[논문 리뷰] An adaptable generalization of Hotelling's $T^2$ test in high dimension

Haoran Li, Alexander Aue외 3명|arXiv (Cornell University)|2016. 09. 28.

Random Matrices and Applications참고 문헌 39인용 수 10

한 줄 요약

이 논문은 고차원 이중표본 평균 비교를 위한 적응형 릿지 정규화 호팅거의 $T^2$ 검정(ARHT)을 제안한다. 여기서 정규화 파라미터는 국소 대립가설 하에서 검정의 검정력을 최대화하는 방식으로 데이터 기반으로 선택된다. 이 방법은 유한 표본에서 뛰어난 성능을 보이며, 서브가우시안 조건 하에서 점근적 타당성을 확보한다. 확률과정의 약한 수렴을 통해 정확한 임계값 계산이 가능하다.

ABSTRACT

We propose a two-sample test for detecting the difference between mean vectors in a high-dimensional regime based on a ridge-regularized Hotelling's $T^2$. To choose the regularization parameter, a method is derived that aims at maximizing power within a class of local alternatives. We also propose a composite test that combines the optimal tests corresponding to a specific collection of local alternatives. Weak convergence of the stochastic process corresponding to the ridge-regularized Hotelling's $T^2$ is established and used to derive the cut-off values of the proposed test. Large sample properties are verified for a class of sub-Gaussian distributions. Through an extensive simulation study, the composite test is shown to compare favorably against a host of existing two-sample test procedure in a wide range of settings. The performance of the proposed test procedure is illustrated through an application to a breast cancer data set where the goal is to detect the pathways with different DNA copy number alterations across breast cancer subtypes.

연구 동기 및 목표

• 차원 수 $p$가 표본 크기 $n$과 유사하거나 이를 초월할 경우 고전적 호팅거의 $T^2$ 검정이 일관성이 없어지는 문제를 해결한다.
• 희박성 가정이나 강한 분포 가정에 의존하는 기존 고차원 검정의 한계를 극복한다.
• 모집단 공분산에 대한 지식이 없이도 국소 대립가설 하에서 검정력을 최대화할 수 있도록 데이터 적응형 정규화 파라미터 선택 방법을 개발한다.
• 다양한 평균 및 공분산 구조에 대해 강건한 성능을 보이기 위해 다수의 릿지 정규화 통계량을 병합하는 복합 검정을 구축한다.
• 정규화된 검정 통계량의 배경이 되는 확률과정의 약한 수렴을 확립하여 정확한 임계값 도출을 가능하게 한다.

제안 방법

• 고차원에서 표본 공분산 행렬의 역행렬을 안정화하기 위해 릿지 정규화 호팅거의 $T^2$ (RHT) 검정 통계량을 제안한다.
• 평균 차이 $\mu$에 대한 사전분포를 통해 정의된 국소 대립가설의 클래스 하에서 검정력 최대화를 위해 데이터 기반 정규화 파라미터 $\lambda$ 선택 방법을 도출한다.
• 알 수 없는 평균 및 공분산 구조에 적응하기 위해 최적의 다수의 $\lambda$ 값에서 선택된 RHT 통계량을 병합하는 복합 검정(ARHT)을 도입한다.
• 콤���트 구간 $C \subset \mathbb{R}_+$ 내에서 정규화된 확률과정 $\mathrm{RHT}(\lambda)$가 가우시안 극한으로 약하게 수렴함을 증명하여 임계값 도출이 가능하게 한다.
• 서브가우시안 가정 하에서 랜덤 행렬 이론과 농도 부등식을 활용하여 점근적 성질을 도출하며, 가우시안성을 요구하지 않는 조건으로 완화한다.
• 유한 표본 성능 향상을 위해 검정 통계량에 단조성 변환 또는 $\chi^2$ 근사를 적용한다.

실험 결과

연구 질문

• RQ1 고차원 설정에서 국소 대립가설 하에서 검정력을 최대화하기 위해 릿지 정규화 호팅거의 $T^2$ 검정의 정규화 파라미터는 어떻게 선택할 수 있는가?
• RQ2 다수의 릿지 정규화 통계량을 병합하는 복합 검정은 고차원 이중표본 검정에서 다양한 평균 및 공분산 구조에 대해 강건한 성능을 달성할 수 있는가?
• RQ3 서브가우시안 조건 하에서 릿지 정규화 호팅거의 $T^2$ 통계량의 점근적 분포는 무엇이며, 이를 통해 정확한 임계값을 어떻게 도출할 수 있는가?
• RQ4 다양한 시뮬레이션 시나리오에서 제안된 ARHT 검정은 기존의 고차원 이중표본 검정보다 검정력과 크기 정확도 측면에서 어떻게 비교되는가?
• RQ5 진짜 평균 차이의 구조나 $\Sigma$의 고유값 감쇠 패턴이 알려져 있지 않을 때, $\lambda$의 데이터 기반 선택은 성능 향상에 얼마나 기여하는가?

주요 결과

• 제안된 ARHT 검정은 밀도가 높거나 희박한 평균 차이, $\Sigma$의 다양한 고유값 감쇠 패턴, 서브가우시안 데이터를 포함한 광범위한 시뮬레이션 설정에서 뛰어난 검정력을 확보한다.
• 국소 검정력 최대화 기반으로 데이터 기반으로 선택된 정규화 파라미터 $\lambda$는 고정 또는 교차검증 기반 선택 대비 훨씬 뛰어난 검정 성능을 제공한다.
• 확률과정 $\mathrm{RHT}(\lambda)$의 약한 수렴이 가우시안 극한으로 증명되어 복합 ARHT 검정의 정확한 임계값 계산이 가능하다.
• 표본 크기 $p \gg n$ 조건에서도 검정의 크기 정확도와 검정력이 양호하게 유지되며, Bai & Saranadasa (1996) 및 Srivastava & Du (2008)의 기존 검정보다 많은 시나리오에서 뛰어난 성능을 보인다.
• 검정 통계량에 단순한 단조성 변환 또는 $\chi^2$ 근사를 적용하면 유한 표본 행동이 크게 향상되어 경험적 크기 통제가 향상된다.
• 특정 사전분포 하에서 특정한 극한 조건에서 ARHT 검정이 Bai & Saranadasa (1996) 검정의 일반화임이 입증되어 고전적 및 현대적 고차원 접근법을 연결한다.