[论文解读] Two step multiple comparisons procedures for positively dependent data with application to detecting differences in human brain network topologies

Djalel Eddine Meskaldji, Patric Hagmann+2 more|arXiv (Cornell University)|Jul 11, 2013

Functional Brain Connectivity Studies参考文献 23被引用 4

一句话总结

本文提出了一种两步多重比较程序，利用对假设之间正相关性的先验知识，以在多重检验中提高统计功效，尤其适用于脑网络拓扑分析。通过将相关检验分组并应用宽松的筛选，该方法在控制家庭错误率的同时，增强了对真实差异的检测能力，其在模拟和真实脑连接数据中的表现优于传统的Bonferroni方法。

ABSTRACT

We consider the problem of testing positively dependent multiple hypotheses assuming that a prior information about the dependence structure is available. We propose two-step multiple comparisons procedures that exploit the prior information of the dependence structure, without relying on strong assumptions. In the first step, we group the tests into subsets where tests are supposed to be positively dependent and in each of which we compute the standardized mean of the test scores. Given the subset mean scores or equivalently the subsets p-values, we apply a first screening at a predefined threshold, which results in two types of subsets. Based on this typing, the original single test p-values are modified such that they can be used in conjunction with any multiple comparison procedure. We show by means of different simulation that power is gained with the proposed two-step methods, and compare it with traditional multiple comparison procedures. As an illustration, our method is applied on real data comparing topological differences between two groups of human brain networks.

研究动机与目标

• 为解决神经影像学中存在正相关假设的多重检验问题，其中标准校正方法导致统计功效较低。
• 开发一种利用已知依赖结构但不依赖强分布假设的方法。
• 通过提高现有多重比较程序的统计功效，增强对人类脑网络拓扑中真实差异的检测能力。
• 提供一种实用且灵活的框架，适用于具有已知网络分解结构的真实神经影像数据。

提出的方法

• 根据对正相关性的先验知识（如脑网络区域或脑叶）将假设分组。
• 计算各子组的检验统计量（例如，p值的标准化均值），以总结组内证据。
• 在预设阈值下执行第一步筛选，根据子组水平的p值将子组分类为“活跃”或“非活跃”。
• 基于筛选结果，使用松弛系数修改原始单次检验的p值，从而可与任何标准多重比较程序结合使用。
• 将修改后的p值与FWER或FDR控制程序（如Bonferroni、Benjamini-Hochberg）结合使用，以控制错误率。
• 引入不同严格程度的第一步筛选的宽松变体（RMWC、RMNC、RMIO），具体取决于对网络分解可靠性的信心。

实验结果

研究问题

• RQ1 是否可以通过利用正相关性先验知识的两步多重比较程序，提升多重检验中的统计功效？
• RQ2 所提出的方法在检测脑网络拓扑中真实差异方面，与标准两阶段程序（AWA）及传统校正方法（如Bonferroni）相比表现如何？
• RQ3 网络分解的选择（如脑叶、皮层层级）在多大程度上影响宽松两步程序的性能？
• RQ4 在存在正相关性的情况下，该方法是否能在保持强错误率控制（FWER或FDR）的同时提升统计功效？

主要发现

• 所提出的两步程序在所有模拟情景下均一致优于标准两阶段程序（AWA）的统计功效。
• 宽松程序（RMWC、RMNC、RMIO）在检测真实差异方面相比AWA有显著提升，尤其当网络分解可靠时更为明显。
• 在真实脑网络数据中，该方法检测到的显著连接和节点数量多于AWA和Bonferroni，且当分解可信时RMWC表现出最高敏感性。
• 宽松方法与AWA在使用全样本时的共同拒绝数量始终较高，表明其具有稳健性和一致性。
• SU程序在γ=0.5时介于Bonferroni与LSU之间，表现出中等功效和错误率控制。
• 该方法在通过战略性利用依赖结构显著提升检测功效的同时，仍能保持对家庭错误率的强控制。