[論文レビュー] Direction-Projection-Permutation for High Dimensional Hypothesis Tests

Susan Wei, Chihoon Lee+3 more|arXiv (Cornell University)|Apr 2, 2013

Gene expression and cancer classification参考文献 14被引用数 6

ひとこと要約

本稿では、高次元低標本サイズ（HDLSS）設定における高次元仮説検定のための非パラメトリック枠組みであるDirection-Projection-Permutation（DiProPerm）を提案する。この手法は、二値線形分類器（例：DWD）による方向選択、単変量の射影に基づく検定、およびパーミュテーションリサンプリングを組み合わせ、有意性を評価する。シミュレーションおよび実際の遺伝子発現データにおいて、理論的妥当性と高い検出力が示され、視覚的分離が過適合の結果であるため誤解を招くことがよくあるが、そのような状況でも有効である。

ABSTRACT

Motivated by the prevalence of high dimensional low sample size datasets in modern statistical applications, we propose a general nonparametric framework, Direction-Projection-Permutation (DiProPerm), for testing high dimensional hypotheses. The method is aimed at rigorous testing of whether lower dimensional visual differences are statistically significant. Theoretical analysis under the non-classical asymptotic regime of dimension going to infinity for fixed sample size reveals that certain natural variations of DiProPerm can have very different behaviors. An empirical power study both confirms the theoretical results and suggests DiProPerm is a powerful test in many settings. Finally DiProPerm is applied to a high dimensional gene expression dataset.

研究の動機と目的

• 視覚的分離が過適合の結果であるため誤解を招く可能性がある高次元低標本サイズ（HDLSS）データにおいて、統計的に有意な差を検出する課題に対処すること。
• 高次元データの低次元投影における差が統計的に有意であるかどうかを厳密に評価できる一般化された非パラメトリック検定枠組みを開発すること。
• 次元が増大するが標本サイズは固定の非古典的漸近的設定下でのDiProPermの理論的妥当性と実証的検出力を調査すること。
• 実世界の遺伝子発現データセットへの応用を通じて、視覚的に顕著な分離が統計的に有意でない場合があることを示すこと。

提案手法

• 元のクラスラベルに基づいて訓練された二値線形分類器（例：距離加重判別、DWD）の法線ベクトルを用いて方向を選択する。
• 両方の標本をこの方向に射影し、単変量の二標本検定統計量（例：t統計量、マハラノビス距離）を計算する。
• パーミュテーション検定を実施する。具体的には、標本を再び混合し、ランダムにクラスラベルを再割り当てし、分類器を再訓練し、再割り当てされたデータ上で統計量を再計算する。
• 元の統計量をパーミュテーションされた統計量の分布と比較し、有意性を評価する。帰無仮説は、元の統計量がパーミュテーションされた値の上位100α%に含まれる場合に棄却される。
• 方向特定手法と統計量のさまざまな組み合わせを用いて、手法の頑健性と検出力を評価する。
• 実際のHDLSS遺伝子発現データセット（UNCGEOおよびUNCUP）にこの手法を適用し、がん亜型間の有意差を検証する。

実験結果

リサーチクエスチョン

• RQ1 視覚的プロットで分離が見られる場合に、DiProPermは高次元データにおける統計的に有意な差を信頼性高く検出できるか？
• RQ2 HDLSS設定において、DiProPermが平均の等質性を検定する際にどのような条件下で有効であるか？
• RQ3 高次元シミュレーション設定において、DiProPermの検出力は標準的な単変量検定と比べてどの程度優れているか？
• RQ4 射影されたデータにおける視覚的分離は、真の統計的差を反映しているのか、それとも過適合に起因するアーティファクトであるのか、その程度はいかほどか？
• RQ5 視覚的検査と比較して、DiProPermは実際の遺伝子発現データにおいてどの程度の性能を示すか？

主な発見

• パーミュテーション検定理論により、DiProPermは分布の等質性の正確な水準αの検定であるため、第1種の過誤を適切に制御する。
• 平均の等質性の検定においては、一部のDiProPermのバリエーションは過適合した方向に依存するため理論的に無効であるが、特定のバージョン（例：DWD-t）は有効かつ検出力が高い。
• シミュレーションでは、DWD-MDおよびRP（ランダム射影を用いたマハラノビス距離）がMD-MD（平均差とマハラノビス距離の組み合わせ）を上回り、信号が最大分散方向と一致しない場合に顕著に優れている。
• ガウス混合設定ではDWD-t検定がMD-MDより高い検出力を示し、高次元分類においてDWDを用いる利点を裏付けた。
• 実際の遺伝子発現データでは、DiProPermにより視覚的に顕著な分離（例：UNCGEOにおけるLuminal A対Luminal B）が統計的に有意でないことが判明した一方、Luminals 対 HER/Basal のような分離は非常に有意であった。
• DiProPermによる実証的p値は、UNCGEOにおける視覚的分離が有意でないことを正しく特定し、初期の視覚的インパルスとは対照的に、この手法の頑健性を裏付けた。