[論文レビュー] Variance stabilization of targeted estimators of causal parameters in high-dimensional settings

Nima S. Hejazi, Sara Kherad-Pajouh+2 more|arXiv (Cornell University)|Oct 16, 2017

Statistical Methods and Inference被引用数 4

ひとこと要約

この論文は、年齢、人種、喫煙などの複数の交絡要因を調整する場合でも、パラメトリックな仮定に依存せず、安定した推論が可能な、高次元の生物学的データにおける変数重要度推定のロバストでデータ適応型手法を提案している。この手法は、標的最小損失に基づく推定（TMLE）と、影響関数に基づく緩和されたt統計量を組み合わせたものである。

ABSTRACT

Exploratory analysis of high-dimensional biological sequencing data has received much attention for its ability to allow the simultaneous screening of numerous biological characteristics. While there has been an increase in the dimensionality of such data sets in studies of environmental exposure and biomarkers, two important questions have received less interest than deserved: (1) how can independent estimates of associations be derived in the context of many competing causes while avoiding model misspecification, and (2) how can accurate small-sample inference be obtained when data-adaptive techniques are employed in such contexts. The central focus of this paper is on variable importance analysis in high-dimensional biological data sets with modest sample sizes, using semiparametric statistical models. We present a method that is robust in small samples, but does not rely on arbitrary parametric assumptions, in the context of studies of gene expression and environmental exposures. Such analyses are faced with not only issues of multiple testing, but also the problem of teasing out the associations of biological expression measures with exposure, among confounds such as age, race, and smoking. Specifically, we propose the use of targeted minimum loss-based estimation (TMLE), along with a generalization of the moderated t-statistic of Smyth, relying on the influence curve representation of a statistical target parameter to obtain estimates of variable importance measures (VIM) of biomarkers. The result is a data-adaptive approach that can estimate individual associations in high-dimensional data, even with relatively small sample sizes.

研究の動機と目的

• 小標本を伴う高次元の生物学的データにおける変数重要度推定の課題に対処すること。
• 複数の競合要因が存在する状況でモデルの誤指定を回避する手法を開発すること。
• データ適応型推定手法を用いる場合の正確な小標本推論を可能にすること。
• 年齢、人種、喫煙などの交絡要因を調整した上で、バイオマーカーと環境露出の間の関連推定の信頼性を向上させること。
• 遺伝子発現および露出研究における変数重要度分析において、パラメトリックな仮定に代わるロバストな代替手法を提供すること。

提案手法

• この手法は、高次元の設定における因果パラメータの効率的で半パラメトリックな推定を実現するため、標的最小損失に基づく推定（TMLE）を採用している。
• 統計的ターゲットパラメータの影響関数表現を活用して、小標本における分散の安定化を図っている。
• スミスの緩和されたt統計量の一般化が適用されており、影響関数を用いることで推定の精度が向上している。
• 複数の交絡要因を調整しつつ、個々のバイオマーカー関連のデータ適応型推定が可能である。
• この手法はモデルの誤指定に対してロバストであり、恣意的なパラメトリックな仮定を必要としない。

実験結果

リサーチクエスチョン

• RQ1 多くの競合要因が存在する高次元データにおいて、モデルの誤指定を避けて独立した関連推定をどのように得られるか？
• RQ2 高次元の設定でデータ適応型手法を用いる場合、どのようにして正確な小標本推論を達成できるか？
• RQ3 TMLEと緩和されたt統計量を組み合わせた手法は、小規模で高次元の生物学的研究におけるバイオマーカーの変数重要度推定において、どのような性能を示すか？
• RQ4 従来の手法と比較して、この提案手法は分散の安定化およびロバスト性においてどのように異なるか？

主な発見

• 提案手法は、小標本を伴う高次元の生物学的データにおける変数重要度測定の分散推定を安定化する。
• 緩和されたt統計量における影響関数の使用は、小標本推論における精度とロバスト性を向上させる。
• 年齢、人種、喫煙などの交絡要因を、パラメトリックな仮定に依存せずに効果的に調整できる。
• 変数の数が標本サイズをはるかに上回る場合でさえも、バイオマーカーと露出の関連を信頼性高く検出できる。