[論文レビュー] The e-value: A Fully Bayesian Significance Measure for Precise Statistical Hypotheses and its Research Program

Julio Michael Stern, Carlos Alberto de Bragança Pereira|arXiv (Cornell University)|Jan 28, 2020

Forecasting Techniques and Applications参考文献 108被引用数 4

ひとこと要約

この論文は、正確（鋭い）仮説を検定するための完全ベイズ的有意水準であるe値と、主要なベイズ的原則（尤度の原理や不変性など）を満たす厳密なフレームワーク、完全ベイズ的有意水準検定（FBST）を導入する。e値は、仮説の証拠を直接的・幾何的・不変的に測定するもので、非自明な事前分布や近似を必要とせず、ゼロ確率の仮説を扱う際、従来の手法を凌駕する。

ABSTRACT

This article gives a survey of the e-value, a statistical significance measure a.k.a. the evidence rendered by observational data, X, in support of a statistical hypothesis, H, or, the other way around, the epistemic value of H given X. The $e$-value and the accompanying FBST, the Full Bayesian Significance Test, constitute the core of a research program that was started at IME-USP, is being developed by over 20 researchers worldwide, and has, so far, been referenced by over 200 publications. The e-value and the FBST comply with the best principles of Bayesian inference, including the likelihood principle, complete invariance, asymptotic consistency, etc. Furthermore, they exhibit powerful logic or algebraic properties in situations where one needs to compare or compose distinct hypotheses that can be formulated either in the same or in different statistical models. Moreover, they effortlessly accommodate the case of sharp or precise hypotheses, a situation where alternative methods often require ad hoc and convoluted procedures. Finally, the FBST has outstanding robustness and reliability characteristics, outperforming traditional tests of hypotheses in many practical applications of statistical modeling and operations research.

研究の動機と目的

• パrameter空間の零体積部分集合に定義された、鋭い（正確な）仮説を厳密に取り扱える完全ベイズ的有意水準測度を開発すること。
• ゼロ測度集合に正の事前確率を割り当てるなど、恣意的な手続きを必要とする古典的p値や他のベイズ的手法の限界を克服すること。
• 再パラメトリゼーションに対して不変であり、連続的かつ尤度の原理に整合する有意水準測度を提供すること。
• 特にモデル比較や構造検定の応用において、複雑なモデルでも信頼性の高い仮説検定を可能にする、合成的かつ頑健な手順を可能にすること。
• 基礎的なベイズ的原則に整合し、医学、運用研究、意思決定モデリングなどの実用的応用を支援する理論的に妥当で計算的に実行可能な統計的推論フレームワークを確立すること。

提案手法

• e値は、観測データXのもとで、事後分布の下で、帰無仮説Hに完全に含まれる最高事後密度（HPD）領域の事後確率として定義される。これをev(H|X)と表記する。
• FBST（完全ベイズ的有意水準検定）は、e値を検定統計量として用い、観測データXに基づいて鋭い仮説Hの証拠を評価する。
• この手法は、事後分布と帰無仮説下で事後密度を最大化するパrameter値の集合を用いて幾何的に定義され、再パラメトリゼーションに対して不変性を保証する。
• e値は大標本近似に依存せず、正確なベイズ計算に依存するため、正確な手続きである。
• フレームワークは、事前の知識を反映するための主観的事前分布を組み込み、代数的規則を用いて複数のモデルや仮説における証拠を合成可能である。
• 証拠は尤度関数と事後分布に基づいてのみ評価され、任意のしきい値や信頼度比を避けるという原則に従い、尤度の原理を尊重する。

実験結果

リサーチクエスチョン

• RQ1 ゼロ測度集合に非情報的または不適切な事前分布を必要とせず、正確な仮説を一貫して評価できる完全ベイズ的有意水準測度をどのように構築できるか？
• RQ2 e値は、古典的p値や他のベイズ的検定とは異なり、正則性条件下で尤度の原理、不変性、連続性をどのように満たすか？
• RQ3 e値は、例えばベイジアンネットワークや影響図におけるスパarsityや構造的制約を含む、複数のモデルを含む複雑な仮説をどのように検定できるか？
• RQ4 高次元または非正則なモデルにおいて、e値は従来の頻度主義的およびベイズ的仮説検定に比べて理論的および計算上の利点をどのように有するか？
• RQ5 関数的展開や級数近似を含む設定において、e値は半パラメトリックおよびノンパラメトリックモデルにどのように一般化できるか？

主な発見

• e値は、不変性、連続性、尤度の原理への準拠、恣意的仮定の回避といった、有意水準測度の10の主要な性質をすべて満たす。
• e値は、変換や近似を必要とせず、元のパrameter空間における仮説の証拠の直接的な確率的測度を提供するため、直感的かつ解釈可能である。
• FBSTは、他の手法がしばしば失敗したり恣意的な調整を要する鋭い仮説を扱う際、頑健性と信頼性において従来の検定を上回る。
• e値は計算的に正確であり、漸近的近似に依存しないため、小標本でも正確性を保証する。
• このフレームワークは、複数のモデル間での証拠の合成と比較を可能にし、グラフィカルモデルにおけるスパarsityパターンなどの複雑な構造的仮説の検定を支援する。
• この研究プログラムは、医療診断、信頼性理論、メタアナリシスなど多様な分野に応用されており、発表以降200件以上の論文がこのフレームワークを引用している。