Improved null proportion estimators for multiple discrete tests with plug-in FDR control

Résumé Technique : Amélioration des estimateurs de la proportion de nullités pour les tests discrets multiples avec contrôle du FDR par substitution (Plug-in)

Énoncé du Problème
La procédure de Benjamini-Hochberg (BH) est une méthode standard pour contrôler le taux de fausses découvertes (FDR) dans les tests d'hypothèses multiples. Bien que les procédures BH « par substitution » (ou adaptatives), qui incorporent des estimateurs de la proportion de vraies hypothèses nulles ($\pi_0$), offrent souvent une puissance statistique plus élevée, leurs garanties théoriques et leurs performances dépendent fortement de la distribution des p-valeurs. La littérature existante s'est largement concentrée sur les statistiques de test continues où les p-valeurs nulles suivent une distribution uniforme. Cependant, dans les scénarios de tests discrets (par exemple, basés sur des tableaux de contingence ou des données de comptage), les p-valeurs sont « super-uniformes » (stochastiquement plus grandes qu'une distribution uniforme) et possèdent des supports hétérogènes.

Dans ce cadre discret, les estimateurs classiques par substitution (tels que ceux de Storey et de Pounds–Cheng) deviennent excessivement conservateurs. Ce conservatisme conduit à des estimations gonflées du nombre d'hypothèses nulles ($m_0$), entraînant une perte de puissance pour les procédures BH adaptatives qui en découlent. De plus, alors que certains estimateurs comme celui de Storey bénéficient de preuves établies de contrôle du FDR, d'autres, tels que l'estimateur de Pounds–Cheng, présentaient des lacunes dans leur justification théorique, particulièrement concernant le contrôle du FDR par substitution tant dans les contextes continus que discrets.

Méthodologie
Les auteurs proposent un cadre unifié pour remédier à ces limitations via trois développements méthodologiques principaux :

1. Une classe générale d'estimateurs : L'article introduit une classe générale d'estimateurs ($\mathcal{F}$) pour le nombre d'hypothèses nulles $m_0$. Ces estimateurs sont définis comme des sommes de p-valeurs transformées par des fonctions croissantes et bornées. Cette classe englobe les estimateurs classiques (Storey et une version modifiée de Pounds–Cheng) et permet l'incorporation de fonctions de distribution nulle ($F_i$) connues pour chaque test.

   • La classe est définie par : $\hat{m}_0 = \frac{1}{\min(\nu_1, \dots, \nu_m)} + \sum_{i=1}^m \frac{g_i(p_i)}{\nu_i}$, où $g_i$ sont des fonctions croissantes et $\nu_i$ sont des constantes de normalisation.
   • La justification théorique repose sur le « Critère du Moment Inverse » (IMC), une condition suffisante pour le contrôle du FDR par substitution établie par Blanchard et Roquain (2009).

2. Stratégies pour atténuer le conservatisme : Pour adapter ces estimateurs au cadre discret, les auteurs proposent trois stratégies spécifiques utilisant la connaissance des fonctions de distribution nulle $F_i$ :

   • Constantes de mise à l'échelle (Rescaling) : Remplacer les constantes de normalisation globales par des constantes individuelles $\nu_i^{resc} = E_{F_i}[g(p_i)]$ afin de garantir que l'espérance de la p-valeur transformée sous l'hypothèse nulle soit égale à 1, éliminant ainsi le « biais de nullité ».
   • Transformations par moyenne conditionnelle : Remplacer la fonction de transformation globale $g$ par une fonction « dégonflée » $\bar{g}_{F_i}$ (par exemple, en utilisant des mid-p values ou des espérances conditionnelles) telle que $E[\bar{g}_{F_i}(p_i)] = E[g(U)]$ où $U$ est uniforme. Cela imite le comportement des p-valeurs continues.
   • Randomisation attendue : Utiliser des p-valeurs randomisées (qui sont uniformément distribuées) et prendre l'espérance conditionnelle de l'estimateur par rapport à la randomisation. Cela produit un estimateur non randomisé qui est théoriquement moins conservateur que l'estimateur standard.

3. Optimisation des fonctions de transformation : L'article esquisse des approches pour sélectionner les fonctions de transformation $g$ afin de minimiser le biais dans le cadre discret et l'erreur quadratique moyenne (MSE) dans le cadre continu. Cela implique la formulation de problèmes d'optimisation (par exemple, des programmes linéaires à contraintes quadratiques) pour trouver les poids optimaux pour les transformations par fonctions en escalier.

Contributions Clés

• Cadre Théorique Unifié : L'article établit une classe générale d'estimateurs ($\mathcal{F}$) et prouve que tout estimateur de cette classe satisfait l'IMC, garantissant ainsi le contrôle du FDR par substitution sous des hypothèses d'indépendance et de super-uniformité.
• Résolution de la lacune de Pounds–Cheng : En démontrant qu'une version légèrement modifiée de l'estimateur de Pounds–Cheng s'inscrit dans la classe générale proposée, les auteurs fournissent la première preuve rigoureuse du contrôle du FDR par substitution pour cet estimateur dans le cas continu.
• Adaptations Discrètes : L'article introduit et valide trois modifications spécifiques (mise à l'échelle, moyenne, randomisation attendue) qui adaptent les estimateurs classiques aux données discrètes. Ces modifications sont prouvées être moins conservatrices (produisant des estimations de $m_0$ plus faibles) que leurs homologues non ajustés, tout en maintenant un contrôle valide du FDR.
• Validation Empirique : Les méthodes proposées sont testées sur des données simulées (problèmes de réponses binaires à deux échantillons utilisant les tests exacts de Fisher) et sur des données réelles de l'International Mouse Phenotyping Consortium (IMPC).

Résultats

• Études de Simulation : Dans des simulations avec des niveaux de discrétisation variables (contrôlés par la taille de l'échantillon $N$), les estimateurs ajustés pour le cas discret surpassent significativement les estimateurs classiques. Les estimateurs ajustés fournissent des estimations plus précises de $\pi_0$ (évitant les valeurs $>1$ qui indiquent un sévère conservatisme) et permettent d'obtenir une puissance statistique plus élevée pour la procédure BH par substitution.
• Robustesse à la Dépendance : Les estimateurs discrets restent robustes lorsque les p-valeurs présentent une dépendance positive (modélisée via des copules gaussiennes), maintenant un contrôle du FDR bien en dessous du niveau nominal.
• Application aux Données Réelles : L'analyse des données gène-phénotype de l'IMPC confirme que la prise en compte de la discrétisation améliore à la fois l'estimation de $\pi_0$ et le nombre de découvertes (rejets) par rapport aux méthodes standard basées sur le continu. Les versions discrètes de l'estimateur de Pounds–Cheng performent de manière comparable à l'estimateur de Storey, tandis que l'estimateur de Pounds–Cheng non ajusté est inférieur.
• Comparaison des Stratégies : Les trois stratégies d'ajustement (mise à l'échelle, moyenne, randomisation) produisent des gains de performance sensiblement similaires en termes d'efficacité et de puissance. L'estimateur de « randomisation attendue » est théoriquement le plus efficace, mais nécessite une approximation numérique (Monte Carlo) en pratique.

Signification et Revendications
L'article affirme combler des lacunes critiques dans la littérature concernant le contrôle du FDR par substitution pour les tests d'hypothèses discrets. Plus précisément :

• Il fournit un fondement théorique rigoureux pour l'estimateur de Pounds–Cheng, qui manquait auparavant d'une preuve de contrôle du FDR par substitution.
• Il offre une méthodologie générale et flexible pour construire des estimateurs conservateurs qui sont prouvés comme étant moins conservateurs dans les contextes discrets sans sacrifier le contrôle du FDR.
• Il démontre que la perte de puissance dans les tests discrets due à la super-uniformité des p-valeurs peut être efficacement atténuée en incorporant des informations spécifiques sur la distribution nulle dans l'estimation de $\pi_0$.

Les auteurs maintiennent un ton modeste, notant que bien que leurs méthodes améliorent l'efficacité, la capacité de rejet de la procédure est toujours ultimement limitée par la super-uniformité inhérente des p-valeurs discrètes. Ils reconnaissent également que trouver la fonction de transformation $g$ optimale pour un biais ou une MSE minimaux est un problème d'optimisation complexe laissé pour des travaux futurs, bien qu'ils fournissent une approche heuristique pour le cas continu.