[論文レビュー] A generalized Fourier approach to estimating the null parameters and proportion of non-null effects in large-scale multiple testing

Jiashun Jin, Jie Peng+1 more|ArXiv.org|Nov 19, 2009

Statistical Methods in Clinical Trials参考文献 8被引用数 4

ひとこと要約

本稿では、ガウス混合モデル下での大規模な多重仮説検定において、未知のノイズパラメータ（平均と分散）および非ノイズ効果の割合を推定する一般化フーリエ手法を提案する。特性関数とフーリエ変換を活用することで、ノイズよりも大きな平均を持つが分散に制約のない非ノイズ効果の状況を効果的に扱い、従来の手法とは補完的な解決策を提供し、理論的・実証的性能の両面で優れた結果を示す。

ABSTRACT

In a recent paper (Efron (2004)), Efron pointed out that an important issue in large-scale multiple hypothesis testing is that the null distribution may be unknown and need to be estimated. Consider a Gaussian mixture model, where the null distribution is known to be normal but both null parameters--the mean and the variance--are unknown. We address the problem with a method based on Fourier transformation. The Fourier approach was first studied by Jin and Cai (2007), which focuses on the scenario where any non-null effect has either the same or a larger variance than that of the null effects. In this paper, we review the main ideas in Jin and Cai (2007), and propose a generalized Fourier approach to tackle the problem under another scenario: any non-null effect has a larger mean than that of the null effects, but no constraint is imposed on the variance. This approach and that in \cite{JC} complement with each other: each approach is successful in a wide class of situations where the other fails. Also, we extend the Fourier approach to estimate the proportion of non-null effects. The proposed procedures perform well both in theory and in simulated data.

研究の動機と目的

• 理論的ノイズが標準正規分布でない場合に、大規模な多重仮説検定における未知のノイズパラメータ（平均と分散）を推定する課題に対処すること。
• 非ノイズ効果の平均がノイズよりも大きいが分散に制約がない状況を焦点に、従来のフーリエベースの手法とは補完的な手法を開発すること。
• フーリエフレームワークを高次元設定における非ノイズ効果の割合推定に拡張すること。
• マイクロアレイ研究などの複雑なデータにおける実験的ノイズ推定に対して、理論的に裏付けられかつ実証的に有効な手法を提供すること。

提案手法

• 本手法は、ガウス混合モデル下での観測データの特性関数を推定するために、特性関数と一般化フーリエ変換を用いる。
• 未知の平均 $ u_0 $ と分散 $ σ_0^2 $ をパrameter化したノイズ分布の特性関数を用い、逆変換技術により推定量を導出する。
• 特定の周波数における経験的特性関数の減衰を分析することで、非ノイズ効果の割合 $ \epsilon $ を推定する。
• バイアスと分散のバランスをとるために、チューニングパラメータ $ t_n $ を導入し、標本サイズとモデル仮定に基づく理論的根拠をもってその選択を正当化する。
• 非ノイズ効果の平均がノイズ平均よりも大きいこと、および混合分布が特定のモーメントおよび尾部条件を満たすことという仮定に依存する。
• 経験的特性関数と関数的推定を用い、2段階推定手順により、ノイズパラメータと非ノイズ割合を同時に回復する。

実験結果

リサーチクエスチョン

• RQ1 理論的ノイズが誤って指定された場合に、大規模な多重仮説検定において未知のノイズ平均と分散を一貫して推定する方法は何か？
• RQ2 非ノイズ効果の平均が大きいが分散が任意である場合に、フーリエベース手法の理論的性能はどのように評価できるか？
• RQ3 一般化フーリエ手法を高次元データにおける非ノイズ効果の割合推定に拡張可能か？
• RQ4 異なるモデル設定下で、本手法は既存の手法と比較して性能および頑健性に優れているか？
• RQ5 非ノイズ割合の推定量が非自明な速度で収束するための正則性条件は何か？

主な発見

• 提案された一般化フーリエ手法は、弱い正則性条件のもとで、ノイズパラメータ $ (u_0, \sigma_0^2) $ および非ノイズ効果の割合 $ \epsilon $ の一貫した推定を達成する。
• シミュレーションスタディにより、有限標本でも良好な性能を示すことが実証されており、特に非ノイズ効果の平均がノイズよりも大きい設定で顕著である。
• 非ノイズ割合 $ \epsilon_n $ の推定量は、チューニング周波数 $ t_n $ の選択に依存する速度で真の値に収束し、混合分布に関する条件下で収束が確立されている。
• 理論的解析により、$ \epsilon_n $ の推定誤差は $ O(n^{A\gamma - 1}) $ で有界であることが示され、$ A\gamma < 1 $ が成り立つことで一貫性が保証される。
• モデル誤指定に対しても頑健であり、マイクロアレイデータのように実験的ノイズが理論的ノイズから逸脱する状況では、標準的手法を上回る性能を示す。
• 2つの異なる状況下で理論的保証が確立されている：1つは非ノイズ平均がノイズ平均よりも確率的に大きい場合、もう1つは混合分布にモーメントおよび尾部条件を課した場合。