[論文レビュー] Robust Bayesian FDR Control with Bayes Factors

Xiaoquan Wen|arXiv (Cornell University)|Nov 15, 2013

Statistical Methods in Clinical Trials被引用数 5

ひとこと要約

本稿では、尤度比を統計量として用いることで、パラメトリックな代替モデルが誤って指定された場合でも正確なFDR制御を維持できる、ロバストなベイズ的誤り発見率（FDR）制御手順を提案する。この手法は計算的に効率的であり、大規模データへの応用に適しており、複雑なモデル設定下でも強力な理論的保証を提供する。

ABSTRACT

This paper proposes a new procedure to perform simultaneous testing of multiple hypotheses using Bayes factors as input test statistics. One of the most significant features of this method is its robustness in controlling the targeted false discovery rate (FDR) even under misspecifications of parametric alternative models. Moreover, the proposed procedure is highly computationally efficient, which is ideal for treating big data. We investigate the theoretical properties of the new procedure and demonstrate its use under various complex scenarios.

研究の動機と目的

• パラメトリックなモデルが誤って指定された場合でも、信頼性の高い誤り発見率（FDR）制御を保証する同時多重仮説検定手法の開発。
• 尤度比を統計量として用いることで、多重仮説検定手順のロバスト性を向上させる。
• 大規模データへのスケーラブルな応用を可能にする計算的効率性の確保。
• さまざまな複雑な統計的設定下での提案手法の理論的性質の確立。

提案手法

• 手順は、多重仮説検定の入力統計量として尤度比を用いる。
• 尤度比から導かれる事後オッズに基づく意思決定ルールを適用し、FDRを制御する。
• 仮定されたパラメトリックな代替モデルが誤っている場合でも、FDR制御を維持するように設計されている。
• 理論的分析により、モデルの誤指定下での手順のロバスト性が確立されている。
• アプローチは計算的に効率的であり、高次元データ環境での実用的利用を可能にしている。

実験結果

リサーチクエスチョン

• RQ1 ベイズ的多重仮説検定手順は、パラメトリックなモデルが誤って指定された場合でもFDR制御を維持できるか？
• RQ2 尤度比を統計量として用いることで、FDR制御のロバスト性はどのように影響を受けるか？
• RQ3 提案手法は大規模データ環境下でどの程度計算スケーラビリティを有するか？
• RQ4 複雑な統計的モデル下での手順の理論的性質は、どのように評価されるか？

主な発見

• 提案手法は、パラメトリックな代替モデルが誤って指定された場合でも、正確な誤り発見率（FDR）制御を維持する。
• 手順はモデルの誤指定に対して強くロバストであり、従来の頻度主義的手法と比較して顕著な利点を示す。
• 手法は計算的に効率的であり、大規模データ解析に適している。
• 理論的分析により、さまざまな複雑なモデル設定下でのFDR制御の妥当性と安定性が確認された。