[論文レビュー] Gaussian Graphical Model Estimation with False Discovery Rate Control

Weidong Liu|arXiv (Cornell University)|Jun 5, 2013

Statistical Methods and Inference参考文献 27被引用数 5

ひとこと要約

本稿では、条件付き独立性のためのバイアス補正済み検定統計量を導入することで、漸近的に誤り発見率（FDR）を制御するガウス graphical モデル（GGM）推定の多重検定手順を提案する。この手法は正則化のチューニングを回避し、直接的に検定統計量をしきい値化することで、高次元スパースな状況下でFDRおよび誤り発見率（FDP）の制御を達成する。

ABSTRACT

This paper studies the estimation of high dimensional Gaussian graphical model (GGM). Typically, the existing methods depend on regularization techniques. As a result, it is necessary to choose the regularized parameter. However, the precise relationship between the regularized parameter and the number of false edges in GGM estimation is unclear. Hence, it is impossible to evaluate their performance rigorously. In this paper, we propose an alternative method by a multiple testing procedure. Based on our new test statistics for conditional dependence, we propose a simultaneous testing procedure for conditional dependence in GGM. Our method can control the false discovery rate (FDR) asymptotically. The numerical performance of the proposed method shows that our method works quite well.

研究の動機と目的

• 正則化に基づくGGM推定における性能評価の厳密さの欠如（チューニングパラメータと誤りエッジ数の関係が明確でないため）を是正すること。
• 高次元設定（$ p > n $）において誤り発見率（FDR）を制御するGGM構造学習の多重検定フレームワークを開発すること。
• 高次元性のため標本部分相関が定義されない場合でも有効で、漸近的に正規分布に従う検定統計量を構築すること。
• 精度行列のスパarsity仮定の下で、FDRおよび誤り発見率（FDP）の理論的保証を確立すること。
• 正則化に基づく手法の代替として、p値変換を避けて検定統計量を直接しきい値化することで、計算が効率的で、より解釈可能な誤差率に置き換えること。

提案手法

• 高次元GGMにおける条件付き独立性のための、残差の標本共分散のバイアス補正版を新たな検定統計量として導入する。
• 精度行列 $ \boldsymbol{\Omega} $ におけるスパarsity条​​件の下で、検定統計量の漸近的正規性を導出することで、有効な推論を可能にする。
• p値変換を回避して検定統計量を直接しきい値化することで、理論的制御を向上させる同時多重検定手順を開発する。
• すべての $ p(p-1)/2 $ 個の対比較検定において、誤り発見率（FDR）を漸近的に制御するための有意水準調整を適用する。
• 検定統計量の推定された帰無分布に基づくデータ駆動型しきい値ルールを用いて、推定グラフにおけるエッジの含める・含めないを決定する。
• 制限固有値および高確率的集中不等式を用いて、検定統計量および選択手順の一貫性を保証する。

実験結果

リサーチクエスチョン

• RQ1 高次元設定（$ p > n $）において、GGM構造を推定するための多重検定手順を構築可能か？ その際、FDRが厳密に制御されるか？
• RQ2 高次元性のため標本部分相関が定義されない場合でも、有効で漸近的に正規分布に従う検定統計量は何か？
• RQ3 誤りエッジ数とチューニングパラメータの関係を回避し、より解釈可能な誤差率に置き換える方法は何か？
• RQ4 正則化のチューニングパラメータに依存せずに、FDRおよび誤り発見率（FDP）を漸近的に制御可能か？
• RQ5 提案された検定統計量が漸近的に正規分布に従い、選択の一貫性を達成するための理論的条件は何か？

主な発見

• 提案手法（GFC：FDR制御付きGGM推定）は、精度行列のスパarsity条件下で、誤り発見率（FDR）を漸近的に制御する。
• この手法は誤り発見率（FDP）を漸近的に制御し、選択されたエッジにおける偽陽性の割合が確率的にゼロに収束することを保証する。
• バイアス補正済み残差共分散に基づく新しい検定統計量は、条件付き独立性の帰無仮説の下で漸近的に正規分布に従う。
• 正則化のチューニングを回避して、検定統計量を直接しきい値化することで、偽陽性と見逃しエッジのトレードオフを調整するチューニングパラメータの選択を不要にする。
• 理論的解析により、検定統計量が一貫しており、スパarsityおよび固有値条件の下で、真のグラフ構造の高確率的回復が達成されることを示す。
• この手法は計算が効率的で、正則化に基づく手法で一般的な反復最適化手順を回避するため、高次元データにスケーラブルである。