[論文レビュー] Asymptotic Bayes optimality under sparsity for generally distributed effect sizes under the alternative
本稿は、代替仮説下での効果量が一般に分布する場合の多重仮説検定へ、スパarsity下での漸近的ベイズ最適性（ABOS）を拡張し、サンプルサイズ $ n $ が $ \log m $ に等しいかそれ以上に増加する場合の弱い正則性条件下で、ボンフェローニ補正とボンフェローニ＝ホッジスプロシージャー（BH）が漸近的にベイズ最適であることを示している。主な結果は、$ n \propto \log m $ のとき、ボンフェローニでは $ \alpha $ を固定し、BHではスパarsityに適応する形で最適性が確立される。これは、未知の効果量分布を伴う2群モデルにおいて成り立つ。
Recent results concerning asymptotic Bayes-optimality under sparsity (ABOS) of multiple testing procedures are extended to fairly generally distributed effect sizes under the alternative. An asymptotic framework is considered where both the number of tests m and the sample size m go to infinity, while the fraction p of true alternatives converges to zero. It is shown that under mild restrictions on the loss function nontrivial asymptotic inference is possible only if n increases to infinity at least at the rate of log m. Based on this assumption precise conditions are given under which the Bonferroni correction with nominal Family Wise Error Rate (FWER) level alpha and the Benjamini- Hochberg procedure (BH) at FDR level alpha are asymptotically optimal. When n is proportional to log m then alpha can remain fixed, whereas when n increases to infinity at a quicker rate, then alpha has to converge to zero roughly like n^(-1/2). Under these conditions the Bonferroni correction is ABOS in case of extreme sparsity, while BH adapts well to the unknown level of sparsity. In the second part of this article these optimality results are carried over to model selection in the context of multiple regression with orthogonal regressors. Several modifications of Bayesian Information Criterion are considered, controlling either FWER or FDR, and conditions are provided under which these selection criteria are ABOS. Finally the performance of these criteria is examined in a brief simulation study.
研究の動機と目的
- 代替仮説下の効果量が正規分布に限らない一般の分布である場合の、スパarsity下での漸近的ベイズ最適性（ABOS）への拡張を目的とする。
- ボンフェローニやベイナミ・ホッジス（BH）といった古典的手法が、一般の効果量分布を伴う高次元スパース設定において、ABOSを達成するための明確な条件を特定すること。
- サンプルサイズ $ n $ とスパarsityレベル $ p \propto m^{-\beta} $ が、非自明な漸近的推論と最適性を可能にする役割を同定すること。
- 直交回帰子を伴う多重回帰におけるモデル選択に対して、FWER や FDR を制御する修正BIC基準を用いてABOS結果を拡張すること。
- 変動するスパarsityレベルとサンプルサイズの下で、誤分類率、FDR、検出力の観点から理論的結果をシミュレーションで検証すること。
提案手法
- テスト数 $ m $ とサンプルサイズ $ n $ が両方とも無限大に近づく漸近的枠組みを用い、スパarsity $ p \to 0 $ とし、非自明な推論が可能となるために $ n \propto \log m $ を仮定する。
- 代替仮説下での効果量 $ \mu_i $ が固定分布 $ \nu(\mu) $ に従う2群モデルを適用し、一般（非正規）分布を許容する。
- 極値理論とガウス近似を用いて、検定統計量の尾部挙動を分析し、第一種および第二種の誤り確率の漸近的挙動を導出する。
- 指定された $ \alpha $、$ p $、$ \nu(\mu) $ の条件下で、手順のベイズリスクとベイズオラクルのベイズリスクの比が1に収束することを示し、ABOSを確立する。
- 直交設計のもとで、FWER や FDR を制御する修正BIC基準を分析することで、ABOS枠組みを多重回帰に適応する。
- 変動するスパarsityレベルとサンプルサイズの下で、誤分類確率、FDR、統計的検出力の観点から性能を評価するためのシミュレーションスタディを実施する。
実験結果
リサーチクエスチョン
- RQ1効果量が一般に分布し、正規分布に限らない場合、ボンフェローニ補正がどのような条件下で漸近的にベイズ最適（ABOS）となるか？
- RQ2ベイナミ・ホッジス（BH）プロシージャーは、一般の効果量分布下でも漸近的にベイズ最適性を維持できるか？ また、未知のスパarsityレベルにどのように適応するか？
- RQ3スパースな高次元検定において、非自明な漸近的推論が可能となるための、サンプルサイズ $ n $ と $ m $ 間の最小成長率は何か？
- RQ4サンプルサイズ $ n \propto \log m $ とそれ以上の成長率の下で、名目有意水準 $ \alpha $ の選択が漸近的最適性に与える影響は何か？
- RQ5直交回帰子を伴う高次元回帰におけるモデル選択において、FWER や FDR を制御する修正BIC基準は、漸近的にベイズ最適か？
主な発見
- ボンフェローニ補正は、$ p \propto m^{-1} $ かつ $ \log \delta = o(\log m) $ となるような $ \delta \to 0 $ のレートで、$ \alpha $ を固定した場合にABOSである。
- BHプロシージャーも同様の条件下でABOSであり、未知のスパarsityレベルにうまく適応し、$ p \propto m^{-\beta} $（$ \beta < 1 $）であっても最適性を維持する。
- 非自明な漸近的推論は、$ n \to \infty $ が $ \log m $ のレート以上に増加する場合にのみ可能であり、この条件下で $ \alpha $ を固定に保てる。
- サンプルサイズ $ n $ が $ \log m $ より速く増加する場合、両手順がABOSのままであるためには、$ \alpha $ は $ n^{-1/2} $ の割合で0に収束する必要がある。
- 直交設計を伴う多重回帰におけるモデル選択において、FWER や FDR を制御する修正BIC基準は、$ n $、$ m $、$ \alpha $ に関する類似の条件の下でABOSである。$ \alpha $ のレート依存性も同様である。
- シミュレーション結果は、ボンフェローニとBHの両方が、さまざまなスパarsityレベルで低い誤分類率と制御されたFDRを維持していることを確認しており、特にスパースな状況下でBHの検出力が優れている。
より良い研究を、今すぐ始めましょう
論文の読解から最終レビューまで、研究時間を劇的に削減しましょう。
クレジットカード登録不要
このレビューはAIが作成し、人間の編集者が確認しました。