[論文レビュー] Automatic Detection of Significant Areas for Functional Data with Directional Error Control

Peirong Xu, Youngjo Lee+1 more|arXiv (Cornell University)|Apr 30, 2015

Statistical Methods in Clinical Trials参考文献 31被引用数 5

ひとこと要約

本稿では、平均曲線の差が生じる関数データにおける顕著な部分領域を自動的に検出する非パラメトリックなガウス過程回帰に基づく手法を提案する。この手法は、大規模な多重仮説検定を通じて方向的偽発見率（dFDR）を制御する。本手法により連続的領域における推論が可能となり、所定の水準で漸近的にdFDRを制御する。応用例は、てんかん性麻痺を有する小児の実行機能データであり、等価性検定への拡張も含む。

ABSTRACT

To detect differences between the mean curves of two samples in longitudinal study or functional data analysis, we usually need to partition the temporal or spatial domain into several pre-determined sub-areas. In this paper we apply the idea of large-scale multiple testing to find the significant sub-areas automatically in a general functional data analysis framework. A nonparametric Gaussian process regression model is introduced for two-sided multiple tests. We derive an optimal test which controls directional false discovery rates and propose a procedure by approximating it on a continuum. The proposed procedure controls directional false discovery rates at any specified level asymptotically. In addition, it is computationally inexpensive and able to accommodate different time points for observations across the samples. Simulation studies are presented to demonstrate its finite sample performance. We also apply it to an executive function research in children with Hemiplegic Cerebral Palsy and extend it to the equivalence tests.

研究の動機と目的

• 平均曲線の差が生じる関数データにおける顕著な部分領域を検出する際の方向的誤り率制御の欠如に対処すること。
• 事前に領域を指定せずに、特定の時間的または空間的領域における顕著な差を同定する自動検出手順を開発すること。
• 関数データにおける両側多重仮説検定において、方向的偽発見率（dFDR）を制御し、第一種および第三種の誤りを最小限に抑えること。
• 関数データにおける等価性検定への手法の拡張を図り、事前に定義された帯域内での類似性に関する推論を可能とすること。
• 不規則に配置された観測点を有するサンプルに対しても、計算の効率性と柔軟性を確保すること。

提案手法

• 連続的領域全体にわたり平均関数および分散構造を推定するために、非パラメトリックなガウス過程回帰モデルを用いる。
• 関数データに対して大規模な多重仮説検定の原則を適用し、領域内の各点を個別の仮説検定として扱う。
• 両側代替仮説下で方向的偽発見率（dFDR）を制御する最適な検定統計量を導出する。
• 連続的領域上で最適な検定を計算的に実行可能にするための有限近似戦略を提案する。
• ガウス過程モデルから導出されたp値に基づくステップアップ手順を用い、ユーザーが指定した水準でdFDRを漸近的に制御する。
• 動的等価帯を用いた等価性検定へのフレームワークの拡張を行い、古典的検定における第一種および第三種の誤りと類似した誤り率制御を実現する。

実験結果

リサーチクエスチョン

• RQ1 事前に関心領域を指定せずに、関数データにおける顕著な部分領域を自動的に検出する方法は何か？
• RQ2 関数データにおける両側多重仮説検定において、方向的偽発見率（dFDR）を制御する最適な検定手順は何か？
• RQ3 非パラメトリックなガウス過程回帰モデルを用いることで、連続的領域の任意の点において推論を可能としつつ、誤り率の制御を維持できるか？
• RQ4 本手法は有限標本において、特に不規則に配置された観測を持つ場合に、どのように性能を発揮するか？
• RQ5 本フレームワークは関数データにおける等価性検定に拡張可能か？また、古典的検定と比較して誤り率はどのように異なるか？

主な発見

• 提案手法は、任意の事前に指定された水準で方向的偽発見率（dFDR）を漸近的に制御し、大規模な関数的多重仮説検定における堅牢な誤り率制御を保証する。
• シミュレーション研究により、第一種および第三種の誤りを良好に制御する有限標本性能が示され、さまざまなシナリオにおいて安定したdFDR制御が得られた。
• 実行機能研究において、平均正しい遅延時間の差が顕著に現れる年齢帯（例：9–10歳および10.5歳以降）が同定され、方向的推論が確認された。
• Δᴱ = 130の等価性検定では、推定されたmFDRᴱは0.10、mFNDRᴱ_IIは0.25、mFNDRᴱ_IIIは0.001であった。誤り率の強い制御が示された。
• Δᴱ = 140の場合、8.8歳以降の平均遅延時間に類似性が検出され、mFDRᴱは0.10、mFNDRᴱ_IIIは0であった。方向的誤りの効果的な制御が確認された。
• 等価性検定における非顕著な領域が、異なる等価帯しきい値に対しても一貫して適切に同定された。