[论文解读] Trimmed Constrained Mixed Effects Models: Formulations and Algorithms

Peng Zheng, Ryan M Barber+3 more|arXiv (Cornell University)|Sep 24, 2019

Statistical Methods and Bayesian Inference参考文献 36被引用 19

一句话总结

本文介紹了 LimeTr，一個開源的 Python 套件，透過將截尾法融入邊際似然估計，將強健的最小截尾平方（LTS）方法擴展至混合效應模型。該工具實現了強健、受限且非線性的混合效應建模——特別適用於元分析與劑量-反應關係——在抗異常值能力與計算效率方面優於現有工具。

ABSTRACT

Mixed effects (ME) models inform a vast array of problems in the physical and social sciences, and are pervasive in meta-analysis. We consider ME models where the random effects component is linear. We then develop an efficient approach for a broad problem class that allows nonlinear measurements, priors, and constraints, and finds robust estimates in all of these cases using trimming in the associated marginal likelihood. The software accompanying this paper is disseminated as an open-source Python package called LimeTr. LimeTr is able to recover results more accurately in the presence of outliers compared to available packages for both standard longitudinal analysis and meta-analysis, and is also more computationally efficient than competing robust alternatives. Supplementary materials that reproduce the simulations, as well as run LimeTr and third party code are available online. We also present analyses of global health data, where we use advanced functionality of LimeTr, including constraints to impose monotonicity and concavity for dose-response relationships. Nonlinear observation models allow new analyses in place of classic approximations, such as log-linear models. Robust extensions in all analyses ensure that spurious data points do not drive our understanding of either mean relationships or between-study heterogeneity.

研究动机与目标

• 解決元分析與縱向研究中缺乏強健、受限混合效應模型的問題，特別是在存在異常值與非線性關係的情境下。
• 發展一個統一框架，結合截尾法與線性混合效應模型，以提升對固定效應與隨機效應中異常值的強健性。
• 實現進階建模功能，如非線性觀察模型、形狀約束（例如單調性、凹性），以及固定效應的任意非線性函數。
• 提供針對截尾似然所產生的非凸、非光滑問題之計算高效且可靠的優化演算法。
• 在合成資料與真實全球健康資料上展示該方法的優越性，特別是在具有異質性觀察值的劑量-反應建模中。

提出的方法

• 建立部分非線性的混合效應模型，其中隨機效應線性進入模型，但觀察模型與先驗分佈可為非線性。
• 提出基於截尾的強健估計方法，透過最小化邊際似然中最小的 (1−α) 個平方殘差之和，提升對異常值的強健性。
• 利用變數投影重構截尾問題，以分離截尾參數與模型參數的優化，進而透過內點法高效求解。
• 使用樣條函數建模非線性關係，將線性與非線性約束及形狀約束（例如單調性、凹性）整合至優化過程。
• 在 LimeTr 中實現該演算法，此 Python 套件結合了 IPOPT 與針對截尾參數之值函數的自訂求解器。
• 使用具形狀約束的樣條基函數建模複雜的劑量-反應關係，實現靈活、可解釋且強健的推論。

实验结果

研究问题

• RQ1 截尾法能否有效延伸至混合效應模型，以提升對縱向與元分析資料中異常值的強健性？
• RQ2 如何在維持計算效率的前提下，將非線性觀察模型與形狀約束（例如單調性）整合至強健混合效應估計中？
• RQ3 所提出的截尾受限混合效應模型是否在受污染情境下，於準確性與計算速度方面優於現有強健套件？
• RQ4 該方法能否可靠地從具有異質性、間接性或比率型觀察值的元分析中恢復真實的劑量-反應關係？
• RQ5 在存在異常值或雜訊資料的情境下，形狀約束在現實全球健康資料中對結論的影響程度為何？

主要发现

• LimeTr 在檢測與抵抗異質性縱向與元分析資料中異常值的影響方面，優於現有套件（例如 metafor、robumeta、robustlmm）。
• 該套件在受污染情境下，其準確性與計算效率均高於競爭性的強健替代方案。
• LimeTr 成功利用具形狀約束的樣條函數建模非線性劑量-反應關係，實現強健推論，且無需依賴對數線性近似。
• 在 14 項前瞻性族群研究中關於暴露與風險關係的元分析中，LimeTr 把握了基於樣條的風險曲線中的不確定性範圍，且不確定性同時透過樣條與隨機效應異質性來量化。
• 對劑量-反應曲線施加單調性約束會改變估計的風險關係，顯示形狀約束顯著影響結論——強調了建模彈性的重要性。
• LimeTr 是目前唯一同時支援非線性觀察模型、任意約束與強健截尾法的開源套件，使先前工具無法實現的新類型分析成為可能。