[论文解读] Weighted Hypothesis Testing

Larry Wasserman, Kathryn Roeder|ArXiv.org|Apr 7, 2006

Statistical Methods in Clinical Trials参考文献 10被引用 30

一句话总结

本文引入加权假设检验，通过为p值分配最优权重来提升多重检验中的统计功效，同时确保族错误率和错误发现率的控制。研究表明，功效对权重误设具有高度鲁棒性，尤其在稀疏权重下表现更佳，并提出了基于外部信息和数据分割的权重估计方法，即使权重选择不佳，功效损失也极小。

ABSTRACT

The power of multiple testing procedures can be increased by using weighted p-values (Genovese, Roeder and Wasserman 2005). We derive the optimal weights and we show that the power is remarkably robust to misspecification of these weights. We consider two methods for choosing weights in practice. The first, external weighting, is based on prior information. The second, estimated weighting, uses the data to choose weights.

研究动机与目标

• 通过为p值分配最优权重，提升多重假设检验中的统计功效。
• 确保在加权检验下族错误率和错误发现率控制得以维持。
• 研究功效对权重误设的鲁棒性，尤其是在先验知识不完善的实际情境下。
• 开发利用外部信息或数据分割的实用方法以选择权重。
• 量化权重估计不佳时的最坏情况功效损失，尤其在非稀疏与稀疏权重配置下。

提出的方法

• 本文推导出在单参数权重分布族下最大化最小功效的最优权重。
• 基于单侧正态位置模型推导最优权重结构，表明最优权重对应于检验统计量的截断规则。
• 对于外部加权，利用先验信息（如平滑空间过程）为更可能为备择假设的原假设分配更高权重。
• 对于估计权重，采用数据分割方法：一部分数据用于估计权重，另一部分用于假设检验，从而保持误差控制。
• 理论分析采用高斯尾部近似和分位数变换，推导出在各种权重配置下的功效表达式。
• 通过计算权重误设时的最坏情况功效来评估鲁棒性，尤其关注原假设被误认为备择假设的情形。

实验结果

研究问题

• RQ1 何种最优加权方案可在保持误差控制的前提下最大化多重检验中的统计功效？
• RQ2 加权检验的功效对权重误设的敏感程度如何？
• RQ3 基于数据分割的权重估计方法能否维持强误差控制并保持高功效？
• RQ4 在何种条件下加权检验优于无加权方法（如Bonferroni方法）？
• RQ5 权重结构——稀疏与非稀疏——如何影响鲁棒性与功效表现？

主要发现

• 最优权重构成一个单参数族，当以检验统计量阈值形式重述时，与Rubin, van der Laan, 和 Dudoit (2005) 推导的截断值等价。
• 功效对权重误设表现出惊人鲁棒性：稀疏权重在正确时带来显著增益，错误时仅导致微小损失。
• 在非稀疏情形下，最坏情况功效损失通常优于Bonferroni功效，且退化程度受至多γ/(1−a)的因子限制，其中a为非零假设的比例，γ为被错误分类为备择假设的原假设比例。
• 当通过数据分割估计权重时，族错误率可控制在水平α，该结论通过条件概率和高斯尾部界证明。
• 当ξ < ξ*时，加权检验优于Bonferroni方法，其中ξ*为依赖于误差率和样本量的阈值，尤其在备择均值适中时表现更优。
• 在权重误设情形下的最坏情况功效有下界，其表达式涉及z分位数和高斯尾部近似，表明即使在对抗性误设下，功效损失也受到限制。