PCA score regression: the art of losing power

Resumo Técnico: Regressão de Pontuação PCA: A Arte de Perder Poder

Declaração do Problema
O artigo aborda uma questão metodológica pervasiva na análise de dados funcionais: a regressão de pontuações de componentes principais específicas do sujeito (RPCS) sobre covariáveis escalares. Esta abordagem em duas etapas — primeiro realizar uma Análise de Componentes Principais (PCA) ou Decomposição em Valores Singulares (SVD) para extrair pontuações, e depois regressar essas pontuações sobre covariáveis — é amplamente utilizada em campos que vão desde genômica e neuroimagem até monitoramento de atividade física. Os autores argumentam que, embora a RPCS seja computacionalmente conveniente, ela é estatisticamente equivalente a ajustar um modelo mal especificado. Essa má especificação leva a uma perda severa, muitas vezes não reconhecida, de poder estatístico, a taxas infladas de erro Tipo I quando a multiplicidade é ignorada e a inferências inválidas sobre os verdadeiros efeitos funcionais.

Metodologia
Os autores estabelecem um quadro teórico rigoroso comparando duas abordagens:

1. Regressão de Função sobre Escalar (FoSR): Um modelo corretamente especificado onde o resultado funcional $W_i(s)$ é modelado diretamente como uma função de covariáveis escalares $X_i$ e efeitos aleatórios:
   $$W_i(s) = \beta_0(s) + \sum_{q=1}^Q X_{iq}\beta_q(s) + \sum_{l=1}^{L_{true}} \xi_{il}\phi_l(s) + \epsilon_i(s)$$
   Aqui, $\beta_q(s)$ representa as funções de efeito fixo de interesse, e a inferência é conduzida diretamente sobre essas funções.

2. RPCS (Modelo Mal Especificado): O procedimento padrão em duas etapas onde a PCA é primeiro aplicada à matriz de dados $W$, ignorando as covariáveis, para extrair pontuações $\xi^M_{il}$ baseadas em autofunções estimadas $\phi^M_l(s)$. Essas pontuações são então regressadas sobre as covariáveis:
   $$\xi^M_{il} = b_{0l} + \sum_{q=1}^Q b_{ql}X_{iq} + e_{il}$$

A contribuição teórica central é o Teorema 1, que demonstra que o coeficiente de regressão $b_{ql}$ no quadro RPCS não é o efeito verdadeiro $\beta_q(s)$, mas sim o produto interno (projeção) do efeito verdadeiro sobre as autofunções estimadas:
$$b_{ql} = \int_S \beta_q(s)\phi^M_l(s) ds$$

Principais Contribuições e Achados Teóricos
O artigo fornece cinco insights principais sobre as limitações da RPCS:

• Perda de Poder via Ortogonalidade: O poder da RPCS para detectar uma associação depende inteiramente da correlação entre o efeito verdadeiro $\beta_q(s)$ e as autofunções estimadas $\phi^M_l(s)$. Se o efeito verdadeiro for ortogonal aos principais componentes (ou seja, a integral acima for zero), a RPCS tem poder zero para detectar o efeito, independentemente da magnitude do efeito.
• Diluição do Sinal: Mesmo quando não perfeitamente ortogonal, a RPCS substitui um único teste para a função verdadeira $\beta_q(s) = 0$ por $L_{miss}$ testes para sinais projetados menores ($b_{ql}$). Essa fragmentação do sinal reduz inerentemente o poder estatístico em comparação com a modelagem direta no FoSR.
• Multiplicidade e Inflação: Testar múltiplos coeficientes $b_{ql}$ introduz um problema de multiplicidade. Se não corrigido, isso leva a níveis $\alpha$ inflados. Se corrigido (por exemplo, via Bonferroni), o poder é reduzido ainda mais.
• Questões de Interpretabilidade: Os coeficientes $b_{ql}$ são difíceis de interpretar no espaço original dos dados. Reconstruir o efeito funcional $\hat{\beta}_q(s)$ apenas a partir de PCs significativos pode produzir formas fundamentalmente diferentes, dependendo de quais PCs são selecionados, levando a interpretações biológicas enviesadas ou ambíguas.
• Validade da Inferência: Os métodos atuais de RPCS não fornecem inferência válida para o efeito verdadeiro $\beta_q(s)$ porque a hipótese sendo testada ($b_{ql}=0$) é distinta da hipótese científica de interesse ($\beta_q(s)=0$).

Resultados Empíricos
Os autores validam esses achados teóricos por meio de simulações extensas e uma aplicação com dados reais:

• Simulações: Em cenários onde o efeito verdadeiro é ortogonal ou apenas parcialmente correlacionado com os componentes principais, o poder da RPCS cai para o nível do tamanho do teste (sem detecção), enquanto o FoSR mantém alto poder. As simulações confirmam que a perda de poder é uma função direta da correlação entre o efeito verdadeiro e os PCs.
• Aplicação NHANES: Usando dados de acelerometria em nível de minuto do Inquérito Nacional de Saúde e Nutrição (2011–2014), os autores analisaram o efeito da idade na atividade física.
  • Resultados RPCS: Falharam em detectar um efeito estatisticamente significativo da idade nos primeiros quatro componentes principais (valores-p > 0,05), levando à conclusão de que a idade não tem efeito sobre os padrões de atividade no grupo etário de 56–62 anos.
  • Resultados FoSR: Detectaram um efeito negativo significativo da idade na atividade especificamente durante as primeiras horas da manhã (4h – 7h) e períodos noturnos, com valores-p < 0,001.
  • Falha na Reconstrução: Os autores demonstraram que tentar reconstruir o efeito da idade a partir das pontuações RPCS significativas produziu um resultado que não correspondia à estimativa do FoSR, destacando a incapacidade da RPCS de recuperar a verdadeira forma funcional.

Significado e Alegações
O artigo afirma que o pipeline "PCA-então-regressão", embora popular por sua simplicidade, é fundamentalmente falho para testes de hipóteses e estimação de efeitos em configurações de dados funcionais. Os autores afirmam que:

1. A RPCS é estatisticamente equivalente a ajustar um modelo mal especificado, levando a uma perda sistemática de poder que frequentemente é negligenciada.
2. O método pode produzir falsos negativos, particularmente quando o sinal verdadeiro é pequeno a moderado ou não está perfeitamente alinhado com as direções de variância máxima nos dados.
3. O problema não se limita a dados funcionais, mas estende-se a qualquer análise de resultados de alta dimensão (por exemplo, genômica, imageamento) onde pontuações de autovetores são regredidas sobre covariáveis.
4. A Regressão de Função sobre Escalar (FoSR) oferece uma alternativa robusta que evita essas armadilhas ao modelar diretamente a média condicional do resultado funcional, proporcionando inferência válida e maior poder.

Os autores concluem que a conveniência da RPCS vem a um custo significativo para o poder estatístico, a reconstrução de sinais e a validade da inferência científica, instando uma mudança em direção a abordagens de modelagem funcional direta como o FoSR.