[論文レビュー] A Unified Treatment of Multiple Testing with Prior Knowledge

Aaditya Ramdas, Rina Foygel Barber+2 more|arXiv (Cornell University)|Mar 18, 2017

Statistical Methods in Clinical Trials被引用数 7

ひとこと要約

この論文は、非一様な事前重み、変動する誤発見ペナルティ、複数の重複するグループ分割、依存構造の4つのタイプの事前知識を同時に統合する、p-filterを導入する。p-filterは、これらの要素を統合することで、統計的パワーと精度を向上させ、既知の手法を特別なケースとして回復しつつ、より適応的かつ情報に基づいたFDR制御とグローバルノルム検定を可能にする。

ABSTRACT

There is a significant literature on methods for incorporating knowledge into multiple testing procedures so as to improve their power and precision. Some common forms of prior knowledge include (a) beliefs about which hypotheses are null, modeled by non-uniform prior weights; (b) differing importances of hypotheses, modeled by differing penalties for false discoveries; (c) multiple arbitrary partitions of the hypotheses into (possibly overlapping) groups; and (d) knowledge of independence, positive or arbitrary dependence between hypotheses or groups, suggesting the use of more aggressive or conservative procedures. We present a unified algorithmic framework called p-filter for global null testing and false discovery rate (FDR) control that allows the scientist to incorporate all four types of prior knowledge (a)-(d) simultaneously, recovering a variety of known algorithms as special cases.

研究の動機と目的

• 多様な形の事前知識を活用することで、多重仮説検定における統計的パワーと精度を向上させる挑戦に応えること。
• 事前重み、誤発見ペナルティ、グループ構造、依存仮定を組み込む既存の手法を、単一の整合的なフレームワークに統合すること。
• 科学者が一貫した方法で複数のタイプの事前知識を同時に使用できる柔軟なアルゴリズムを開発すること。
• 異種の事前情報統合によって、より正確で強力な誤発見率（FDR）制御とグローバルノルム検定を実現すること。

提案手法

• p-filterは、柔軟な最適化手順を用いてp値と事前知識を統合する統一されたアルゴリズム的フレームワークを採用する。
• より妥当性の高い代替仮説を優先するために、非一様な事前重みを用いて帰無仮説に関する事前の信念をモデル化する。
• 仮説の重要性に応じて異なる誤差コストを割り当てることで、誤発見に対する異なるペナルティを組み込む。
• 分野固有のクラスタリングや構造的知識を反映するために、任意の分割（重複を許容するものも含む）を複数サポートする。
• 仮説間またはグループ間の依存構造（独立、正の依存、任意の依存）を考慮し、それに応じて誤差制御戦略を調整する。
• FDR制御とパワーのバランスを取る統一された目的関数を用い、4つのタイプの事前知識を1つの最適化に統合する。

実験結果

リサーチクエスチョン

• RQ1 多様な形の事前知識を、パワーと精度を向上させるために、どのように系統的に多重仮説検定手順に統合できるか？
• RQ2 事前重み、誤発見ペナルティ、グループ構造、依存仮定を組み込む既存の手法を統一する1つのフレームワークが、どの程度の範囲で統合可能か？
• RQ3 多様で複雑な事前知識構造に適応しつつ、強いFDR制御を維持できるか？
• RQ4 重複するグループ分割と依存情報の組み込みが、多重仮説検定手順の性能にどのように影響するか？
• RQ5 4つのタイプの事前知識を1つのアルゴリズム的フレームワークに統合することの理論的・実用的利点は何か？

主な発見

• p-filterは、4つのタイプの事前知識を統合することで、既存の多様な多重仮説検定手順を特別なケースとして成功裏に統合した。
• フレームワークは、一貫的かつ統合的に異種の事前情報を活用することで、統計的パワーと精度を向上させた。
• 事前重み、誤発見ペナルティ、グループ構造、依存仮定を同時に使用可能にすることで、より適応的かつ情報に基づいた推論を可能にした。
• 既存のアプローチが事前知識のサブセットしか扱えないのに対し、p-filterはより高い柔軟性を備えつつも、強いFDR制御を維持した。
• p-filterはスケーラブルで汎用的なソリューションを提供し、複雑な事前情報を持つ多様な科学的分野における多重仮説検定に応用可能である。