[논문 리뷰] A Unified Treatment of Multiple Testing with Prior Knowledge

Aaditya Ramdas, Rina Foygel Barber외 2명|arXiv (Cornell University)|2017. 03. 18.

Statistical Methods in Clinical Trials인용 수 7

한 줄 요약

이 논문은 p-filter를 소개한다. p-filter는 비균일한 사전 가중치, 다양한 거짓 발제 페널티, 다중 겹침 그룹 분할, 의존 구조를 포함하는 네 가지 유형의 사전 지식을 동시에 통합하는 통합 알고리즘 프레임워크이다. 이러한 요소들을 통합함으로써 p-filter는 통계적 검정력을 향상시키고 정밀도를 높이며, 기존 방법들을 특수 케이스로 복원하면서 더 유연하고 정보 기반의 FDR 제어 및 근원 귀무가설 검정을 가능하게 한다.

ABSTRACT

There is a significant literature on methods for incorporating knowledge into multiple testing procedures so as to improve their power and precision. Some common forms of prior knowledge include (a) beliefs about which hypotheses are null, modeled by non-uniform prior weights; (b) differing importances of hypotheses, modeled by differing penalties for false discoveries; (c) multiple arbitrary partitions of the hypotheses into (possibly overlapping) groups; and (d) knowledge of independence, positive or arbitrary dependence between hypotheses or groups, suggesting the use of more aggressive or conservative procedures. We present a unified algorithmic framework called p-filter for global null testing and false discovery rate (FDR) control that allows the scientist to incorporate all four types of prior knowledge (a)-(d) simultaneously, recovering a variety of known algorithms as special cases.

연구 동기 및 목표

• 다양한 형태의 사전 지식을 활용하여 다중 가설 검정에서 통계적 검정력과 정밀도를 향상시키는 데 도전하는 것.
• 사전 가중치, 거짓 발제 페널티, 군집 구조, 의존성 가정을 포함하는 기존 방법들을 하나의 일관된 프레임워크로 통합하는 것.
• 과학자들이 원칙적인 방식으로 동시에 여러 종류의 사전 지식을 사용할 수 있도록 하는 융통성 있는 알고리즘을 개발하는 것.
• 이질적인 사전 정보를 통합함으로써 더 정확하고 강력한 거짓 발제율(FDR) 제어 및 근원 귀무가설 검정을 가능하게 하는 것.

제안 방법

• p-filter는 p-값과 사전 지식을 탄력적인 최적화 절차를 통해 통합하는 통합 알고리즘 프레임워크를 사용한다.
• 비균일한 사전 가중치를 사용하여 더 가능성 있는 대립가설의 검정을 우선시하는 방식으로 귀무가설에 대한 사전 신뢰를 모델링한다.
• 각 가설의 중요도에 따라 다른 오류 비용을 할당하여 거짓 발제에 대한 다양한 페널티를 통합한다.
• 가능한 임의의 분할, 심지어 겹치는 분할까지도 허용하여 도메인 특화의 군집화 또는 구조적 지식을 반영한다.
• 가설 또는 그룹 간의 의존 구조(독립, 양의 의존성, 임의의 의존성 등)를 고려하여 오류 제어 전략을 적절히 조정한다.
• 모든 네 가지 유형의 사전 지식을 하나의 최적화에 통합하는 통합 목표 함수를 사용하여 FDR 제어와 검정력을 균형 잡는다.

실험 결과

연구 질문

• RQ1 다양한 형태의 사전 지식을 다중 검정 절차에 체계적으로 통합하여 검정력과 정밀도를 향상시킬 수 있는가?
• RQ2 기존의 사전 가중치, 거짓 발제 페널티, 군집 구조, 의존성 가정을 포함하는 방법들을 하나의 프레임워크로 통합할 수 있는 정도는 어느 정도인가?
• RQ3 다양하고 복잡한 사전 지식 구조에 적응하면서도 강력한 FDR 제어를 유지할 수 있는가?
• RQ4 겹치는 군집 분할 및 의존성 정보의 포함이 다중 검정 절차의 성능에 어떤 영향을 미치는가?
• RQ5 이 four 가지 유형의 사전 지식을 하나의 알고리즘 프레임워크에 통합함으로써 이론적·실용적 이점은 무엇인가?

주요 결과

• p-filter는 네 가지 유형의 사전 지식을 모두 통합함으로써 다양한 기존 다중 검정 절차를 특수 케이스로 포함하는 데 성공했다.
• 이질적인 사전 정보를 원칙적이고 통합적인 방식으로 활용함으로써 통계적 검정력과 정밀도를 향상시켰다.
• 사전 가중치, 거짓 발제 페널티, 군집 구조, 의존성 가정을 동시에 사용할 수 있도록 함으로써 p-filter는 더 적응형이고 정보 기반의 추론을 가능하게 했다.
• 기존의 사전 지식의 일부만 다루는 방법들보다 더 큰 유연성을 제공하면서도 강력한 FDR 제어를 유지했다.
• p-filter는 다양한 과학 분야에서 복잡한 사전 정보를 동반한 다중 검정이 요구되는 상황에 적용 가능한 확장성 있고 일반적인 솔루션을 제공한다.