Improving the adjusted Benjamini--Hochberg method using e-values in knockoff-assisted variable selection

Título: Mejora del método ajustado de Benjamini-Hochberg utilizando valores-e en la selección de variables asistida por knockoffs

1. Planteamiento del Problema

El artículo aborda el problema de la selección de variables en modelos de regresión lineal de alta dimensión ($Y = X\beta + \varepsilon$), donde el número de covariables $m$ puede ser grande (incluso $m \le n$). El objetivo es identificar qué coeficientes $\beta_j$ son distintos de cero (hipótesis alternativas) manteniendo un control estricto sobre la Tasa de Falsos Descubrimientos (FDR).

El desafío principal radica en la dependencia arbitraria entre las estadísticas de prueba basadas en los estimadores de mínimos cuadrados ordinarios ($\hat{\beta}$), lo que invalida el uso directo del método clásico de Benjamini-Hochberg (BH).

• Métodos existentes: Se mencionan dos enfoques principales:
  1. El método de Knockoff de Barber y Candès [1], que es libre de valores-p pero puede ser conservador en señales débiles.
  2. El método Bonferroni-Benjamini-Hochberg (Bon-BH) de Sarkar y Tang [17], que utiliza dos conjuntos de valores-p derivados de knockoffs para controlar el FDR, logrando mayor potencia que el método de knockoff puro en ciertos escenarios, pero con limitaciones en su flexibilidad.

2. Metodología Propuesta

Los autores proponen un marco unificado que reinterpreta los procedimientos de dos etapas de Sarkar y Tang [17] bajo la óptica de la calibración de valores-p a valores-e (p-to-e calibration).

Conceptos Clave:

• Valores-e (e-values): Una herramienta inferencial moderna que generaliza los valores-p. Un valor-e $S$ satisface $E[S] \le 1$ bajo la hipótesis nula. Los valores-e pueden utilizarse como pesos no normalizados en procedimientos de prueba múltiple.
• Calibradores: Funciones $g: [0,1] \to [0, \infty)$ que transforman valores-p en valores-e ($S = g(P)$).

El Enfoque de Dos Etapas:
El método genera dos conjuntos de estadísticas a partir de la matriz de diseño original $X$ y la matriz de knockoff $\tilde{X}$:

1. Etapa 1 (Filtrado): Se calculan valores-p $P^{(1)}_j$ basados en un estimador $\hat{\beta}^{(1)}$. Estos se convierten en valores-e $S^{(1)}_j = g(P^{(1)}_j)$ utilizando un calibrador acotado $g$.
2. Etapa 2 (Decisión): Se calculan valores-p $P^{(2)}_j$ basados en un estimador $\hat{\beta}^{(2)}$ (que tiene menor varianza y es independiente de $P^{(1)}$ bajo ciertas condiciones).

Tres Procedimientos Propuestos:

1. Método 1 (Ep-BH): Utiliza los valores-e de la etapa 1 como pesos no normalizados para los valores-p de la etapa 2. Se aplica el procedimiento BH estándar a los valores ajustados $\tilde{P}_j = P^{(2)}_j / S^{(1)}_j$. Garantiza control exacto del FDR en muestras finitas.
2. Método 2 (Ep-BH Adaptativo): Estima la proporción de hipótesis nulas verdaderas ($\pi_0$) utilizando los valores-p de la etapa 2 y ajusta los umbrales de rechazo dinámicamente, similar al método de Storey. Ofrece control asintótico del FDR.
3. Método 3 (BH Ponderado Adaptativo): Estandariza los valores-e para que sumen $m$, utilizándolos como pesos formales en un procedimiento BH ponderado adaptativo. También ofrece control asintótico del FDR.

Innovación en la Calibración:
A diferencia de Sarkar y Tang, que utilizan un calibrador "todo o nada" (extremo), los autores proponen el uso de calibradores acotados continuos (ej. $g(t) = C(1-t^a)$). Esto evita valores extremos que inflan la varianza y permite una asignación de pesos más refinada y flexible.

3. Contribuciones Clave

• Marco Unificado: Se demuestra que los métodos de Sarkar y Tang [17] son casos especiales de un enfoque general basado en la calibración p-to-e, correspondientes a un calibrador acotado específico y extremo.
• Nuevos Algoritmos: Se proponen tres procedimientos (Métodos 1, 2 y 3) que generalizan el estado del arte, permitiendo el uso de calibradores continuos y acotados.
• Garantías Teóricas: Se establece el control del FDR para los métodos propuestos. El Método 1 garantiza control exacto en muestras finitas, mientras que los Métodos 2 y 3 garantizan control asintótico.
• Mejora Empírica: Se demuestra que el uso de calibradores acotados continuos supera a los métodos anteriores en potencia sin sacrificar el control del error.

4. Resultados

Los autores validan sus métodos mediante estudios de simulación y un análisis de datos reales.

• Estudios de Simulación:

  • Se compararon los métodos propuestos (M3, M4, M5) contra el filtro de knockoff original (M0) y los métodos de Sarkar y Tang (M1, M2).
  • Control del FDR: Todos los métodos mantuvieron el control del FDR en los niveles nominales ($\alpha = 0.05$ y $0.1$).
  • Potencia: Los métodos propuestos mostraron una mejora consistente y significativa en la potencia (capacidad de detectar señales verdaderas), especialmente en escenarios con:
    • Señales débiles.
    • Bajo nivel de FDR objetivo.
    • Número pequeño de señales verdaderas (escenarios dispersos).
  • El método de knockoff original (M0) resultó ser muy conservador en señales débiles, mientras que los métodos propuestos lograron un equilibrio superior entre potencia y control de error.

• Análisis de Datos Reales (Resistencia a fármacos HIV-1):

  • Se aplicó el método a un conjunto de datos genómicos sobre resistencia a inhibidores de la proteasa del VIH-1.
  • Los métodos propuestos (M3, M4, M5) identificaron más mutaciones relevantes (tanto conocidas biológicamente como nuevas) que los métodos comparadores, especialmente a un nivel de FDR estricto ($\alpha=0.05$), donde el filtro de knockoff original no detectó ninguna posición significativa.

5. Significado e Impacto

Este trabajo es significativo porque:

1. Puente Teórico: Conecta dos áreas potentes de la estadística moderna: los knockoffs (para manejar dependencias complejas) y los valores-e (para inferencia robusta y ponderación).
2. Flexibilidad Práctica: Al reemplazar los calibradores extremos por funciones acotadas continuas, se obtiene un método más robusto y adaptable a diferentes estructuras de datos.
3. Aplicabilidad: Ofrece una solución superior para problemas de selección de variables en genómica y otras áreas donde las señales son débiles y escasas, superando las limitaciones de los métodos de knockoff puros y las versiones anteriores basadas en valores-p.
4. Generalización: El marco propuesto es extensible a modelos lineales generalizados (GLM) y otras métricas de error de Tipo I, abriendo nuevas vías de investigación.

En conclusión, los autores presentan una mejora sustancial en la selección de variables asistida por knockoffs, logrando mayor potencia estadística manteniendo un control riguroso de la tasa de falsos descubrimientos mediante la integración inteligente de valores-e como pesos.