hyreg2: An R package to Estimate Latent Classes on a Mixture of Continuous and Dichotomous Data

Resumo Técnico de "hyreg2: Um pacote R para Estimar Classes Latentes em uma Mistura de Dados Contínuos e Dicotômicos"

Definição do Problema
A pesquisa estatística em diversas disciplinas, como economia da saúde, marketing e ensaios clínicos, frequentemente exige a modelagem conjunta de tipos de resultados mistos — especificamente dados contínuos e dicotômicos — sob a premissa de que eles derivam de um processo gerador de dados comum. Embora modelos híbridos (modelos de verossimilhança conjunta) ofereçam estimativas mais eficientes e interpretação coerente de parâmetros em comparação com análises separadas, as soluções de software existentes apresentam barreiras significativas. Estruturas Bayesianas (ex: brms, MCMCglmm) são flexíveis, mas exigem a especificação de priors complexos, o que pode ser desafiador em contextos como avaliações clínicas iniciais. Por outro lado, abordagens frequentistas de máxima verossimilhança são frequentemente limitadas: ferramentas como lme4 lidam com diferentes distribuições, mas carecem de capacidades de verossimilhança conjunta entre tipos de dados, enquanto estruturas flexíveis como TMB exigem que os usuários programem explicitamente funções de verossimilhança complexas. Além disso, implementações existentes do modelo híbrido específico proposto por Ramos-Goñi et al. [2017] (ex: xreg em R, hyreg em Stata) não suportam a estimativa de modelos de classe latente, impedindo a identificação da heterogeneidade não observada dentro da população.

Metodologia
O artigo introduz uma estrutura frequentista para estimar modelos de classe latente em uma mistura de dados contínuos e dicotômicos. A abordagem metodológica central combina:

1. Formulação de Verossimilhança Conjunta: O modelo assume que as respostas contínuas seguem uma distribuição normal e as respostas dicotômicas seguem uma distribuição binomial. Estas são vinculadas por um conjunto compartilhado de parâmetros do modelo e um parâmetro de escala $\theta$ (onde $\beta_{contínuo} = \theta \times \beta_{dicotômico}$). A log-verossimilhança conjunta é maximizada, assumindo independência condicional entre os dois tipos de resultados dado a classe latente.
2. Análise de Classe Latente (LCA): A população é modelada como uma mistura finita de $K$ subgrupos latentes, cada um caracterizado por parâmetros distintos ($\beta_k, \sigma_k, \theta_k$).
3. Algoritmo de Expectativa-Maximização (EM): A estimativa é realizada usando o algoritmo EM, implementado via pacote flexmix.
   • Passo E (E-step): Calcula as probabilidades de classe posterior para cada observação.
   • Passo M (M-step): Maximiza a log-verossimilhança ponderada para cada classe. Este passo utiliza um driver customizado (FLXMRhyreg) que define a verossimilhança conjunta e emprega bbmle::mle2 para a otimização de parâmetros.
4. Extensões: A estrutura suporta heterocedasticidade (via um modelo de variância separado para dados contínuos), dados censurados (usando otimização limitada) e especificações de modelos não lineares (via fórmulas "não clássicas" onde os parâmetros são explicitamente definidos em vez de inferidos a partir de nomes de colunas).

Principais Contribuições: O Pacote hyreg2
A principal contribuição é o pacote R hyreg2, que fornece uma implementação amigável do modelo de Ramos-Goñi et al. [2017] estendida para análise de classe latente. As principais características incluem:

• Acessibilidade: Os usuários podem estimar modelos complexos de classe latente de verossimilhança conjunta sem programar a função de verossimilhança ou o algoritmo EM manualmente.
• Flexibilidade: O pacote suporta estruturas de erro homocedásticas (hyreg2) e heterocedásticas (hyreg2_het), dados censurados e fórmulas não clássicas.
• Coeficientes Parciais: Permite a especificação de variáveis que afetam apenas a parte contínua ou apenas a parte dicotômica do modelo.
• Visualização e Diagnósticos: Funções dedicadas (summary_hyreg2, plot_hyreg2) facilitam a interpretação dos resultados e a visualização da atribuição de classes.
• Compatibilidade: Quando $k=1$ (sem classes latentes), o pacote reproduz resultados equivalentes ao pacote xreg, garantindo consistência com a literatura estabelecida.

Resultos e Validação
O artigo valida o pacote através de duas vias principais:

1. Reprodutibilidade: Em um estudo de caso utilizando dados de valoração do EQ-5D-5L, as estimativas do hyreg2 para um modelo de componente único ($k=1$) coincidiram com as do pacote xreg até a terceira casa decimal, confirmando a implementação correta da estrutura de verossimilhança conjunta subjacente.
2. Detecção de Classe Latente: O pacote identificou com sucesso dois classes latentes nos dados do EQ-5D. A visualização revelou padrões de preferência distintos: participantes da Classe 2 tendiam a rejeitar estados de saúde (atribuindo valores de utilidade mais altos) com mais frequência e em níveis mais baixos de comprometimento em comparação com a Classe 1. Isso demonstra a capacidade do pacote de detectar heterogeneidade de preferência que seria mascarada em modelos agregados.
3. Recursos Avançados: O artigo demonstra a estimativa bem-sucedida de modelos com dados censurados (valores TTO limitados), heterocedasticidade (variância modelada como uma função de covariáveis) e fórmulas não clássicas (ex: o modelo EQ-5D de 8 parâmetros e transformações não lineares).

Significância e Alegações
Os autores posicionam o hyreg2 como uma ponte entre a metodologia estatística avançada e a aplicação prática. A significância do trabalho reside em reduzir a barreira de entrada para a aplicação de modelos de classe latente de verossimilhança conjunta, particularmente para pesquisadores que não são especialistas em programação. Ao oferecer uma alternativa frequentista às abordagens Bayesianas, o pacote aborda a dificuldade de especificar priors em novos contextos clínicos ou econômicos. Os autores afirmam modestamente que, embora o modelo tenha sido motivado pela economia da saúde (valores de EQ-5D), sua estrutura é genérica e aplicável a qualquer domínio que envolva dados contínuos e dicotômicos observados conjuntamente, como comportamento do consumidor (incidência de compra vs. disposição para pagar) ou ensaios clínicos (toxicidade vs. eficácia). O artigo conclui que o hyreg2 produz resultados plausíveis e significativos, mas observa que, como todas as estimativas de máxima verossimilhança, os resultados podem ser sensíveis aos valores iniciais, recomendando o uso de bootstrapping ou múltiplos pontos de partida para garantir a convergência global. Direções de desenvolvimento futuro identificadas pelos autores incluem a extensão do suporte de fórmulas não clássicas para a função heterocedástica e a implementação de seleção de modelos automatizada.