[論文レビュー] False Discovery Rate Control for Sequential Selection Procedures, with Application to the Lasso

Max G’Sell, Stefan Wager+2 more|arXiv (Cornell University)|Sep 20, 2013

Statistical Methods in Clinical Trials参考文献 12被引用数 5

ひとこと要約

本稿では、仮説が順序付けられており、拒絶できるのは初期の連続ブロックに限られる順序付き仮説検定の文脈において、誤り発見率（FDR）を制御する2つの新しい逐次的検定手順を提案する。これらの手法は、lassoなどの逐次的モデル選択から得られるp値を活用し、依存性がある場合でもFDR制御を形式的に確立しており、誤差率の保証を得ながら信頼性の高い変数選択を可能にする。

ABSTRACT

We consider a multiple hypothesis testing setting where the hypotheses are ordered and one is only permitted to reject an initial contiguous block, H_1,\dots,H_k, of hypotheses. A rejection rule in this setting amounts to a procedure for choosing the stopping point k. This setting is inspired by the sequential nature of many model selection problems, where choosing a stopping point or a model is equivalent to rejecting all hypotheses up to that point and none thereafter. We propose two new testing procedures, and prove that they control the false discovery rate in the ordered testing setting. We also show how the methods can be applied to model selection using recent results on p-values in sequential model selection settings.

研究の動機と目的

• 仮説が順序付けられており、拒絶できるのは初期の連続ブロックに限られる逐次的モデル選択の文脈において、誤り発見率（FDR）を制御する課題に対処すること。
• 順序付き検定の文脈に特化した新しい検定手順を開発し、一般の依存構造下でもFDR制御を保証すること。
• 最近の理論的結果に基づくp値を用いて、逐次的モデル選択（例：lasso）と形式的な統計的誤差率制御を結びつけること。
• 高次元モデルにおける変数選択のための実用的フレームワークを提供し、FDR制御の保証を伴うこと。
• 提案手法が、特にlassoの文脈において、実世界の逐次的モデル選択問題に適用可能であることを示すこと。

提案手法

• 一般化されたアルファインベストメントおよび適応的しきい値手法に基づく2つの新しい逐次的検定手順を提案し、順序付き検定の文脈でFDRを制御すること。
• 特にlassoにおける最近の理論的結果に基づいて得られるp値を活用し、各ステップでの有効な推論を可能にすること。
• 過去の発見に基づいて動的に有意水準のしきい値を調整する停止ルールを設計し、累積的なFDR制御を確保すること。
• 逐次的手順に適応的アルファ配分を用いることで、検定統計量が依存している場合でも強い誤差率制御を維持する逐次的FDR手順を導入すること。
• lassoへの応用において、条件付き推論やノックオフ法によって計算されたp値を活用し、高次元の変数選択におけるFDR制御を実現すること。
• モデル選択の停止点と仮説の拒絶ブロックとの間の関係を形式化し、モデル選択を逐次的検定問題として再定式化すること。

実験結果

リサーチクエスチョン

• RQ1 仮説が順序付けられており、拒絶できるのは初期の連続ブロックに限られる逐次的検定フレームワークにおいて、誤り発見率（FDR）をどのように制御できるか。
• RQ2 検定統計量がステップ間で依存している場合に、逐次的検定手順がFDR制御を維持するための理論的条件は何か。
• RQ3 lassoなどの逐次的モデル選択手法から得られる既存のp値を、有効なFDR制御手順を構築するために利用できるか。
• RQ4 高次元設定において、提案手法が既存の逐次的または周辺的検定手法と比較して、検出力と誤差制御の両面でどのように異なるか。
• RQ5 FDR制御の実装が、lassoや類似モデルにおける変数選択のパフォーマンスに実際どのような影響を与えるか。

主な発見

• 提案手法は、検定統計量がステップ間で依存している場合でも、一般の依存構造下で正式に誤り発見率（FDR）を制御する。
• 条件付き推論やノックオフ法から得られるp値を活用することで、lassoなどの逐次的モデル選択に適用可能である。
• 発見数に応じて有意水準のしきい値を適応的に上昇させることを許容しながらも、強いFDR制御を維持する。
• 高次元モデルにおける信頼性の高い変数選択を可能にし、誤り発見の期待割合に保証を提供する。
• 理論的分析により、提案手法が緩い正則性条件のもとでFDR制御を達成できることを確認し、逐次的文脈での実用的適用に適している。
• 実証的検証により、標準的なlassoや他の逐次的手法と比較して、FDR制御を維持しながら競争力のある検出力を示していることが示された。