Bias Correction for Scalar-on-Density Regression Models

Resumo Técnico: Correção de Viés para Modelos de Regressão Escalar-sobre-Densidade

Definição do Problema
A regressão escalar-sobre-função (SoFR) modela a relação entre um desfecho escalar e um preditor funcional. Uma extensão específica, a regressão escalar-sobre-densidade, surge quando o preditor funcional não é uma curva suave observada diretamente, mas sim uma densidade de probabilidade estimada a partir de um número finito de medições por unidade observacional. Exemplos incluem prever pontuações de incapacidade a partir da distribuição de intensidades de atividade física medidas por dispositivos vestíveis ou prever o rendimento das colheitas a partir de distribuições de temperatura.

Neste cenário, a densidade para cada sujeito deve ser estimada a partir de uma amostra finita ($m$ medições). Quando $m$ é relativamente pequeno, a estimativa da densidade introduz incerteza. O artigo demonstra que essa incerteza induz um viés de atenuação na função de coeficiente estimada, contraindo-a em direção a zero. Esse viés diminui monotonicamente à medida que o número de medições por unidade aumenta, mas não desaparece a menos que $m \to \infty$. As abordagens padrão que tratam a densidade estimada como uma covariável funcional conhecida falham em considerar esse erro de estimativa de amostra finita, levando a inferências enviesadas.

Metodologia
Os autores propõem um procedimento de Extrapolação de Simulação (SIMEX) adaptado especificamente para o cenário escalar-sobre-densidade. Diferente das aplicações tradicionais de SIMEX em regressão funcional, que assumem ruído Gaussiano aditivo nas covariáveis, o erro neste contexto é inerente ao próprio processo de estimativa da densidade.

O algoritmo proposto segue os seguintes passos:

1. Transformação: Para lidar com o espaço não linear de funções de densidade, os autores aplicam a transformação de Densidade Log-Quantil (LQD). Isso mapeia a densidade estimada $f_i$ em um espaço de Hilbert de funções integráveis ao quadrado, permitindo o uso de modelos de regressão funcional linear padrão.
2. Reamostragem Bootstrap: Em vez de adicionar ruído artificial, o método controla o nível de erro efetivo gerando subamostras bootstrap de tamanho $m_0$ (onde $m_0 < m$) a partir das $m$ medições originais para cada unidade.
3. Sequência de Estimativa: Para uma grade de tamanhos de subamostra $m_0$, a densidade é reestimada, transformada via LQD e o modelo de regressão é reajustado. Isso é repetido $B$ vezes para cada $m_0$ para obter as funções de coeficiente médias $\bar{\hat{\beta}}_{m_0}(\cdot)$.
4. Extrapolação: A relação entre as estimativas médias e o tamanho da subamostra é modelada. Os autores definem uma transformação $\lambda = 1/\sqrt{m_0}$ para representar o nível de erro inverso. A sequência de estimativas é extrapolada para $\lambda = 0$ (correspondente a $m_0 \to \infty$) usando um spline de produto tensorial não linear. O valor da superfície suavizada em $\lambda = 0$ fornece a estimativa SIMEX corrigida de viés.

Principais Contribuições

• Identificação da Fonte de Viés: O artigo estabelece que o viés de atenuação na regressão escalar-sobre-densidade é uma consequência direta das contagens de medições finitas usadas para a estimação da densidade, distinguindo-se de modelos de erro de medição aditivos.
• Adaptação Metodológica: Adapta o framework SIMEX para um cenário onde o erro não é aditivo e é intrínseco ao procedimento de estimativa, utilizando o subsampling bootstrap para simular níveis variados de precisão de medição.
• Validação Teórica e Empírica: Os autores provam que o viés diminui monotonicamente com o aumento das medições por unidade e fornecem um método de correção prático que extrapola para o limite ideal de medições infinitas.

Resultados de Simulação
Um estudo de simulação abrangente foi conduzido através de variados tamanhos de amostra ($N \in \{50, 100, 200\}$) e níveis de ruído ($\sigma \in \{0.01, 0.05\}$).

• Redução de Viés: As estimativas extrapoladas pelo SIMEX alcançaram consistentemente menores vieses do que as estimativas ingênuas baseadas no conjunto completo de medições. O método de extrapolação não linear geralmente superou as alternativas lineares e quadráticas por capturar melhor a curvatura da relação de viés.
• Erro Quadrático Médio Integrado (MISE): Na maioria dos cenários, a redução no viés quadrático superou o aumento na variância introduzido pelo bootstrap e pela extrapolação, resultando em um MISE total menor para o estimador SIMEX em comparação ao estimador ingênuo.
• Ressalvas: Em cenários com tamanhos de amostra muito pequenos ($N=50$) e alto ruído, o aumento da variância causado pelo SIMEX foi substancial o suficiente para resultar em um MISE maior do que o do estimador ingênuo, apesar de uma clara redução no viés. Isso destaca o compromisso entre viés e variância (bias-variance trade-off) inerente ao método.

Aplicação aos Dados do NHANES
O método foi aplicado aos dados do National Health and Nutrition Examination Survey (NHANES) 2011–2014 para modelar a associação entre perfis de atividade física de 24 horas e mortalidade por todas as causas.

• Dados: Foram utilizadas contagens de atividade minuto a minuto para 3.676 participantes para estimar as distribuições de densidade de atividade.
• Achados: O estimador ingênuo (usando todos os 1.440 minutos por sujeito) mostrou uma função de coeficiente que estava atenuada. A correção SIMEX deslocou a estimativa em uma direção consistente com os resultados da simulação, sugerindo que, mesmo com um grande número de medições por sujeito, o viés de medição finita persiste e pode ser corrigido.

Significância e Alegações
O artigo afirma que o procedimento SIMEX proposto é uma ferramenta robusta para corrigir o viés de atenuação na regressão escalar-sobre-densidade sem exigir o conhecimento do estimador de densidade específico utilizado (por exemplo, splines suavizados, densidade de kernel). Os autores enfatizam que seu método visa o viés induzido especificamente pela estimativa de medição finita, distinguindo-se das técnicas de pré-suavização que apenas trocam viés por variância.

Os autores mantêm um tom modesto em relação às limitações do método, reconhecendo que a correção de viés ocorre ao custo de um aumento na variância. Eles concluem que, embora o método seja eficaz na redução do viés e na melhoria do MISE em muitos cenários, os usuários devem estar atentos ao compromisso entre viés e variância, particularmente em cenários de amostra pequena ou alto ruído. O método é apresentado como uma solução prática para melhorar a validade da inferência na análise de dados funcionais onde os preditores são derivados de medições finitas.