[論文レビュー] General multiple tests for functional data

Merle Munko, Marc Ditzhaus+3 more|arXiv (Cornell University)|Jun 27, 2023

Optimal Experimental Design Methods被引用数 4

ひとこと要約

本稿は、関数データ解析における複数の仮説検定の一般化された枠組みを提案する。関数線形モデルとブートストラップに基づく推論を活用し、同時に複数の対比を検定する。弱いモーメント条件のもとで漸近的有効性を確立し、特に不等分散性および正規性の欠如下でも優れた経験的パワーを示す。

ABSTRACT

While there exists several inferential methods for analyzing functional data in factorial designs, there is a lack of statistical tests that are valid (i) in general designs, (ii) under non-restrictive assumptions on the data generating process and (iii) allow for coherent post-hoc analyses. In particular, most existing methods assume Gaussianity or equal covariance functions across groups (homoscedasticity) and are only applicable for specific study designs that do not allow for evaluation of interactions. Moreover, all available strategies are only designed for testing global hypotheses and do not directly allow a more in-depth analysis of multiple local hypotheses. To address the first two problems (i)-(ii), we propose flexible integral-type test statistics that are applicable in general factorial designs under minimal assumptions on the data generating process. In particular, we neither postulate homoscedasticity nor Gaussianity. To approximate the statistics' null distribution, we adopt a resampling approach and validate it methodologically. Finally, we use our flexible testing framework to (iii) infer several local null hypotheses simultaneously. To allow for powerful data analysis, we thereby take the complex dependencies of the different local test statistics into account. In extensive simulations we confirm that the new methods are flexibly applicable. Two illustrate data analyses complete our study. The new testing procedures are implemented in the R package multiFANOVA, which will be available on CRAN soon.

研究の動機と目的

• 複雑な自己相関および不等分散性が存在する状況下でも統一的な手法が不足している関数データにおける多重検定の課題に対処する。
• 関数線形モデルにおける複数の対比について、同時に推論を行う一般化された検定手順を開発する。
• 最小限のモーメント条件のもとで、漸近的正規性およびパラメトリックブートストラップの一致性を保証することで理論的妥当性を確保する。
• 非正規誤差や不等分散性を含む多様なシナリオにおいて性能を評価し、実世界応用におけるロバスト性を確認する。

提案手法

• 三角行列に対するヒルバート空間値の中心極限定理を用いて、関数線形モデルの枠組みで複数の対比検定を定式化する。
• 検定統計量の帰無分布を近似するためにパラメトリックブートストラップアプローチを適用し、弱いモーメント条件のもとで一貫性を確保する。
• 不等分散性下での検定統計量の安定化のためのスケーリング関数を組み込み、経験的サイズとパワーを向上させる。
• 高次元の関数的設定における共分散推定の挙動を制御するために、ムーア・ペネロープ逆行列およびスペクトルノルムの上限を用いる。
• 代替手法のためのノンパラメトリックブートストラップ手順（プールドおよびグループ別）を実装し、ロバストな臨界値推定を確保する。
• CAFブートストラップ検定（CAFb）におけるランダム射影からの複数のp値にボンフェローニ補正を適用し、高次元射影下での推論の安定化を図る。

実験結果

リサーチクエスチョン

• RQ1 一般的なモーメント条件のもとで、正しいサイズと高いパワーを維持する関数データにおける多重検定の統一的枠組みを開発可能か？
• RQ2 スケーリング関数の導入が、不等分散性下での関数的多重検定の経験的サイズおよびパワーに与える影響はいかほどか？
• RQ3 さまざまな誤差分布および分散構造において、提案手法は既存の代替手法（例：Fmax、GPF、L2b、Fb、CAFb）と比較してサイズおよびパワーで優位性を示すか？
• RQ4 本関数的多重検定の文脈において、パラメトリックブートストラップの一貫性の理論的根拠は何か？
• RQ5 関数データにおける非正規誤差および非同一分散性下でも、本手法はどの程度ロバスト性を示すか？

主な発見

• すべてのシミュレーション設定、特に不等分散および非正規誤差構造下でも、提案手法は名目水準（例：α=0.05のとき約5%）に近い経験的棄却率を達成した。
• Tukey対比およびスケーリングを含む代替仮説A6では、同分散性下で91.65%、不等分散性下で85.00%の経験的パワーを達成し、大多数のシナリオで代替手法を上回った。
• パラメトリックブートストラップは、すべての設定で一貫して正しいサイズを維持し、第1種の過誤率が許容範囲内（例：α=0.05のとき4.80–6.70%）に収まった。
• スケーリング関数の導入により、不等分散設定下でのパワーが顕著に向上し、補正なしバージョンと比較して中央値パワーが最大15ポイント上昇した。
• 30個のランダム射影とボンフェローニ補正を施したCAFb検定はロバスト性を示したが、提案手法と比較してパワーが低く（例：A6下で約32.7%）、劣っていた。
• すべてのテストされた代替仮説において、同分散性および不等分散性の両条件下で、6つの代替仮説のうち4つで85%を超える経験的パワーを示した。