[论文解读] A Unified Treatment of Multiple Testing with Prior Knowledge

Aaditya Ramdas, Rina Foygel Barber+2 more|arXiv (Cornell University)|Mar 18, 2017

Statistical Methods in Clinical Trials被引用 7

一句话总结

本文提出 p-filter，一种用于多重假设检验的统一算法框架，可同时整合四类先验知识：非均匀先验权重、差异化的假发现惩罚、多重重叠的分组划分以及依赖结构。通过整合这些要素，p-filter 提升了统计功效与精确度，将已知方法作为特例恢复，并实现了更自适应、更智能的 FDR 控制与全局零假设检验。

ABSTRACT

There is a significant literature on methods for incorporating knowledge into multiple testing procedures so as to improve their power and precision. Some common forms of prior knowledge include (a) beliefs about which hypotheses are null, modeled by non-uniform prior weights; (b) differing importances of hypotheses, modeled by differing penalties for false discoveries; (c) multiple arbitrary partitions of the hypotheses into (possibly overlapping) groups; and (d) knowledge of independence, positive or arbitrary dependence between hypotheses or groups, suggesting the use of more aggressive or conservative procedures. We present a unified algorithmic framework called p-filter for global null testing and false discovery rate (FDR) control that allows the scientist to incorporate all four types of prior knowledge (a)-(d) simultaneously, recovering a variety of known algorithms as special cases.

研究动机与目标

• 为通过利用多种形式的先验知识来提升多重假设检验中的统计功效与精确度，解决该挑战。
• 将现有整合先验知识（如先验权重、假发现惩罚、分组结构与依赖假设）的方法统一到一个连贯的框架中。
• 开发一种灵活的算法，使科学家能够以系统化的方式同时使用多种类型的先验知识。
• 通过整合异质的先验信息，实现更精确、更强大的错误发现率（FDR）控制与全局零假设检验。

提出的方法

• p-filter 采用统一的算法框架，通过灵活的优化过程将 p 值与先验知识相结合。
• 通过使用非均匀先验权重，对更可能为真的备择假设进行优先检验，以建模对原假设的先验信念。
• 通过为不同假设分配不同的错误成本，引入差异化的假发现惩罚，以反映其重要性差异。
• 支持将假设划分为多个任意的分组（包括重叠分组），以反映特定领域的聚类或结构知识。
• 考虑假设或分组之间的依赖结构（如独立性、正相关性或任意依赖性），并据此调整错误控制策略。
• 该框架使用统一的目标函数，在 FDR 控制与统计功效之间取得平衡，将全部四类先验知识整合到单一优化过程中。

实验结果

研究问题

• RQ1 如何系统性地将多种形式的先验知识整合到多重检验过程中，以提升功效与精确度？
• RQ2 单一框架在多大程度上能够统一现有整合先验权重、假发现惩罚、分组结构与依赖假设的方法？
• RQ3 统一方法是否能在适应多样化且复杂的先验知识结构的同时，维持强 FDR 控制？
• RQ4 包含重叠分组划分与依赖信息如何影响多重检验过程的性能？
• RQ5 将全部四类先验知识整合到单一算法框架中，其理论与实际优势为何？

主要发现

• p-filter 通过整合全部四类先验知识，成功将大量现有多重检验方法作为特例统一起来。
• 该框架通过系统化且一体化的方式利用异质先验信息，显著提升了统计功效与精确度。
• 通过允许同时使用先验权重、假发现惩罚、分组结构与依赖假设，p-filter 实现了更自适应、更智能的推断。
• 该方法在维持强 FDR 控制的同时，相比仅处理部分先验知识的现有方法，展现出更高的灵活性。
• p-filter 提供了一种可扩展的通用解决方案，可广泛应用于需要复杂先验信息的多重检验的多样化科学领域。