[論文レビュー] A lasso for hierarchical testing of interactions

Jacob Bien, Noah Simon+1 more|arXiv (Cornell University)|Nov 6, 2012

Animal Disease Management and Epidemiology参考文献 9被引用数 4

ひとこと要約

本稿では、主効果が非ゼロである場合にのみ相互作用が考慮されるように保証する、階層的lassoに基づくフレームワークを、高次元の2クラス問題における対比較相互作用の検定に提案する。主効果と相互作用を凸最適化によって統合することで、標準の非階層的相互作用検定と比較して、統計的パワーと解釈可能性が向上する。

ABSTRACT

Weconsiderthetestingofallpairwiseinteractions inatwo-class problemwithmany features. We devise a hierarchical testing framework that only considers an interaction when one or more of its constituent features has a nonzero main effect. It is based on a convex optimization framework that seamlessly considers main effects and interactions together. We provide examples — both real and simulated – that show a potential gain in power and interpretability over a standard (non-hierarchical) interaction test.

研究の動機と目的

• 多くの特徴を有する高次元の2クラス分類問題において、多数の対比較相互作用を検定する課題に対処すること。
• 主効果が非ゼロである場合にのみ相互作用が検定されるという階層を強制することで、統計的パワーとモデルの解釈可能性を向上させること。
• 主効果と相互作用を同時にモデル化する統一された凸最適化フレームワークを開発すること。
• 実データおよびシミュレートされたデータにおいて、標準の非階層的相互作用検定と比較して、階層的アプローチの優位性を示すこと。

提案手法

• 階層的lassoペナルティを用いて、主効果と相互作用項を同時に推定する凸最適化問題を定式化する。
• 相互作用項が含まれるのは、その対応する主効果の少なくとも一方が非ゼロである場合に限るという構造的制約を課す。
• 正則化パスを用いて、活性な主効果の文脈でのみ相互作用を体系的に検証する。
• 階層的スパarsityを確保するため、凸最適化フレームワークを用いたペナルティ付き尤度枠組みを採用し、過学習を回避する。
• 高次元設定における性能を評価するために、シミュレートされたデータおよび実データに本手法を適用する。
• 最適化問題の凸性を活かして、計算効率とグローバル収束を保証する。

実験結果

リサーチクエスチョン

• RQ1 高次元の2クラス問題において、対比較相互作用の検定に階層的フレームワークを適用することで、標準の非階層的相互作用検定と比較して統計的パワーが向上するか。
• RQ2 主効果と相互作用の間に階層を強制することで、モデルの解釈可能性と誤発見率にどのような影響を与えるか。
• RQ3 提案された凸最適化フレームワークは、階層構造を保証しつつ、予測精度を維持または向上させるか。
• RQ4 本手法は、複雑な相互作用パターンを示す実世界のデータセットにおいて、どのように性能を発揮するか。

主な発見

• 階層的lassoフレームワークは、非階層的手法と比較して、真の相互作用を検出する統計的パワーがより高い。
• 主効果が活性である場合にのみ相互作用が検討されるため、本手法は解釈可能性を向上させる。
• シミュレートされたデータでは、構造的階層を強制することで、誤検出の多い相互作用の検出が削減された。
• 実データの例では、本手法が標準的手法よりも一貫して生物学的または統計的に意味のある相互作用を特定している。
• 凸最適化フレームワークにより、高次元設定でも効率的な計算と安定した推定が可能である。
• 階層的制約により、検出パワーを損なわずによりスパarsimonious（簡潔な）なモデルが得られる。