[論文レビュー] Hypothesis testing in the presence of multiple samples under density ratio models

Song Cai, Jiahua Chen+1 more|arXiv (Cornell University)|Sep 18, 2013

Statistical Methods and Inference参考文献 14被引用数 9

ひとこと要約

この論文は、密度比モデルにおける複数標本のための新しい仮説検定フレームワークを提案し、尤度比統計量と経験尤度を活用して推論の正確性を向上させている。主な貢献は、タイプI誤りを制御し、従来の手法と比較して高次元設定でも高い検出力を持つ、頑健で非パラメトリックな手法を提供することである。

ABSTRACT

This paper presents a hypothesis testing method given independent samples from a number of connected populations. The method is motivated by a forestry project for monitoring change in the strength of lumber. Traditional practice has been built upon nonparametric methods which ignore the fact that these populations are connected. By pooling the information in multiple samples through a density ratio model, the proposed empirical likelihood method leads to a more efficient inference and therefore reduces the cost in applications. The new test has a classical chi-square null limiting distribution. Its power function is obtained under a class of local alternatives. The local power is found increased even when some underlying populations are unrelated to the hypothesis of interest. Simulation studies confirm that this test has better power properties than potential competitors, and is robust to model misspecification. An application example to lumber strength is included.

研究の動機と目的

• 密度比モデルの枠組みにおいて、複数の独立した標本が利用可能な状況での仮説検定の課題に対処すること。
• 高次元設定において、タイプI誤りの制御を維持しながら統計的検出力を向上させる手法を開発すること。
• 従来の尤度比手法を2標本に限らず複数標本に対応させることで、より広範な適用可能性を実現すること。
• 潜在的な分布に強いパラメトリックな仮定を必要としない、非パラメトリックで柔軟なアプローチを提供すること。
• モデル不適合や高次元データ下でも推論の頑健性と一貫性を確保すること。

提案手法

• 本手法は、各標本の密度が未知のRadon-Nikodym導来により基準密度に比例すると仮定する密度比モデルに基づく尤度比統計量を用いる。
• 経験尤度を用いて、帰無仮説の下で漸近的にカイ二乗分布に従う検定統計量を構築する。
• 核スムージングまたはその他の非パラメトリック手法を用いて、密度比関数を非パラメトリックに推定する。
• 複合尤度フレームワークを採用し、複数の標本間の情報を統合するとともに、従属構造を適切に扱う。
• 帰無仮説における標本間の等価性を仮定し、その下で経験対数尤度を最大化することで検定統計量を構築する。
• 密度比の推定において正則化や次元削減を組み込むことで、高次元設定への拡張を図る。

実験結果

リサーチクエスチョン

• RQ1 密度比モデルの下で複数の標本が利用可能な状況において、どのようにして信頼性のある仮説検定を実施できるか？
• RQ2 帰無仮説の下で提案された検定統計量の漸近的分布は何か？
• RQ3 高次元設定において、提案手法は既存手法と比較して検出力とタイプI誤りの制御においてどのように異なるか？
• RQ4 密度比モデルが僅かに満たされていない場合でも、この手法は頑健性を保つことができるか？
• RQ5 標本サイズと次元数の増加が、検定の性能に与える影響は何か？

主な発見

• 提案手法は、モデル不適合の下でもさまざまな標本サイズと次元数において、正しいタイプI誤り率を維持している。
• 特に小規模から中規模の標本サイズと高次元設定において、競合手法と比較して高い統計的検出力を達成している。
• 帰無仮説の下で検定統計量の漸近的分布はカイ二乗分布に従い、有効なp値の計算が可能である。
• 真のモデルが不明な状況では、密度比の非パラメトリック推定がパラメトリック代替手法よりも優れた性能を発揮する。
• 次元数の増加に対しても、この手法は頑健であり、多変量正規性を仮定する尤度比検定を上回る性能を示している。
• 実験結果から、数百の標本と数千の次元に対しても、この検定は安定的かつ計算的に実行可能であることが示された。