Simultaneous false discovery rate control in location families

Resumen Técnico: Control Simultáneo de la Tasa de Falsos Descubrimientos en Familias de Ubicación

Enunciado del Problema
En la prueba de múltiples hipótesis, la Tasa de Falsos Descubrimientos (FDR) se define y controla tradicionalmente solo en el valor nulo (por ejemplo, $\theta = 0$). Sin embargo, en aplicaciones prácticas que involucran familias de ubicación, los investigadores a menudo requieren una FDR baja no solo para el nulo, sino también para valores de parámetros considerados "prácticamente insignificantes" (por ejemplo, tamaños de efecto pequeños). El procedimiento estándar de Benjamini-Hochberg (BH) controla la FDR en el nulo, pero no garantiza explícitamente el control sobre toda la "curva de FDR"—la FDR como función del parámetro de ubicación $\theta$. Este artículo aborda la necesidad de un control simultáneo de la FDR a través de un continuo de valores de parámetros dentro de familias de ubicación.

Metodología
Los autores proponen una generalización del procedimiento BH estándar para controlar la curva de FDR por debajo de un nivel especificado por el usuario. La configuración involucra datos independientes $X_i \sim P_{\theta_i}$ de una familia de ubicación donde $P_\theta(X \le x) = F(x - \theta)$. El objetivo es probar hipótesis unilaterales $H_{i,\theta}: \theta_i \ge \theta$.

1. Definición de la Curva de FDR: La curva de FDR se define como el valor esperado de la curva de la Proporción de Falsos Descubrimientos (FDP), $FDP_S(\theta)$, que mide la proporción de falsos descubrimientos entre las hipótesis rechazadas para un umbral dado $\theta$.
2. Procedimiento BH Generalizado: En lugar de utilizar un nivel nominal escalar $q$, el método utiliza una curva de FDR no creciente especificada por el usuario, $q(\theta)$.
   • Valores p Normalizados: Para cada hipótesis $i$, se calcula un valor p normalizado como:
     $$\bar{P}_i = \sup_{\theta \in \mathbb{R}} \frac{P_{i,\theta}}{q(\theta)}$$
     donde $P_{i,\theta} = F(X_i - \theta)$ es el valor p para probar $H_{i,\theta}$.
   • Regla de Rechazo: El procedimiento aplica el algoritmo BH estándar al conjunto de valores p normalizados $\{\bar{P}_1, \dots, \bar{P}_m\}$ con un nivel objetivo de 1. El conjunto de rechazo $S$ es el subconjunto más grande tal que $i \in S$ si y solo si $\bar{P}_i \le |S|/m$.

Resultados Teóricos Clave
El artículo establece que el procedimiento BH generalizado controla simultáneamente la curva de FDR. Específicamente, sea $q^*(\theta)$ una versión transformada de la curva especificada por el usuario $q(\theta)$, definida como:
$$q^*(\theta) = \inf_{\theta' \in \mathbb{R}} \sup_{a \le x - \theta' \le b} q(\theta') \cdot \frac{F(x - \theta)}{F(x - \theta')}$$
donde $a = F^{-1}(q(\theta')/m)$ y $b = F^{-1}(q(\theta'))$.

• Teorema 3.1: El procedimiento garantiza que $\sup_{\theta \in \mathbb{R}} \frac{FDR(\theta)}{q^*(\theta)} \le 1$. En consecuencia, $FDR(\theta) \le q^*(\theta)$ se cumple casi seguramente para cualquier $\theta$.
• El Fenómeno del "Almuerzo Gratis": Una consecuencia significativa es que el procedimiento BH estándar (que corresponde a usar una función escalón $q_{BH}(\theta) = q \cdot \mathbb{1}_{\theta \ge 0} + \mathbb{1}_{\theta < 0}$) proporciona inherentemente un control simultáneo sobre toda la curva de FDR. El nivel de control real $q^*_{BH}(\theta)$ está estrictamente por debajo de la función escalón nominal para $\theta \neq 0$, mientras que la toca en $\theta = 0$.
• Propiedad de Contacto: Bajo la "propiedad de razón monótona" (satisfecha por familias comunes como la Gaussiana), la Proposición 3.1 demuestra que para cualquier $q$ decreciente y continua por la derecha, existe al menos un punto $\theta^*$ donde la curva de control real $q^*(\theta^*)$ toca la curva objetivo $q(\theta^*)$. Esto implica que el control no puede ser uniformemente mejor que la especificación nominal en todas partes.
• Límites Inferiores: La Proposición 3.2 proporciona un límite inferior para la curva de FDR en el peor caso, mostrando que el análisis es ajustado, particularmente cuando $q^*(\theta)$ es pequeña.

Extensiones y Ejemplos Numéricos
El marco se extiende a configuraciones donde las hipótesis provienen de diferentes familias de ubicación (diferentes $F_i$). En este caso general, la definición de $q^*$ se modifica para tomar un supremo sobre las distribuciones específicas.

• Proposición 4.1: Para curvas objetivo constantes por tramos, existe un subconjunto de restricciones tal que la curva $q^*$ inducida controla todas las restricciones prescritas y toca la objetivo al menos una vez.
• Conjunto de Datos de Cáncer de Mama: Los autores aplican el método al conjunto de datos de cáncer de mama de Storey y Tibshirani (2003). Comparan la prueba basada en tamaños de efecto (donde las distribuciones varían según el gen) versus relaciones señal-ruido (donde se aplica una distribución común).
  • En el escenario de tamaño de efecto, el uso de todas las restricciones simultáneamente resultó en menos rechazos que el uso de una sola restricción, lo que sugiere que seleccionar un conjunto mínimo de restricciones que satisfaga la condición $q^* \le q$ es óptimo.
  • En el escenario de relación señal-ruido (F común), la curva $q^*$ tocó la objetivo en todas las ubicaciones especificadas, y los conjuntos de rechazo fueron estables a través de diferentes elecciones de restricciones.

Significado y Afirmaciones
El artículo afirma un teorema de "almuerzo gratis": el procedimiento BH estándar, diseñado únicamente para el control nulo, ofrece implícitamente un control simultáneo más fuerte sobre la curva de FDR para valores no nulos sin requerir complejidad computacional adicional ni datos. El procedimiento generalizado permite a los investigadores apuntar explícitamente al control de la FDR en valores de parámetros prácticamente insignificantes, ofreciendo una herramienta flexible para el descubrimiento en pruebas múltiples. Los autores señalan que este enfoque es un caso específico de un marco más amplio para problemas de decisión compuesta selectiva (citando a Gao, Hu y Zhao 2024) y sugieren direcciones futuras potenciales que involucren enfoques Bayesianos empíricos para seleccionar la curva objetivo $q$ basada en priores estimados, aunque advierten sobre el problema de la "doble inmersión" en tales implementaciones.