An integration of decision trees into latent class modeling with covariates

Resumo Técnico: Integração de Árvores de Decisão em Modelagem de Classes Latentes com Covariáveis

Definição do Problema
A Análise de Classe Latente (LCA) é um método padrão para identificar subgrupos não observados em dados categóricos. Uma extensão comum envolve a modelagem da participação na classe como uma função de covariáveis externas (preditores). A abordagem metodológica predominante utiliza regressão (multinomial) logística para especificar o modelo estrutural que vincula as covariáveis às probabilidades de classe. Embora eficaz, essa especificação linear enfrenta limitações significativas quando as covariáveis exibem interações complexas. Especificamente, os modelos logísticos são propensos a erros de especificação se termos de interação forem omitidos, e a inclusão de termos de interação de ordem superior aumenta rapidamente a complexidade da interpretação, tornando difícil discernir como combinações de preditores influenciam a participação na classe. A literatura existente não abordou adequadamente o desafio de modelar essas interações complexas dentro da estrutura da LCA sem sacrificar a interpretabilidade ou introduzir suposições não padronizadas.

Metodologia
Os autores propõem uma nova metodologia que integra diretamente a modelagem de árvores de decisão à estrutura da análise de classe latente. Em vez de tratar os efeitos das covariáveis como coeficientes lineares, a abordagem particiona recursivamente o espaço das covariáveis com base nas diferenças de prevalência das classes latentes. O método opera sob uma estratégia de estimação por etapas para preservar a integridade do modelo de medida (a relação entre indicadores e classes latentes) e evitar confusão interpretativa.

O algoritmo proposto procede da seguinte forma:

1. Estimação do Modelo de Medida: Uma LCA padrão é ajustada à amostra total para estimar os parâmetros de medida ($\phi$) e as prevalências de classe ($\pi$), tratando as covariáveis como ausentes.
2. Particionamento Recursivo:
   • Para o nó raiz, o algoritmo ajusta modelos estruturais para cada covariável individualmente, condicional aos parâmetros de medida fixos do Passo 1. A covariável que produz o maior aumento na log-verossimilhança é selecionada como a primeira divisão (split).
   • Para nós subsequentes (ramos), o algoritmo repete esse processo dentro de cada subamostra, selecionando a covariável que maximiza a log-verossimilhança para aquele ramo específico.
   • A divisão continua até que um critério de parada seja atingido (por exemplo, um limite mínimo de tamanho de amostra para evitar o sobreajuste/overfitting).
3. Poda da Árvore (Pruning): Para evitar o sobreajuste e garantir a parcimônia do modelo, os autores propõem duas estratégias de poda:
   • Significância Estatística: Os ramos são podados se os parâmetros de inclinação para a divisão terminal forem estatisticamente não significativos.
   • Bondade de Ajuste Global: A árvore é avaliada utilizando o Critério de Informação Bayesiano (BIC). O algoritmo testa iterativamente a remoção de divisões terminais e seleciona a estrutura de árvore que minimiza o BIC. A validação cruzada pode ser empregada para mitigar ainda mais o sobreajuste.

A metodologia foi desenhada para ser compatível com softwares existentes que implementam estimadores por etapas (ex: LatentGOLD, Mplus, StepMix, multilevLCA) e baseia-se em rotinas bem estabelecidas de estimação de modelos.

Principais Contribuições

• Integração Inovadora: O artigo introduz uma abordagem de "árvore de classe latente" que incorpora a lógica de árvore de decisão diretamente no modelo estrutural da LCA, distinguindo-se de métodos híbridos anteriores (ex: Magidson e Vermunt, 2005) que tratam as probabilidades posteriores de classe como variáveis dependentes observadas.
• Interpretabilidade: Ao utilizar uma estrutura de árvore, o método fornece uma visualização facilmente interpretável de como combinações de preditores levam a classificações condicionais, mapeando efetivamente interações complexas sem a necessidade de especificação manual de termos de interação.
• Rigor Metodológico: A abordagem adere à especificação padrão de LCA com covariáveis (onde as covariáveis afetam a probabilidade de participação na classe diretamente) e utiliza estimação por etapas para evitar distorções no modelo de medida.
• Implementação Prática: Os autores demonstram que o método pode ser implementado usando ferramentas de software padrão e fornecem uma ilustração com dados reais utilizando o conjunto de dados NHANES 2017-2018 para modelar classes de saúde com base em idade, atividade, sexo e status de tabagismo.

Resultos
Na ilustração empírica utilizando os dados do NHANES, os autores identificaram duas classes de saúde latentes: "melhor saúde" (63% de prevalência) e "pior saúde" (37%). O algoritmo de árvore de decisão descobriu com sucesso interações não lineares entre as covariáveis:

• A Idade foi a divisão primária, separando indivíduos abaixo de 60 anos daqueles com 60 anos ou mais.
• O status de atividade foi a divisão secundária para ambos os grupos de idade.
• Sexo e Tabagismo forneceram diferenciação adicional em subgrupos específicos.
  A árvore final podada revelou que, embora indivíduos mais jovens geralmente tivessem uma baixa probabilidade de "pior saúde" (10–17%), isso variava conforme a atividade. Entre os indivíduos mais velhos, a probabilidade era alta (73–85%), mas variava significamente conforme atividade, sexo e tabagismo. Por exemplo, mulheres idosas inativas apresentaram a maior probabilidade (85%), enquanto indivíduos ativos mais velhos apresentaram uma probabilidade menor (73%). A estrutura da árvore destacou claramente essas probabilidades condicionais, que seriam difíceis de interpretar em uma regressão logística padrão com interações de alta ordem.

Significância e Alegações
Os autores posicionam este trabalho como o início de uma nova linha de pesquisa em metodologia de análise de classe latente. Eles alegam que a abordagem proposta oferece uma alternativa prática à regressão logística padrão para contextos onde os efeitos de interação linear são complexos e difíceis de interpretar. A metodologia é apresentada como uma ferramenta para facilitar a pesquisa aplicada, fornecendo um novo instrumento analítico de dados que revela interações complexas de covariáveis sem exigir suposições não tradicionais.

O artigo mantém-se modesto quanto ao seu escopo, observando que a implementação atual foca em covariáveis binárias. Os autores identificam a generalização para covariáveis multinomiais e contínuas (via procedimentos de divisão avançados) e o desenvolvimento de estratégias alternativas de poda como importantes extensões futuras. Eles reconhecem a limitação de depender de ótimos locais para as divisões, uma característica inerente aos métodos de particionamento recursivo em geral, e convocam uma discussão acadêmica mais profunda e uma comparação rigorosa de estratégias de poda (usando, por exemplo, ICL ou medidas de entropia) para avançar o campo.