[論文レビュー] A maximum-mean-discrepancy goodness-of-fit test for censored data

Tamara Fernández, Arthur Gretton|arXiv (Cornell University)|Oct 9, 2018

Statistical Methods and Inference被引用数 7

ひとこと要約

本稿では、再帰的ヒルバート空間（RKHS）における最大平均差分（MMD）を用いた、打ち切り生存データのためのカーネルベースの適合度検定を提案する。パラメトリックな仮定やユーザー定義の特徴量に依存せず、多様なハザード関数において高い検出力を持つ。特に時変化するハザードに対して、ログランク検定やカイ二乗検定を凌駕し、ワイルドブートストラップ補正により一貫性と計算の簡便性を維持する。

ABSTRACT

We introduce a kernel-based goodness-of-fit test for censored data, where observations may be missing in random time intervals: a common occurrence in clinical trials and industrial life-testing. The test statistic is straightforward to compute, as is the test threshold, and we establish consistency under the null. Unlike earlier approaches such as the Log-rank test, we make no assumptions as to how the data distribution might differ from the null, and our test has power against a very rich class of alternatives. In experiments, our test outperforms competing approaches for periodic and Weibull hazard functions (where risks are time dependent), and does not show the failure modes of tests that rely on user-defined features. Moreover, in cases where classical tests are provably most powerful, our test performs almost as well, while being more general.

研究の動機と目的

• 打切り生存データの一般化された非パラメトリックな適合度検定を構築すること。特に代替ハザード関数の特定の形を仮定しないこと。
• ログランク検定のような既存の検定の限界を克服すること。特に、時間依存ハザード下で検出力が低下し、事前に指定された重み関数を必要とすること。
• 周期的およびワイブル型のハザード構造を含む多様なハザード構造に対して、高い検出力とロバストネスを発揮する検定を設計すること。密度推定やハザードの統合に依存しないこと。
• 打切りの存在下でも計算の実行可能性と適切な補正を確保すること。ノンパラメトリックなカプラン＝マイヤー補正を検定統計量から回避すること。
• 型Iエラーの制御を維持し、豊富な代替仮説下で高い検出力を達成する一貫性があり、スケーラブルな検定を提供すること。

提案手法

• 検定は、再帰的ヒルバート空間（RKHS）における経験的分布埋め込みと帰無仮説下の分布埋め込みの距離を測るカーネルベースのMMD統計量を用いる。これにより、パラメトリックモデルに依存せずに非パラメトリックな比較が可能になる。
• 打切りデータをMMD計算に適した形式に変換する、新しいサンプルマッピングを構築。打切り分布の補正を必要としない。
• 検定統計量はMMDから導かれるV統計量であり、ワイルドブートストラップ手順を用いて簡便に臨界値を推定できる。
• 帰無仮説下でのハザード関数の明示的評価や統合を回避することで、計算複雑性を低減し、ロバストネスを向上させる。
• 非情報的打切りの下で、打切り機構に対して不変であり、ユーザー定義の特徴量やチューニングパラメータ（カーネル帯域幅を除く）を必要としない。
• 異なるデータスケールに適応するため、適応的長さスケールカーネルを用いる。実験では固定および適応的バージョンを評価した。

実験結果

リサーチクエスチョン

• RQ1 カーネルベースのMMD検定は、比例ハザードを仮定せず、代替形式を事前に指定せずに、打切りデータに対して高い検出力を達成できるか？
• RQ2 提案されたMMD検定は、周期的およびワイブル型ハザード関数のような時間変動ハザードを検出する際、ログランク検定やカイ二乗検定と比較してどのように性能を発揮するか？
• RQ3 提案手法は、さまざまな打切り率の下で、帰無仮説下で型Iエラー率が適切に制御され、一貫性を保つのか？
• RQ4 特徴量ベースまたは重みベースのアプローチに起因する主観的設計選択に依存する失敗モードを回避できるか？
• RQ5 比例ハザード下では最も検出力の高い古典的検定と同等の性能を発揮する一方で、複雑な代替仮説へも一般化可能か？

主な発見

• 比例ハザードの下では、MMD検定はログランク検定とほぼ同等の検出力を達成する。これは、この仮定下でログランク検定が理論的に最強であることを考慮すると、顕著な成果である。
• 周期的ハザード関数の下では、MMD検定は、重み付きログランク検定やピアソンカイ二乗検定を含むすべての比較手法を著しく上回る。
• ワイブルハザード関数の下では、MMD検定は他のアプローチよりも優れた検出力を示す。特に、50％の高い打切り率およびn=100の小規模なサンプルサイズ下で顕著である。
• 10％の有意水準および50％の打切り率下で、θw=(3,1)のワイブルハザードに対してMMD検定は99.85％の検出力を達成し、次に優れた手法（WLR）の99.90％を上回った。
• MMD検定は適切なサイズ制御を維持しており、高打切り率および複雑な代替仮説下でも、型Iエラー率が名目水準（例：5％および1％）に近い水準で安定している。
• 適応的長さスケールバージョンのMMD検定は、固定長さスケールバージョンを一貫して上回り、特に時間変動ハザードおよび中～高打切り率の状況で顕著である。