Fixed-level calibration of the Cauchy combination test

1. Planteamiento del Problema

La Prueba de Combinación de Cauchy (CCT), introducida por Liu y Xie (2020), es una herramienta popular en estadística para combinar múltiples valores $p$ en un solo valor $p$ global. Su atractivo radica en que proporciona una fórmula cerrada y es numéricamente estable incluso con niveles de significancia muy pequeños.

• Justificación Teórica Existente: La validación asintótica estándar de la CCT asume que el nivel nominal $\alpha$ tiende a cero ($\alpha \downarrow 0$) bajo diversas estructuras de dependencia. Bajo estas condiciones, la estadística de prueba converge a una distribución Cauchy estándar.
• La Brecha Práctica: En la práctica, los investigadores aplican la CCT a niveles fijos convencionales (como $\alpha = 0.05$ o $0.01$) con un número grande de pruebas componentes ($K \to \infty$).
• El Problema Central: ¿Mantiene el umbral de corte Cauchy estándar su exactitud asintótica cuando $\alpha$ es fijo y $K \to \infty$ bajo dependencia? La evidencia numérica reciente sugiere que la respuesta es negativa, pero faltaba una teoría analítica que explicara el mecanismo de distorsión y ofreciera una corrección.

El autor estudia este problema bajo un modelo de cópula Gaussiana equicorrelacionada de un solo factor, donde la dependencia entre los valores $p$ se genera mediante un único factor latente Gaussiano compartido.

2. Metodología y Marco Teórico

El autor analiza el comportamiento asintótico de la estadística CCT ($T_K$) bajo el modelo:
$$Z_i = \sqrt{\rho_K} V + \sqrt{1-\rho_K} \varepsilon_i$$
donde $V \sim N(0,1)$ es el factor latente común, $\varepsilon_i \sim N(0,1)$ son independientes, y $\rho_K$ es la correlación que puede depender de $K$.

La estadística CCT se define como el promedio de las transformaciones de Cauchy de los valores $p$:
$$T_K = \frac{1}{K} \sum_{i=1}^K \tan\left(\pi(\Phi(Z_i) - 1/2)\right)$$

El análisis se divide en dos regímenes de correlación:

1. Correlación Fija Positiva ($\rho > 0$): Se demuestra que $T_K$ converge casi seguramente a una variable aleatoria que depende del factor latente $V$, no a una distribución Cauchy universal.
2. Regímenes Triangulares ($\rho_K \downarrow 0$): Se estudia cómo la correlación se debilita a medida que $K$ crece. El autor identifica dos escalas logarítmicas críticas que gobiernan el comportamiento:
   • Escala amplia: $c_K = \rho_K \log K$.
   • Escala de capa límite: $s_K = \sqrt{\rho_K}(\log K)^{3/2}$.

3. Contribuciones Clave y Resultados Principales

A. Origen de la Distorsión (El "Drift" del Factor Latente)

El hallazgo fundamental es que la distorsión del tamaño (size distortion) en niveles fijos no proviene de la fluctuación de cola pesada de la estadística, sino de un término de centrado determinista inducido por el factor latente $V$.

• Cuando $\rho_K > 0$, el factor latente desplaza la distribución nula de $T_K$.
• En el régimen de nivel fijo, este desplazamiento no se anula (a diferencia del régimen $\alpha \downarrow 0$), lo que provoca que la probabilidad de rechazo real difiera de $\alpha$.

B. Umbrales de Exactitud para la CCT Cruda

El artículo establece condiciones precisas para que la CCT estándar sea asintóticamente exacta:

• Si $\rho$ es fijo y positivo, no existe una ley de referencia universal; la distribución límite es una mezcla aleatoria.
• Si $\rho_K \to 0$, la CCT es exacta si y solo si:
  $$\rho_K (\log K)^3 \to 0$$
  Esto implica que la CCT estándar falla (es anti-conservativa) en un rango mucho más amplio de dependencia de lo que se creía, específicamente cuando $\rho_K$ decae más lento que $(\log K)^{-3}$.

C. Propuesta: BL-CCT (Calibración de Capa Límite)

Dado que la distorsión proviene de la ley de referencia y no de la estadística misma, el autor propone BL-CCT (Boundary-Layer Calibrated CCT).

• Método: Se mantiene la estadística $T_K$ sin cambios. En su lugar, se reemplaza la ley de referencia Cauchy estándar por una familia de Cauchy suavizada por Gaussiana de un parámetro:
  $$T_s \stackrel{d}{=} C + \kappa s V$$
  donde $C \sim \text{Cauchy}(0,1)$, $V \sim N(0,1)$, y $s$ es la escala de la capa límite ($s_K$).
• Umbral de Exactitud Mejorado: Bajo BL-CCT, la prueba es exacta bajo una condición mucho más débil:
  $$\rho_K \log K \to 0$$
  Esto amplía significativamente el rango de dependencia donde la prueba es válida.

D. Comportamiento en Escalas Más Amplias

Cuando $c_K = \rho_K \log K$ no tiende a cero (pero es acotado), la distorsión residual es explícita y estrictamente conservativa (la probabilidad de rechazo es menor que $\alpha$). El autor proporciona fórmulas para calcular este límite conservativo, lo cual es útil para controlar el error tipo I en escenarios de alta dependencia.

4. Significado e Impacto

1. Corrección sin Modificación de Estadística: A diferencia de trabajos anteriores que modifican los pesos de combinación o recortan la estadística, BL-CCT corrige únicamente la ley de referencia. Esto preserva la simplicidad computacional y la estabilidad numérica original de la CCT.
2. Fundamento Teórico Riguroso: El paper cierra la brecha entre la teoría asintótica de nivel vanishing y la práctica de nivel fijo, explicando matemáticamente por qué fallan las pruebas en presencia de dependencia débil pero no nula.
3. Aplicabilidad Práctica: La propuesta es directamente aplicable en genómica, estudios de microbioma y regresión de alta dimensión, donde la dependencia entre pruebas es común y el número de pruebas ($K$) es grande.
4. Generalidad: El mecanismo de "drift" del factor latente descrito no es exclusivo de la transformación de Cauchy; se aplica a cualquier regla de combinación basada en funciones de puntuación con índice de cola 1 (como la media armónica de valores $p$).

Conclusión

Hirofumi Ota demuestra que la CCT estándar es inexacta a niveles fijos bajo dependencia equicorrelacionada debido a un desplazamiento inducido por factores latentes. Al introducir una calibración basada en una mezcla de Cauchy y Gaussiana (BL-CCT), se logra una prueba asintóticamente exacta bajo condiciones de dependencia mucho más permisivas, ofreciendo una solución robusta y computacionalmente eficiente para la combinación de valores $p$ en grandes conjuntos de datos dependientes.