[论文解读] On weighted parametric tests

Dong Xi, Ekkehard Glimm+2 more|arXiv (Cornell University)|May 20, 2016

Statistical Methods in Clinical Trials参考文献 19被引用 7

一句话总结

本文提出了一种基于闭合法则的加权参数多重检验程序的统一框架，支持灵活的加权策略，弥合了调整后的p值与显著性水平之间的联系。该研究引入了在非穷尽加权下精确的α水平检验以及一种针对子集的参数化方法，在临床试验应用中提升了检验效能，同时保持了强家族错误率控制。

ABSTRACT

We describe a general framework for weighted parametric multiple test procedures based on the closure principle. We utilize general weighting strategies that can reflect complex study objectives and include many procedures in the literature as special cases. The proposed weighted parametric tests bridge the gap between rejection rules using either adjusted significance levels or adjusted $p$-values. This connection is possible by allowing intersection hypotheses to be tested at level smaller than $α$, which may be needed for certain study considerations. For such cases we introduce a subclass of exact $α$-level parametric tests which satisfy the consonance property. When only subsets of test statistics are correlated, a new procedure is proposed to fully utilize the parametric assumptions within each subset. We illustrate the proposed weighted parametric tests using a clinical trial example.

研究动机与目标

• 开发一种通用的加权参数多重检验程序框架，通过灵活的加权策略适应复杂的研究目标。
• 填补现有文献中基于调整后p值的拒绝规则与基于调整后显著性水平的拒绝规则在加权参数检验中的空白。
• 在对交集假设的检验水平低于α时，提供精确的α水平检验，尤其适用于假设之间存在逻辑或时间依赖关系的情形。
• 提出一种新程序，充分利用相关检验统计量子集中的参数假设，提升多变量设定下的检验效能。
• 推导出调整后p值的解析表达式，避免在多元正态设定下进行计算密集型的数值积分。

提出的方法

• 使用闭合法则，以水平 $ \beta_J \times \beta $ 测试所有非空交集假设 $ H_J = \bigcap_{j \notin J} H_j $，其中 $ \beta_J $ 是由加权方案导出的缩放因子。
• 通过在检验水平 $ \beta_J < \alpha $ 时按比例增加假设权重，引入一类精确的α水平参数检验，确保强家族错误率控制。
• 应用多元正态理论计算涉及相关检验统计量的交集假设的临界值，使用 mvtnorm R 包进行数值积分。
• 提出一种分组参数化程序，仅在预定义的假设组（如疗效终点）内应用参数假设，其余假设则采用非参数方法处理。
• 通过取每个交集内所有假设的 $ p_j / w_j(J) $ 的最小值，推导出调整后p值的解析表达式，避免使用根查找算法。
• 采用图形化表示方法，展示加权方案及局部权重传播，尤其适用于门控和层次化检验结构。

实验结果

研究问题

• RQ1 如何在闭合法则下统一加权参数多重检验程序，以支持超越所有交集固定α水平检验的一般性加权策略？
• RQ2 当某些交集假设的检验水平严格低于α时，其保持精确α水平错误控制的理论基础是什么？
• RQ3 如何在不依赖完整联合分布假设的前提下，最优地利用相关检验统计量子集中的参数假设？
• RQ4 在加权参数检验中，基于调整后p值的拒绝规则与基于调整后显著性水平的拒绝规则之间存在何种关系？
• RQ5 能否在多元正态设定下推导出调整后p值的解析表达式，以避免数值积分？

主要发现

• 所提出的框架将文献中许多现有方法（如加权Bonferroni、Dunnett及门控程序）作为特例包含在内。
• 当在水平 $ \beta_J < \alpha $ 下进行检验时，该方法通过按比例增加局部权重，确保精确的α水平控制，同时保持一致性与强家族错误率控制。
• 在临床试验示例中，参数检验（B）对 $ H_{234} $ 的局部显著性水平为 (0.0103, 0.0052, 0.0103)，略高于基于Bonferroni的 (0.0100, 0.0050, 0.0100)，从而提升了检验效能。
• 子集特定方法（C）在保持安全性假设的Bonferroni水平（0.0100）的同时，提高了疗效假设的显著性水平（0.0106, 0.0053），反映出对参数假设更优的利用。
• 成功推导出调整后p值的解析表达式，消除了在多维积分中使用迭代根查找算法的需求。
• 在临床试验示例中，当参数假设在假设子集中成立时，该方法在效能上优于基于Bonferroni的方法，尤其在参数假设成立的情况下。