[论文解读] Robust multiple comparisons against a control group with application in toxicology

Ludwig A. Hothorn, Felix M. Kluxen|arXiv (Cornell University)|May 6, 2019

Statistical Methods in Clinical Trials参考文献 15被引用 7

一句话总结

本文提出最可能变换（MLT）-邓尼特检验作为经典邓尼特程序在多重比较中的稳健替代方法，尤其适用于非正态性、异方差性以及混合尺度终点的情况。MLT-Dunnett检验能保持名义上的第一类错误率，并在各种模拟条件下展现出更优的检验效能，从而实现使用比数比作为共同效应量对不同尺度的毒理学终点进行联合分析。

ABSTRACT

The Dunnett procedure compares several treatment or dose groups with a control group, while controlling the familywise error rate. When deviations from the normal distribution and heterogeneous variances occur, the nominal $α$ level may be violated, and power may be reduced. Various robust modifications are discussed, whereby the novel most likely transformation (MLT)-Dunnett version is recommended as almost always appropriate by means of a simulation study. The MLT-Dunnett is especially useful because it can jointly and comparably analyse differently scaled endpoints. Furthermore, a related multiple endpoints test is proposed using the odds ratio as a common effect size. With the statistical software R, the method is readily applicable using the CRAN libraries \verb|multcomp| and \verb|mlt|, real data can be easily analyzed.

研究动机与目标

• 解决在毒理学和临床研究中违反正态性和方差齐性时经典邓尼特检验的局限性。
• 开发一种统一的稳健方法，用于在单一统计框架下分析多个不同尺度的终点（例如，连续型、二分类、右删失型）。
• 确保与同时置信区间和多重性校正p值兼容，以提升结果的可解释性，并符合监管指南要求。
• 评估并比较多种经典邓尼特检验的稳健替代方法，包括非参数法、Satterthwaite校正法、异方差稳健估计法、M-估计法以及基于MLT的方法。
• 提供基于R语言的实用实现，利用CRAN中的multcomp、mlt和tram等包，适用于非临床和临床研究的实际应用。

提出的方法

• 应用最可能变换（MLT）以稳定不同尺度终点的方差并改善正态性，从而建立统一的检验框架。
• 采用最大t值多重对比检验，结合同时置信区间（sCIs）和多重性校正p值，使用multcomp R包实现。
• 采用连续结局逻辑回归（COLR）估计比数比作为混合终点间的共同效应量，实现联合推断。
• 在异方差条件下，通过稳健方差估计（sandwich估计器）和Satterthwaite自由度近似方法提高稳健性。
• 利用MLT估计各组最优变换，以最大化对数似然，提升对偏态分布和不等方差的稳健性。
• 将MLT与邓尼特程序结合，构建一种用于多重比较控制组的稳健统一检验方法。

实验结果

研究问题

• RQ1 在违反正态性和异方差性条件下，MLT-Dunnett检验相较于经典方法及其他稳健邓尼特修正方法，在第一类错误率和检验效能方面表现如何？
• RQ2 MLT-Dunnett方法能否在毒理学研究中对多个不同尺度的终点（如连续型、二分类、右删失型）进行联合且公平的分析？
• RQ3 对正态性和方差齐性进行预检是否会影响多重比较程序的有效性和可解释性？
• RQ4 为何使用比数比作为共同效应量能够实现对混合尺度终点在多重终点检验中的一致性解释？
• RQ5 在小样本设计中，当控制组样本量大于处理组样本量（即 $ n_0 > n_i $）时，MLT-Dunnett的表现如何？

主要发现

• MLT-Dunnett检验在各种分布偏离条件下均能保持名义第一类错误率（α），对异方差和偏态具有稳健性。
• 在模拟研究中，MLT-Dunnett在所有测试方法中表现出最高的检验效能，尤其在高异方差性和小样本量条件下优势显著。
• 与非参数法、Satterthwaite校正法、稳健方差估计法及M-估计法相比，MLT-Dunnett在检验效能和错误率控制方面表现更优。
• 在 $ n_0 > n_i $ 的非平衡设计中，MLT-Dunnett保持校准良好，而其他方法（如经典邓尼特、Satterthwaite法）则变得过于保守或过于宽松。
• 基于比数比的多重终点检验结合COLR方法，实现了对混合尺度终点的连贯联合推断，显著提升了生物学可解释性。
• 由于其稳健性和在真实毒理学数据条件下的一致表现，MLT-Dunnett被推荐为‘几乎始终适用’的方法。