[論文レビュー] Covariate powered cross-weighted multiple testing with false discovery rate control

Nikolaos Ignatiadis, Wolfgang Huber|arXiv (Cornell University)|Jan 18, 2017

Statistical Methods in Clinical Trials被引用数 8

ひとこと要約

この論文は、ベンジャミン＝ホッジバーグ風のFDR制御手順において、データ駆動型の重みを共変量から得ることで、大規模な仮説検定における統計的パワーを向上させる、共変量駆動型クロス重み付き多重仮説検定（Covariate Powered Cross-Weighted Multiple Testing）を導入する。クロス重み付けを用いることで過学習を防ぎ、有限標本におけるFDR制御と、特に共変量が捕捉する異質性が顕在化する状況でのパワー向上を達成する。

ABSTRACT

Consider a large-scale multiple testing setup where we observe pairs $((P_i, X_i))_{1\leq i \leq m}$ of p-values $P_i$ and covariates $X_i$, such that $P_i \perp X_i$ under the null hypothesis. Our goal is to use the information potentially available in the covariates about heterogeneities among hypotheses to increase power compared to conventional procedures that only use the $P_i$, while still controlling the false discovery rate (FDR). To this end, we recently introduced independent hypothesis weighting (IHW), a weighted variant of the Benjamini-Hochberg method, in which the weights are chosen in a data-driven manner as a function of the covariate $X_i$. We showed empirically that IHW leads to a large power increase, while asymptotically controlling the FDR. In this paper, we provide a rigorous statistical framework for understanding IHW: its asymptotic characteristics are viewed through the lens of the conditional two-groups model, while favorable finite-sample properties are achieved by cross-weighting, a novel data-splitting approach that enables learning the weight-covariate function without overfitting. We provide results on finite sample behavior of IHW and of IHW-Bonferroni, its adaptation to the family-wise error rate (FWER). These results are valid as long as the hypotheses can be partitioned into independent folds, with arbitrary within-fold dependence. Furthermore, under full independence, we prove finite sample FDR control for IHWc, a slightly modified variant of IHW. A key implication of IHW is that hypothesis rejection in heterogeneous multiple testing setups should not proceed according to the ranking implied by the p-values; the covariate-weighted p-values instead provide a more informative ranking.

研究の動機と目的

• 従来の多重仮説検定手順が共変量情報を無視するという限界に対処し、異質な設定において最適でないパワーを生じさせることを防ぐ。
• 共変量を活用して、FDRを上昇させることなく、大規模な多重仮説検定における統計的パワーを向上させる手法を開発すること。
• 任意のフォールド内での仮説間の依存関係が存在する状況において、有限標本におけるFDR制御を保証すること。
• 条件付き二群モデルとクロス重み付けを用いて、独立仮説重み付け（IHW）のための厳密な統計的枠組みを提供すること。
• IHW-Bonferroniを用いて、依存性のもとでも有効性を保つように、フレームワークを家族ワイズ誤り率を制御する方向に拡張すること。

提案手法

• 共変量 $X_i$ から得られるデータ駆動型重みを用いてp値 $P_i$ を再重み付けし、共変量重み付きp値順序付けを構築することで、標準的なp値順序付けよりもパワーを向上させる。
• クロス重み付けはデータをフォールドに分割し、過学習を防ぐために重み-共変量関数を学習する。これにより、有限標本におけるFDR制御が保証される。
• このアプローチは、帰無仮説および対立仮説下でのp値の分布を共変量で条件づける条件付き二群モデルに裏打ちされている。
• IHWcは、IHWの変種であり、完全な独立性のもとで、有限標本においてFDRを正確に制御することが証明されている。
• この手法は、フォールド内に任意の依存関係が存在しても適用可能であり、複雑な依存構造に対しても堅牢である。
• IHW-Bonferroniは、IHWとボンフェローニ補正を組み合わせることで、家族ワイズ誤り率を制御するフレームワークへの拡張を実現している。

実験結果

リサーチクエスチョン

• RQ1 共変量情報を用いて、FDR制御を維持したまま多重仮説検定における統計的パワーを向上させることは可能か？
• RQ2 有限標本において、過学習を防ぎながら、共変量から導かれるデータ駆動型重みをどのように学習できるか？
• RQ3 仮説がフォールド内に依存関係を持つ場合、重み付き多重仮説検定手順の有限標本的性質はどのようなものか？
• RQ4 共変量重み付きp値は、p値順序付けのみに比べて、より強力で情報量の多い順序付けを提供するか？
• RQ5 このフレームワークは、パワーの向上を保ちつつ、家族ワイズ誤り率を制御するように拡張可能か？

主な発見

• 提案されたIHW手法は、共変量情報を活用することで、従来のp値のみを用いる手法と比較して、統計的パワーを顕著に向上させる。
• クロス重み付けにより、重み-共変量関数の信頼性ある学習が可能となり、任意のフォールド内依存関係が存在する状況でも有限標本におけるFDR制御が保証される。
• 完全な独立性のもとで、IHWcは正確な有限標本におけるFDR制御を達成しており、強い理論的保証である。
• この手法は、真の信号の検出が向上するため、仮説の棄却をp値順序付けのみではなく、共変量重み付きp値に基づくべきであることを示している。
• IHW-Bonferroniは、パワーの利点を維持したまま、家族ワイズ誤り率を制御するフレームワークへの拡張に成功している。
• このフレームワークは、フォールド内での依存性に対しても堅牢であるため、多様な現実世界の多重仮説検定の状況に適用可能である。