[論文レビュー] Kernelized Stein Discrepancy Tests of Goodness-of-fit for Time-to-Event Data

Tamara Fernández, Nicolás Rivera+2 more|arXiv (Cornell University)|Aug 19, 2020

Statistical Distribution Estimation and Applications被引用数 6

ひとこと要約

本稿は、右打ち切りを伴う生存時間データに対する適合度検定のためのカーネル化されたスティーン分散（KSD）検定を提案する。3つの新しいスティーン作用素—生存、マーティングル、比例—を導入し、それぞれ打ち切りに対応するように適合させた。この手法は、正規化定数を必要とせず、モデル構造を活用することで、従来のMMDに基づく検定よりも優れた検出力を持つ。特に複雑な代替仮説の下で顕著な性能向上を示す。

ABSTRACT

Survival Analysis and Reliability Theory are concerned with the analysis of time-to-event data, in which observations correspond to waiting times until an event of interest such as death from a particular disease or failure of a component in a mechanical system. This type of data is unique due to the presence of censoring, a type of missing data that occurs when we do not observe the actual time of the event of interest but, instead, we have access to an approximation for it given by random interval in which the observation is known to belong. Most traditional methods are not designed to deal with censoring, and thus we need to adapt them to censored time-to-event data. In this paper, we focus on non-parametric goodness-of-fit testing procedures based on combining the Stein's method and kernelized discrepancies. While for uncensored data, there is a natural way of implementing a kernelized Stein discrepancy test, for censored data there are several options, each of them with different advantages and disadvantages. In this paper, we propose a collection of kernelized Stein discrepancy tests for time-to-event data, and we study each of them theoretically and empirically; our experimental results show that our proposed methods perform better than existing tests, including previous tests based on a kernelized maximum mean discrepancy.

研究の動機と目的

• 打ち切りを適切に扱い、モデル構造を活用できる非パラメトリックな適合度検定が、打ち切りを伴う生存時間データに対して不足している現状に対処する。
• 正規化定数を必要とせず、計算が効率的なカーネル化されたスティーン分散検定を構築し、生存分析への応用を拡張する。
• 異なるタイプの打ち切りと帰無仮説に対応する3つの異なるスティーン作用素—生存、マーティングル、比例—を提案・分析する。
• 各検定統計量の帰無仮説下での漸近的分布とブートストラップに基づく臨界値を確立し、有効な推論を保証する。
• 実験的に、提案されたKSD検定が、特に帰無仮説からの微小または複雑な逸脱を検出する際、最先端のMMDに基づく検定を上回ることを示す。

提案手法

• 生存スティーン作用素を、非打ち切りKSDの直接的な一般化として導入し、打ち切りインジケーターと生存関数を組み込むことで、右打ち切りデータに適合させる。
• 生存分析における古典的なカウント過程のマーティングルに基づくマーティングルスティーン作用素を提案し、帰無仮説下で期待値がゼロとなるように保証し、頑健な検定構築を可能にする。
• ハザード関数が比例性の下でのみ既知であるような合成帰無仮説（例：定数ハザードモデル）に対して、比例スティーン作用素を設計する。
• 再生核ヒルベルト空間（RKHS）フレームワークを用いてカーネル統計量を構築し、スティーン作用素から導かれるカーネルを含むV統計量として検定統計量を表現する。
• 各検定の臨界値を推定するために、ワイルドブートストラップリサンプリングを適用し、帰無仮説下での有効なサイズ制御を保証する。
• 理論的妥当性を確保するため、漸近的分布収束のためのモーメント条件を検証する。特に、モデルクラスの複雑さのため、比例作用素にはより厳しい要件が課される。

実験結果

リサーチクエスチョン

• RQ1 カーネル化されたスティーン分散は、計算効率を保ちつつ、モデル構造を活用する形で、右打ち切りを伴う生存時間データにどのように一般化できるか？
• RQ2 異なる打ち切りに配慮したスティーン作用素を用いたカーネルスティーン分散検定の理論的性質—特に漸近的分布—はどのようなものか？
• RQ3 提案されたKSD検定は、さまざまな打ち切り率と代替分布の下で、既存の非パラメトリック検定、特にFernandezとGretton（2019）によるMMDに基づく検定と比較して、どの程度の検出力を持つのか？
• RQ4 異なるスティーン作用素（生存、マーティングル、比例）は、帰無仮説下でどの条件下で分布収束を達成するのか？それらの仮定はどのように比較されるか？
• RQ5 提案されたKSD検定は、MMDに基づくアプローチに比べて、打ち切り設定下で、帰無仮説からの微小または複雑な逸脱をより効果的に検出できるか？

主な発見

• 提案されたカーネル化されたスティーン分散検定は、特に高打切り率や小標本サイズの下で、打ち切りデータに対する最先端のMMDベースの検定を著しく上回る検出力を持つ。
• マーティングルスティーン作用素は、生存スティーン作用素よりもより頑健な漸近的分布理論を提供し、帰無仮説下での収束に際して、より緩いモーメント条件を要する。
• 比例スティーン作用素は、帰無仮説が合成的（固定分布ではなくモデルクラス）であるため、より強いモーメント条件を要する。これは、モデルクラスの推定が固定分布の推定よりも複雑であることを反映している。
• 実験的結果から、KSDに基づく検定は、周期的ハザード関数や帰無仮説からの微小な逸脱といった挑戦的な状況でも、MMDベースの検定よりも高い統計的検出力を達成することが示された。
• ワイルドブートストラップアプローチは、すべての3つの検定統計量に対して正確な臨界値を提供し、さまざまな打ち切り率と標本サイズにおいて有効なサイズ制御を保証した。
• カーネル統計量は、スティーン作用素から導かれるカーネルを用いた退化したV統計量として表現され、正則性条件下で一貫した推定と理論的分析が可能となった。