[논문 리뷰] Smaller $p$-values via indirect information

Peter D. Hoff|arXiv (Cornell University)|2019. 07. 29.

Statistical Methods and Bayesian Inference참고 문헌 22인용 수 4

한 줄 요약

이 논문은 근거 없는 정보나 사전 정보를 활용하여 표준 적률 검정보다 더 작고 더 강력한 p-값을 생성하면서도 귀무가설 하에서 균일성을 유지하는 FAB(Frequentist, Assisted by Bayes) p-값을 소개한다. 다변수 정규 모형에서 파rameter 간 정보를 공유하기 위해 연결 모형을 사용함으로써, 이는 다변수 정규 모형에서 파arameter 간 정보를 공유함으로써 사전 분포를 적응적으로 추정하며, 연결 모형이 잘못 지정되어도 귀무가설 하에서 p-값이 균일하게 분포함을 보장한다.

ABSTRACT

This article develops $p$-values for evaluating means of normal populations that make use of indirect or prior information. A $p$-value of this type is based on a biased test statistic that is optimal on average with respect to a probability distribution that encodes indirect information about the mean parameter, resulting in a smaller $p$-value if the indirect information is accurate. In a variety of multiparameter settings, we show how to adaptively estimate the indirect information for each mean parameter while still maintaining uniformity of the $p$-values under their null hypotheses. This is done using a linking model through which indirect information about the mean of one population may be obtained from the data of other populations. Importantly, the linking model does not need to be correct to maintain the uniformity of the $p$-values under their null hypotheses. This methodology is illustrated in several data analysis scenarios, including small area inference, spatially arranged populations, interactions in linear regression, and generalized linear models.

연구 동기 및 목표

• 귀무가설 하에서 균일하게 분포하면서도 간접 정보나 사전 정보를 통합함으로써 표준 p-값보다 더 강력한 p-값을 개발하는 것.
• 적률 오류 비율 보장을 위반하지 않으면서 다변수 설정에서 통계적 검정력을 향상시키는 과제를 해결하는 것.
• 완벽하게 지정되지 않은 연결 모형을 통해 파arameter 간 간접 정보를 적응적으로 활용하는 것.
• 간접 정보가 정확할 경우 평균적으로 표준 p-값보다 더 작은 p-값을 생성할 수 있는 실용적 프레임워크를 제공하는 것.
• 소형 영역 추정, 공간적 추론, 회귀 상호작용과 같은 실제 응용 사례에서 이 방법의 강건성과 유용성을 입증하는 것.

제안 방법

• FAB p-값은 평균 파arameter θ에 대한 사전 분포 π에 대해 평균 검정력이 최대화되는 검정 통계량에서 유도된다.
• 정규 데이터 Y ~ N(θ, σ²)에 대해 FAB p-값은 1 - |Φ(Y/σ + 2μσ/τ²) - Φ(-Y/σ)|로 표현되며, 여기서 μ와 τ²는 π의 평균과 분산이다.
• 다변수 설정에서는 다른 파arameter의 데이터를 통해 한 파arameter에 대한 간접 정보를 연결 모형(예: 계층적 또는 다수준 모형)을 사용하여 추정한다.
• 연결 모형을 통해 각 파arameter의 사전 분포 π를 추정함으로써, 간접 정보가 정확할수록 더 작은 FAB p-값을 얻을 수 있는 적응형 FAB p-값을 가능하게 한다.
• 연결 모형이 잘못 지정되어도 FAB p-값은 귀무가설 하에서 여전히 균일하게 분포함을 보장하며, 이는 FAB p-값의 적률 보장 때문이다.
• σ²가 데이터로부터 추정되는 경우와 선형 및 일반화된 선형 모형의 경우에도 연결 모형의 경험 베이즈 추정을 통해 방법을 확장한다.

실험 결과

연구 질문

• RQ1 귀무가설 하에서 균일성을 유지하면서도 표준 적률 p-값보다 더 작은 p-값을 만들 수 있는가?
• RQ2 다수의 정규 평균에 대한 간접 정보나 사전 정보를 어떻게 활용하여 통계적 검정력을 향상시키면서도 적률 오류 통제를 위반하지 않을 수 있는가?
• RQ3 연결 모형의 모형 잘못 지정이 FAB p-값의 타당성과 성능에 어떤 영향을 미치는가?
• RQ4 소형 영역 추정이나 공간적으로 구조화된 데이터와 같은 설정에서 FAB p-값은 표준 p-값보다 의미 있는 이점을 제공하는가?
• RQ5 다중 검정 상황에서 흔히 발생하는 종속성 구조에서 FAB p-값은 어떻게 행동하는가? 그리고 상호의존성이 요구되는 절차에서 안전하게 사용될 수 있는가?

주요 결과

• FAB p-값은 귀무가설 하에서 어떤 사전 분포를 사용하여 구성하든 (0,1)에서 균일하게 분포한다.
• 시뮬레이션 결과, 표본 크기 n ∈ {200, 400, 800, 1600}일 때 FAB p-값이 0.05 이하인 비율은 0.05–0.06이었고, 월드 p-값은 0.05–0.07이었으며, 이는 유사하거나 약간 더 나은 I형 오류 통제를 의미한다.
• 간접 정보가 정확할 경우 FAB p-값은 표준 UMPU p-값의 절반 크기까지 작아질 수 있다.
• FAB p-값이 UMPU p-값보다 작아질 확률은 적어도 Φ(sign(̃b_j) × θ_j) 이상이므로, 연결 모형이 합리적으로 정확할 경우 대부분의 FAB p-값이 더 작아진다.
• 이조차도 잘못 지정된 가우시안 연결 모형을 사용하더라도, 진짜 파arameter 구조가 약간 정규 분포에 가까울 경우 FAB p-값은 평균적으로 UMPU p-값을 능가한다.
• 기본적인 구조가 없는 설정(예: 파arameter가 0에 중심을 두고 있을 경우)에서는 FAB p-값이 표준 UMPU p-값으로 수렴하여 타당성이 유지된다.