a potencial não monotonicidade das funções de valor-p derivadas de testes baseados em permutação, o que pode complicar o processo de inversão. Os autores estabelecem resultados teóricos (Teoremas 2 e 3) demonstrando que, sob condições adequadas (incluindo modelos lineares e regimes assintóticos para GLMs), as funções de valor-p são monótonas. Aproveitando isso, eles implementam um algoritmo de bissecção para buscar eficientemente os limites do intervalo. O algoritmo lida explicitamente com a discreticidade dos valores-p e garante a recuperação de limites conservadores, buscando o ínfimo/supremo da região não rejeitada.
4. Tipos de Intervalo: O framework suporta tanto intervalos "equitailados" (encontrando limites inferiores e superiores separados em $\alpha/2$) quanto intervalos "simétricos" (encontrando uma distância simétrica $\delta$ da estimativa tal que a soma dos valores-p seja igual a $\alpha$).

Principais Contribuições

• Garantias Teóricas: O artigo fornece resultados de monotonicidade para amostras finitas e assintóticos para funções de valor-p decorrentes de testes de pontuação com inversão de sinais na presença de confundidores de incômodo. Isso justifica o uso de algoritmos de bissecção para a construção de intervalos.
• Robustez à Especificação Incorreta da Variância: Diferentemente dos intervalos Wald padrão ou mesmo de intervalos baseados em sanduíche em alguns cenários de amostras finitas, o método proposto mantém a cobertura nominal mesmo quando os parâmetros de dispersão ou a estrutura de variância são especificados incorretamente.
• Implementação Algorítmica: Os autores introduzem um algoritmo prático de busca por bissecção que navega pela natureza discreta dos valores-p baseados em permutação, garantindo que os conjuntos de confiança resultantes sejam intervalos conectados com cobertura assintótica correta.
• Disponibilidade de Software: A metodologia é implementada no pacote R flipscores, permitindo que os usuários obtenham intervalos de confiança robustos via métodos confint padrão em objetos de modelo.

Resultados
Os autores avaliam o método por meio de estudos de simulação e uma aplicação do mundo real:

• Estudos de Simulação: Em seis cenários (modelos lineares, logísticos, Poisson, Binomial Negativo e heterocedásticos), os intervalos baseados em inversão de sinais propostos alcançaram consistentemente a cobertura nominal (0,95) mesmo sob especificação incorreta severa da variância (por exemplo, dados de Poisson sobredispersos ajustados com um modelo Poisson, ou heterocedasticidade em modelos lineares). Em contraste, os intervalos Wald clássicos mostraram subcobertura substancial (por exemplo, caindo abaixo de 0,5 em casos de Poisson sobredispersos), e os intervalos baseados em sanduíche frequentemente falharam em atingir níveis nominais em amostras pequenas ($N=25, 50$). Embora métodos paramétricos produzissem intervalos mais estreitos quando as suposições eram válidas, eles falharam em fornecer inferência confiável quando as suposições eram violadas.
• Aplicação em Dados Reais: O método foi aplicado a dados de sequenciamento de RNA do Atlas do Genoma do Câncer (TCGA-LIHC) para analisar a expressão gênica diferencial em relação ao estágio do tumor. O estudo comparou intervalos derivados de modelos Poisson e Binomial Negativo. Os intervalos baseados em inversão de sinais demonstraram maior estabilidade e coerência entre diferentes especificações de modelo em comparação com intervalos baseados em sanduíche. Especificamente, o método baseado em inversão de sinais produziu intervalos mais largos que garantiram cobertura nominal, whereas os intervalos Wald baseados em modelo (especialmente sob suposições Poisson) produziram intervalos excessivamente otimistas e estreitos que provavelmente subestimaram a incerteza.

Significado e Afirmações
O artigo afirma oferecer uma "alternativa prática e robusta" aos métodos convencionais baseados em quasi-verossimilhança ou Wald para estimação de intervalos em GLMs. O principal significado reside em sua capacidade de fornecer quantificação confiável da incerteza em aplicações biomédicas de alto rendimento, onde as estruturas de variância são complexas e difíceis de especificar corretamente. Ao desacoplar a validade do intervalo de confiança da especificação correta da variância (mantendo a estrutura da média), o método reduz o risco de falsos positivos e conclusões enganosas impulsionadas por erros de modelagem. Os autores posicionam isso como uma solução para cenários onde "as suposições de modelagem são difíceis de verificar", como em genômica, permitindo que os pesquisadores avancem além da estimação pontual para inferência de intervalos robusta. O trabalho é modesto em escopo, focando em parâmetros escalares únicos e evitando questões de multiplicidade, enquanto identifica extensões para modelos mistos, modelos inflacionados de zeros e inferência simultânea como direções futuras.