[论文解读] General multiple tests for functional data

Merle Munko, Marc Ditzhaus+3 more|arXiv (Cornell University)|Jun 27, 2023

Optimal Experimental Design Methods被引用 4

一句话总结

本文提出了一种功能性数据分析中多重假设检验的通用框架，利用功能性线性模型和基于自助法的推断，同时检验多个对比。在弱矩条件下的渐近有效性得到证明，并在各种模拟设置中展现出优越的经验功效，尤其在异方差性和非正态性条件下表现更优。

ABSTRACT

While there exists several inferential methods for analyzing functional data in factorial designs, there is a lack of statistical tests that are valid (i) in general designs, (ii) under non-restrictive assumptions on the data generating process and (iii) allow for coherent post-hoc analyses. In particular, most existing methods assume Gaussianity or equal covariance functions across groups (homoscedasticity) and are only applicable for specific study designs that do not allow for evaluation of interactions. Moreover, all available strategies are only designed for testing global hypotheses and do not directly allow a more in-depth analysis of multiple local hypotheses. To address the first two problems (i)-(ii), we propose flexible integral-type test statistics that are applicable in general factorial designs under minimal assumptions on the data generating process. In particular, we neither postulate homoscedasticity nor Gaussianity. To approximate the statistics' null distribution, we adopt a resampling approach and validate it methodologically. Finally, we use our flexible testing framework to (iii) infer several local null hypotheses simultaneously. To allow for powerful data analysis, we thereby take the complex dependencies of the different local test statistics into account. In extensive simulations we confirm that the new methods are flexibly applicable. Two illustrate data analyses complete our study. The new testing procedures are implemented in the R package multiFANOVA, which will be available on CRAN soon.

研究动机与目标

• 解决功能性数据中多重检验缺乏统一方法的问题，尤其是在复杂依赖结构和异方差性条件下。
• 开发一种通用的检验程序，允许在功能性线性模型中对多个对比同时进行推断。
• 通过渐近正态性和在最小矩条件下的参数自助法的一致性，确保理论有效性。
• 在包括非正态误差和不等方差在内的多种情景下评估性能，以确保在实际应用中的稳健性。

提出的方法

• 利用希尔伯特空间值的三角阵列中心极限定理，在功能性线性模型框架下制定多重对比检验。
• 采用参数自助法近似检验统计量的零分布，确保在弱矩条件下的一致性。
• 引入一个缩放函数以在异方差性下稳定检验统计量，提升经验大小和功效。
• 使用穆尔-彭罗斯广义逆矩阵和谱范数界，控制高维功能性设置下协方差估计器的行为。
• 实施非参数自助法程序（合并型和分组型），用于竞争方法的临界值估计，确保稳健性。
• 在CAF B检验中对随机投影得到的多个p值应用邦弗朗尼校正，以在高维投影下稳定推断。

实验结果

研究问题

• RQ1 能否为功能性数据中的多重检验开发一个统一框架，在一般矩条件下的正确大小和高功效？
• RQ2 在异方差性条件下，缩放函数的引入如何影响功能性多重检验的经验大小和功效？
• RQ3 在各种误差分布和方差结构下，所提出的检验与现有竞争方法（如Fmax、GPF、L2b、Fb、CAF B）在大小和功效上的表现如何比较？
• RQ4 在功能性多重检验背景下，参数自助法一致性的理论依据是什么？
• RQ5 该方法在非正态误差和非同方差性功能性数据下，其稳健性在多大程度上得以保持？

主要发现

• 在所有模拟设置中，包括异方差性和非正态误差结构，所提出的方法均实现了接近名义水平的实证拒绝率（例如，α=0.05时约为5%）。
• 在备择假设A6（Tukey对比和缩放）下，检验的实证功效达到91.65%（同方差）和85.00%（异方差），在大多数情景下优于竞争方法。
• 参数自助法在所有配置中均保持了正确的大小，第一类错误率处于可接受范围内（例如，α=0.05时为4.80–6.70%）。
• 引入缩放函数显著提升了异方差设置下的功效，与未经校正的版本相比，中位功效提高了最多15个百分点。
• 采用30个随机投影和邦弗朗尼校正的CAF B检验表现出稳健性，但功效较低（例如，在A6下约为32.7%），相比所提方法表现较弱。
• 该方法在所有测试的备择假设下均表现强劲，无论在同方差还是异方差条件下，有4个备择假设的实证功效均超过85%。