[論文レビュー] Testing High Dimensional Mean Under Sparsity

Xianyang Zhang|arXiv (Cornell University)|Sep 28, 2015

Statistical Methods and Inference参考文献 29被引用数 5

ひとこと要約

本稿は、スパarsity下での高次元平均ベクトルに対する最大二乗和検定を提案し、精度行列を用いて変数間の依存関係を活用することで信号検出を強化する。この手法は、既存の検定よりも漸近的パワーを向上させ、サンプル分布の近似にシミュレーションベースのアプローチを採用しており、スパース信号検出の場面で優れた性能を示す。

ABSTRACT

Motivated by the likelihood ratio test under the Gaussian assumption, we develop a maximum sum-of-squares test for conducting hypothesis testing on high dimensional mean vector. The proposed test which incorporates the dependence among the variables is designed to ease the computational burden and to maximize the asymptotic power in the likelihood ratio test. A simulation-based approach is developed to approximate the sampling distribution of the test statistic. The validity of the testing procedure is justified under both the null and alternative hypotheses. We further extend the main results to the two sample problem without the equal covariance assumption. Numerical results suggest that the proposed test can be more powerful than some existing alternatives.

研究の動機と目的

• 信号がスパースである場合に、高次元平均ベクトルに対して強力で計算的に実行可能な検定を開発すること。
• 精度行列変換を用いて変数間の依存関係を組み込み、弱い信号を強調すること。
• 既存の二乗和型および最大型検定の長所を統合することで、スパース信号検出における性能を向上させること。
• 帰無仮説および対立仮説の両下で、検定統計量の有効なシミュレーションベースの推論手順を提供すること。
• 等分散行列を仮定しない二標本検定への拡張を図ること。

提案手法

• 精度行列 $ \Gamma $ を用いた変換された標本平均 $ \bar{z} = \Gamma \bar{X} $ を用いて、$ T_n(k) = n \max_{1 \leq j_1 < \cdots < j_k \leq p} \sum_{s=1}^k \frac{\bar{z}_{j_s}^2}{\gamma_{j_s j_s}} $ の検定統計量を提案する。
• ガウス分布を仮定したもとで、尤度比の観点から検定を導出し、スパース信号モデルにおける最適検出と関連付ける。
• サンプル分布の近似にシミュレーションベースのアプローチを用い、帰無仮説および対立仮説の両下で有効性を保証する。
• 未知の精度行列 $ \Gamma $ を推定値で置き換えることで、実用的バージョン $ T_{fe,n}(k) $ を導入し、漸近的有効性を維持する。
• ガウス近似理論と集中不等式を用いて、検定統計量とガウス過程との間の漸近的同等性を確立する。
• 等分散行列を仮定しない二標本検定に拡張するため、不等分散仮定下での対数尤度をモデル化し、スパース代替仮説に対する尤度比検定を導出する。

実験結果

リサーチクエスチョン

• RQ1 精度行列変換に基づく最大二乗和検定は、既存の二乗和型および最大型検定よりも、高次元スパース平均ベクトル検定において優れた性能を示すか？
• RQ2 精度行列による変数間の依存関係の組み込みは、スパarsity下での高次元平均ベクトル検定のパワーにどのように影響するか？
• RQ3 提案された検定統計量の漸近的分布は何か？ また、シミュレーションを用いて信頼性高く近似可能か？
• RQ4 等分散行列を仮定しない二標本設定において、この手法はどのように動作するか？
• RQ5 提案された検定は、スパース代替仮説下で漸近的に尤度比検定と同等か？

主な発見

• 提案された最大二乗和検定は、精度行列による依存関係の活用により、既存の代替手法よりも高い漸近的パワーを達成する。
• 検定統計量 $ T_n(k) $ は、スパース代替仮説下で尤度比検定と漸近的に同等であり、尤度の観点から最適性が裏付けられる。
• シミュレーションベースのアプローチにより、$ T_n(k) $ のサンプル分布の有効な近似が得られ、$ \sup_t |P(T_{fe,n}(k) \leq t) - P(T_n(k) \leq t)| = o_p(1) $ を満たし、サイズ制御が正しく保たれる。
• ガウス近似と集中不等式を用いた理論的保証により、帰無仮説および対立仮説の両下で有効性が保証される。
• 二標本への拡張は理論的有効性を維持し、不等分散構造を考慮することでパワーが向上する。
• 数値結果により、提案手法がスパース信号検出の場面で、既存の手法よりも優れたパワーを示すことが確認された。