Minimally Discrete and Minimally Randomized p-Values

Resumen Técnico: Valores p Mínimamente Discretos y Mínimamente Randomizados

1. Planteamiento del Problema

En el análisis estadístico, particularmente en meta-análisis y pruebas de hipótesis múltiples, los valores $p$ se asumen comúnmente como variables aleatorias uniformemente distribuidas en el intervalo unitario $[0, 1]$ bajo la hipótesis nula ($H_0$). Sin embargo, cuando los datos subyacentes tienen distribuciones discretas (común en conteos, tablas de contingencia, etc.), esta suposición de uniformidad exacta falla.

Ante la discreción, surgen tres enfoques tradicionales para calcular valores $p$:

1. Valores $p$ naturales: $p(x, 1) = P_0(T(X) \geq T(x))$. Son válidos pero conservadores (estocásticamente mayores que una uniforme).
2. Valores $p$ medios (mid-p-values): $p(x, 1/2) = P_0(T(X) > T(x)) + 0.5 P_0(T(X) = T(x))$. Son menos conservadores pero no son uniformes; son "sub-uniformes" en el orden convexo.
3. Valores $p$ randomizados: Introducen una variable auxiliar $U \sim \text{Uniforme}(0,1)$ para lograr una distribución exacta bajo $H_0$. Sin embargo, esto añade variabilidad innecesaria, reduciendo la probabilidad de replicación de los resultados en experimentos futuros.

El problema central es que los métodos actuales no optimizan el equilibrio entre la validez (control del error Tipo I), la potencia y la eficiencia (minimización de la variabilidad o conservadurismo excesivo) en presencia de datos discretos.

2. Metodología y Marco Teórico

Los autores proponen un nuevo principio de minimalidad para construir valores $p$ que mitiguen los efectos negativos de la discreción.

• Definición de Funciones de Prueba Mínimamente Discretas (MD):
  Se define una función de prueba que depende de una biyección (mapeo uno a uno) $R: \mathcal{X} \to \mathbb{N}$, donde $\mathcal{X}$ es el soporte de los datos. A diferencia de las pruebas basadas en estadísticos de prueba estándar (como el estadístico de razón de verosimilitud $T(X)$) que pueden agrupar múltiples realizaciones de datos en el mismo valor, una prueba MD asigna un rango único a cada punto de datos posible.

  • Si $T(x) \geq T(y)$, entonces $R(x) \leq R(y)$.
  • Esto permite "desempaquetar" los puntos de datos que tienen la misma probabilidad o estadístico de prueba, asignándoles rangos distintos pero ordenados consistentemente.

• Tipos de Valores $p$ Propuestos:

  1. Valores $p$ Naturales Mínimamente Discretos (MD): Se construyen usando $R(x)$ en lugar de $T(x)$, fijando $u=1$.
  2. Valores $p$ Medios Mínimamente Discretos (MD): Se construyen usando $R(x)$ con $u=1/2$.
  3. Valores $p$ Mínimamente Randomizados (MR): Se construyen usando $R(x)$ con una variable aleatoria $U$ generada.

• Orden Estocástico y Convexo:
  La metodología se basa en comparar las distribuciones de los nuevos valores $p$ con sus contrapartes tradicionales utilizando:

  • Orden Estocástico ($\leq_{st}$): Para valores $p$ naturales (menor valor $p$ es mejor).
  • Orden Convexo ($\leq_{cx}$): Para valores $p$ medios (menor variabilidad alrededor de la media es mejor).

3. Contribuciones Clave

El artículo introduce y demuestra teóricamente que las versiones "mínimas" (MD y MR) dominan a las versiones tradicionales en términos de eficiencia estadística:

1. Dominio Estocástico para Valores Naturales:
   Se demuestra que los valores $p$ naturales MD son estocásticamente menores o iguales a los valores $p$ naturales tradicionales ($P^{MD} \leq_{st} P^{trad}$).

   • Implicación: Mantienen la validez (son $\geq$ uniforme bajo $H_0$) pero son menos conservadores, lo que resulta en reglas de decisión con mayor potencia.

2. Dominio Convexo para Valores Medios:
   Se prueba que los valores $p$ medios MD son menores que los tradicionales en el orden convexo ($P^{MD} \leq_{cx} P^{trad}$).

   • Implicación: La distribución de los valores $p$ medios MD está "más cerca" de la distribución uniforme que la de los tradicionales, reduciendo el conservadurismo sin violar las desigualdades de validez.

3. Minimización de la Variabilidad en Valores Randomizados:
   Para los valores $p$ randomizados, se demuestra que la varianza condicional atribuible a la generación de la variable auxiliar $U$ es menor en los valores MR que en los tradicionales.

   • Implicación: Aunque ambos son uniformes bajo $H_0$, los valores MR tienen una mayor probabilidad de replicación (replicabilidad), ya que la decisión de rechazar o no depende menos de la aleatoriedad externa $U$.

4. Resultados Principales

Los teoremas presentados en el artículo formalizan las siguientes afirmaciones (denotadas como C1-C9 en el texto):

• Teorema 1 (Valores Naturales):

  • Las reglas de decisión basadas en valores $p$ MD tienen mayor o igual potencia que las basadas en valores tradicionales para cualquier nivel de significancia $\alpha$.
  • Los valores $p$ MD siguen siendo válidos (la probabilidad de rechazar $H_0$ cuando es cierta es $\leq \alpha$).
  • Gráficamente, la función de distribución acumulada (CDF) de los valores $p$ MD se encuentra por encima de la de los valores tradicionales, acercándose más a la diagonal de la distribución uniforme.

• Teorema 2 (Valores Randomizados):

  • Si el estadístico de prueba $T$ es suficiente, los valores $p$ MR y los tradicionales tienen la misma distribución bajo $H_0$ y $H_1$ (misma potencia).
  • Sin embargo, la varianza condicional $Var(P(X, U) | X)$ es menor para los valores MR. Esto significa que la incertidumbre introducida por el proceso de randomización es mínima.

• Teorema 3 (Valores Medios):

  • Para cualquier función convexa $h$, se cumple $E[h(P^{trad})] \geq E[h(P^{MD})] \geq E[h(U)]$.
  • Esto confirma que los valores $p$ medios MD son una mejora estricta sobre los tradicionales, acercándose más a la uniformidad ideal.

5. Significado e Impacto

Los resultados de este trabajo tienen implicaciones profundas para varias áreas de la estadística aplicada:

• Pruebas de Hipótesis Múltiples (MTP):
  Métodos como el de Benjamini-Hochberg (control de FDR) o Bonferroni asumen valores $p$ uniformes o conservadores. El uso de valores $p$ MD permite aplicar estos procedimientos con mayor potencia (más descubrimientos reales) sin sacrificar el control del error, ya que los valores MD son menos conservadores que los naturales tradicionales pero aún válidos.

• Meta-análisis:
  Técnicas que combinan valores $p$ (como el método de Fisher) suelen ser conservadoras cuando se usan valores $p$ medios. Al utilizar valores $p$ medios MD, las desigualdades de validez se afilan, permitiendo pruebas más potentes en la combinación de estudios.

• Validez de E-valores y Factores Bayes:
  La calibración de valores $p$ medios a E-valores (usados en inferencia e-valor) y factores Bayes depende del ordenamiento convexo. Los valores MD ofrecen un estándar de oro ("gold standard") para estas conversiones, mejorando la eficiencia de los métodos de inferencia.

• Replicabilidad:
  En la era de la ciencia reproducible, la variabilidad excesiva de los valores $p$ randomizados es un problema. Los valores MR ofrecen una solución teórica que mantiene la uniformidad exacta bajo $H_0$ mientras minimiza la variabilidad inducida por la aleatorización, aumentando la probabilidad de que un experimento replicado arroje el mismo resultado.

Conclusión:
El artículo establece que la discreción de los datos no es una barrera insuperable para la eficiencia estadística. Mediante una construcción cuidadosa de las funciones de prueba (utilizando rangos únicos para puntos de datos discretos), es posible generar valores $p$ que superan a los métodos tradicionales en potencia y eficiencia, proporcionando un nuevo marco teórico para el análisis de datos discretos en meta-análisis y pruebas múltiples.