Robust and Scalable Sure Screening of Fixed effects in Ultrahigh-dimensional Linear Mixed Models

Resumo Técnico: Triagem Segura Robusta e Escalável de Efeitos Fixos em Modelos Mistos Lineares de Ultra-alta Dimensão

Definição do Problema
Aplicações modernas de Modelos Mistos Lineares (LMMs), como estudos de associação genômica ampla (GWAS) e pesquisa biomédica longitudinal, envolvem cada vez mais covariáveis de efeito fixo (FE) de ultra-alta dimensão, onde o número de preditores $p$ cresce exponencialmente com o tamanho da amostra $n$ ($\log p = O(n^\tau)$). Embora os LMMs sejam essenciais para lidar com estruturas de dependência complexas induzidas por efeitos aleatórios (REs) em dados agrupados ou longitudinais, os métodos existentes de triagem de variáveis enfrentam dois desafios críticos neste regime:

1. Escalabilidade: Métodos de penalização de verossimilhança direta ou de encolhimento Bayesiano para LMMs são computacionalmente proibitivos quando $p \gg n$. Embora a Triagem de Independência Segura (SIS) ofereça uma alternativa escalável, as implementações padrão de SIS para LMMs baseiam-se em princípios de mínimos quadrados (LS) ou de máxima verossimilhança (ML).
2. Robustez: Estatísticas de triagem baseadas em LS e ML são altamente sensíveis à contaminação de dados (outliers, erros de registro) e à especificação incorreta do modelo. Em dados agrupados, outliers podem surgir em múltiplos níveis (dentro de indivíduos, em pontos temporais específicos ou como clusters anômalos), levando a classificações de variáveis instáveis e à falha da propriedade de "triagem segura" (a garantia de que todas as covariáveis verdadeiramente ativas sejam retidas).

Os métodos de triagem robustos existentes são amplamente limitados a dados independentes ou subclasses específicas de modelos longitudinais, carecendo de um arcabouço teórico geral para LMMs de ultra-alta dimensão que equilibre eficiência computacional com robustez.

Metodologia: DPD-SISP
Os autores propõem o DPD-SISP (Triagem de Independência Segura baseada em DPD com matriz de proxy), um procedimento projetado para desacoplar o tratamento da dependência das considerações de robustez. A metodologia procede em três estáções principais:

1. Transformação de Branqueamento Baseada em Proxy:
   Para abordar a intratabilidade computacional de lidar com a estrutura de covariância total de RE durante a triagem marginal, o método emprega uma matriz de covariância de trabalho (proxy) $P$ para aproximar a verdadeira covariância induzida por RE $\sigma^{-2}\Psi$.

   • Os dados são transformados usando um estimador de covariância plug-in $\hat{\Sigma}_i = Z_i P Z_i^\top + I_{n_i}$.
   • Especificamente, a resposta e as matrizes de design são pré-multiplicadas por $\hat{\Sigma}_i^{-1/2}$.
   • Esta transformação converte o LMM original em um Modelo de Regressão Linear (LRM) viável com erros aproximadamente esféricos, efetivamente desactando a estrutura de dependência e permitindo a aplicação de técnicas de triagem marginal.

2. Estimativa Marginal Robusta via Mínimo DPD:
   Em vez de usar correlações marginais ou estimativas de ML nos dados transformados, o método calcula utilidades marginais usando o Estimador de Divergência de Potência de Densidade Mínima (MDPDE).

   • Para cada covariável $j$, um LRM marginal viável é ajustado: $\tilde{y}_i = \beta_{j0} + \tilde{x}_{ij}\beta_{j1} + \tilde{\epsilon}_{ij}$.
   • O MDPDE minimiza uma função de perda de DPD empírica $L_{n,\alpha}(\theta)$ indexada por um parâmetro de ajuste $\alpha \ge 0$.
   • Quando $\alpha = 0$, isso reduz-se à log-verossimilhança negativa (não robusta). Para $\alpha > 0$, a função de perda reduz o peso de outliers, proporcionando robustez contra contaminação e especificação incorreta do modelo, mantendo alta eficiência.
   • As covariáveis são classificadas pela magnitude absoluta do coeficiente marginal estimado $|\hat{\beta}_{j1,\alpha}|$.

3. Extensões:

   • Triagem Condicional (DPD-CSISP): Permite a inclusão de covariáveis pré-especificadas (ex: confundidores) avaliando a contribuição incremental de candidatos condicionada a um conjunto $C$.
   • Refinamento Iterativo (DPD-ISISP): Um procedimento iterativo inspirado no ISIS (SIS Iterativo) que atualiza o conjunto de condicionamento com base nas variáveis previamente selecionadas para mitigar efeitos de mascaramento causados por fortes correlações entre covariáveis.
   • Estimativa de Segunda Etapa: Uma etapa de estimativa de DPD penalizada robusta é proposta para o modelo reduzido para alcançar seleção de variáveis consistente e estimativa eficiente de parâmetros.

Principais Contribuições

• Garantias Teóricas: O artigo estabelece a propriedade de triagem segura para o DPD-SISP sob condições gerais. Prova-se que o procedimento retém todas as covariáveis de FE verdadeiramente ativas com probabilidade tendendo a um a uma taxa exponencial, mesmo quando $p$ cresce não-polinomialmente. Estes resultados sustentam-se para LMMs gerais com REs e erros não-gaussianos, desde que a matriz proxy satisfaça condições de consistência espectral.
• Análise de Robustez: Os autores demonstram que os MDPDEs marginais possuem funções de influência limitadas e altos pontos de ruptura assintóticos (até 50% de contaminação). Isso garante que a classificação de variáveis permaneça estável mesmo sob significativa contaminação de dados, uma propriedade ausente em métodos clássicos de SIS.
• Escalabilidade Computacional: Ao transformar o LMM em um LRM marginal e utilizar MDPDEs, o método alcança uma complexidade computacional comparável à triagem clássica baseada em verossimilhança, evitando a estimativa conjunta iterativa de REs e FEs exigida por outros métodos robustos de LMM.
• Flexibilidade: O arcabouço é livre de distribuição em relação ao modelo de trabalho, permitindo extensões para estruturas de erro não-gaussianas através da especificação de densidades de trabalho apropriadas.

Resultados

• Estudos de Simulação: Simulações extensas através de vários cenários (diferentes estruturas de covariância, esparsidade de sinal e níveis de contaminação) demonstram que:
  • Sob dados limpos, o DPD-SISP performa competitivamente com o SIS clássico baseado em ML/REML.
  • Sob contaminação de dados (até 20%), os métodos clássicos sofrem declínios acentuados na Taxa de Verdadeiros Positivos (TPR) e na Probabilidade de Triagem Segura Empírica (EmpSSP), frequentemente falhando em recuperar o conjunto ativo completo.
  • O DPD-SISP mantém alto TPR e EmpSSP, mostrando superior estabilidade.
  • A escolha da matriz proxy é importante: a matriz proxy validada por cruzamento (cv-P) geralmente supera a matriz baseada em REML (I0-P) em cenários de dependência complexos, embora a I0-P ofereça computação mais rápida.
  • O DPD-SISP é significativamente mais rápido que alternativas robustas baseadas em Mínimo de Divergência $\gamma$-Hierárquica (MHGDE).
• Aplicação de Dados Reais (ADNI-2): O método foi aplicado a dados de expressão gênica longitudinal de alta dimensão do Alzheimer's Disease Neuroimaging Initiative (ADNI-2) para prever pontuações do Mini-Mental State Examination (MMSE).
  • O DPD-SISP identificou conjuntos de genes que, após validação biológica externa usando VarElect e GeneCards, mostraram associações mais fortes com a doença de Alzheimer e vias neurodegenerativas relacionadas em comparação ao benchmark de triagem ML/REML.
  • Especificamente, os métodos baseados em DPD priorizaram genes com maiores pontuações de relevância fenotípica e ligações mais diretas com a neurodegeneração (ex: transmissão sináptica, controle de qualidade de proteínas) do que a abordagem clássica.

Significância e Alegações
O artigo afirma fornecer uma abordagem unificada, robusta e escalável para a triagem de variáveis em LMMs de ultra-alta dimensão. Sua principal significância reside em reconciliar os objetivos frequentemente conflitantes de eficiência computacional e robustez na presença de estruturas de dependência complexas.

Os autores afirmam que o DPD-SISP:

1. Supera o gargalo computacional da estimativa robusta de LMM em ultra-alta dimensão.
2. Fornece garantias teóricas (triagem segura) sob condições gerais, incluindo erros não-gaussianos e crescimento de dimensionalidade arbitrário.
3. Oferece utilidade prática em ambientes do mundo real onde a contaminação de dados e a especificação incorreta do modelo são comuns, conforme evidenciado pela aplicação ADNI-2, onde identificou conjuntos de genes biologicamente mais relevantes do que os métodos padrão.

O trabalho conclui que, embora o desempenho dependa da qualidade da matriz proxy e da seleção do parâmetro de ajuste, o arcabouço representa um avanço significativo sobre os métodos existentes, ofereção uma alternativa fundamentada para inferência de alta dimensão em dados agrupados e longitudinais. Sugere-se que trabalhos futuros explorem extensões para modelos mistos não-lineares generalizados e estratégias adaptativas de dados para seleção de parâmetros.