[论文解读] A Selective Approach to Internal Inference

Samuel M. Gross, Jonathan Taylor+1 more|arXiv (Cornell University)|Oct 2, 2015

Statistical Methods and Inference参考文献 11被引用 3

一句话总结

该论文提出了一种选择性推断框架，旨在使用同一组数据同时进行模型构建和推断，公平评估从高维基因表达数据中得出的生物标志物特征的预测显著性。通过在特征活跃集上进行条件推断以校正选择偏差，该方法控制了第一类错误，并在功效上优于样本分割法，尤其当使用固定λ的Lasso学习特征时表现更优。

ABSTRACT

A common goal in modern biostatistics is to form a biomarker signature from high dimensional gene expression data that is predictive of some outcome of interest. After learning this biomarker signature, an important question to answer is how well it predicts the response compared to classical predictors. This is challenging, because the biomarker signature is an internal predictor -- one that has been learned using the same dataset on which we want to evaluate it's significance. We propose a new method for approaching this problem based on the technique of selective inference. Simulations show that our method is able to properly control the level of the test, and that in certain settings we have more power than sample splitting.

研究动机与目标

• 解决在使用相同数据进行评估时，对从该数据中学习到的内部预测变量（即生物标志物特征）进行有效统计推断的挑战，其中标准检验因选择偏差导致第一类错误膨胀。
• 开发一种方法，公平评估高维生物标志物特征是否在控制标准临床预测变量（如年龄、体重）后仍具有预测价值，尽管这些特征是从同一数据集中推导而来。
• 通过高效利用全部数据并维持适当的错误率控制，改进现有方法（如样本分割和预验证）。
• 将选择性推断技术扩展至内部预测场景，特别是针对使用固定λ的Lasso特征选择。
• 提供一种在现代生物统计学中常见的高维设置下，评估内部预测变量显著性的实用且计算可行的方法。

提出的方法

• 该方法使用选择性推断计算内部预测变量 $\hat{y}$ 的有效p值，其中 $\hat{y}$ 是基于同一数据集上Lasso模型得出的。
• 通过推导检验统计量在给定活跃集 $\hat{E}$ 条件下的精确条件分布，对选择事件（即Lasso选择了哪些特征）进行条件处理。
• 对 $\hat{y}$ 的检验统计量基于线性模型 $y = \theta\hat{y} + Z\gamma + \epsilon$，其中在原假设 $H_0: \theta = 0$ 下检验 $\theta$。
• 该方法推导出检验统计量与选择事件的联合分布，从而在原假设下通过从条件分布中抽样获得精确p值。
• 该方法还为检验所选预测变量 $X_{\hat{E}}$ 的纳入提供了分析解，避免了抽样，提高了计算效率。
• 应用数据切割技术，在假设具有前景时保留更多数据用于检验，从而在不增加第一类错误的前提下提升功效。

实验结果

研究问题

• RQ1 能否使用选择性推断对从同一数据集学习到的生物标志物特征进行有效的统计推断？
• RQ2 与样本分割法和预验证相比，该方法在第一类错误控制和统计功效方面表现如何？
• RQ3 当预测变量通过固定λ的Lasso推导时，该方法是否能维持适当的错误率？其如何处理选择偏差？
• RQ4 该方法能否扩展至检验所选预测变量 $X_{\hat{E}}$ 的显著性，而不仅仅是拟合值 $\hat{y}$？其优势是什么？
• RQ5 在选择性推断框架中，抽样不足对p值准确性的有何影响？

主要发现

• 所提出的选项性推断方法在名义水平（如0.05）下正确控制了第一类错误率，这在原假设下的模拟中已得到验证。
• 在无真实效应的模拟中，该方法的第一类错误率为0.05，而朴素t检验的第一类错误高达0.999，证实了校正的必要性。
• 在生物标志物特征具有强预测能力的情境下，由于更高效地利用了数据，该方法的功效高于样本分割法。
• 在检验所选预测变量 $X_{\hat{E}}$ 的纳入时，该方法提供了有效的分析解，避免了昂贵的抽样过程。
• 在p值的蒙特卡洛近似中抽样不足导致方差过高且p值无效，凸显了实践中需足够抽样。
• 在高维设置下且信号较强时，该方法在错误率控制和功效方面优于预验证和样本分割法。