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

---

1. Problématique et Contexte

L'article aborde le problème de la sélection de variables dans le cadre de la régression linéaire multiple, formulé comme un problème de tests multiples.

• Modèle : On considère le modèle $Y = X\beta + \varepsilon$, où l'on souhaite tester les hypothèses $H_j : \beta_j = 0$ contre $K_j : \beta_j \neq 0$ pour $j=1, \dots, m$.
• Défi : Dans les applications modernes, le nombre de variables $m$ peut être grand, et les statistiques de test basées sur les coefficients estimés $\hat{\beta}$ présentent souvent des structures de dépendance complexes.
• Limites des méthodes existantes :
  • La méthode classique de Benjamini-Hochberg (BH) ne contrôle pas le taux de fausses découvertes (FDR) sous des dépendances arbitraires.
  • La méthode des Knockoffs (Barber et Candès, 2015) contrôle le FDR sans hypothèse de dépendance, mais elle est parfois conservatrice, surtout avec des signaux faibles, un petit nombre de signaux réels ou un FDR cible bas.
  • La méthode Bonferroni-Benjamini-Hochberg (Bon-BH) de Sarkar et Tang (2022) améliore la puissance en utilisant deux ensembles de statistiques dérivées des knockoffs, mais elle repose sur une calibration "tout ou rien" (all-or-nothing) des p-values, ce qui peut être sous-optimal.

L'objectif est de développer une méthode unifiée qui combine les knockoffs, les p-values et les valeurs-e (e-values) pour améliorer la puissance tout en garantissant le contrôle du FDR.

2. Méthodologie Proposée

Les auteurs proposent un cadre unifié basé sur la calibration p-vers-e (p-to-e calibration) pour pondérer les p-values d'une deuxième étape de test.

A. Fondements Théoriques

• Valeurs-e (E-values) : Une valeur-e $S$ est une variable aléatoire positive telle que $E[S] \le 1$ sous l'hypothèse nulle. Contrairement aux p-values, une grande valeur-e indique une forte preuve contre l'hypothèse nulle.
• Calibrateurs : Une fonction $g$ transforme une p-value $P$ en une valeur-e $S = g(P)$. L'article met l'accent sur l'utilisation de calibrateurs bornés (bounded calibrators) plutôt que les calibrateurs admissibles classiques (qui peuvent tendre vers l'infini), afin d'assurer la stabilité et de réduire la variance dans les tests combinés.

B. Structure de la Procédure

La méthode utilise deux ensembles de p-values générés à partir des données knockoff (selon Sarkar et Tang) :

1. $P^{(1)}$ : Basées sur un estimateur $\hat{\beta}^{(1)}$ (plus variable).
2. $P^{(2)}$ : Basées sur un estimateur $\hat{\beta}^{(2)}$ (plus stable et indépendant de $P^{(1)}$ sous certaines conditions).

Les valeurs-e sont calculées à partir de $P^{(1)}$ via un calibrateur $g$, puis utilisées pour pondérer les p-values $P^{(2)}$.

C. Trois Procédures Proposées

L'article introduit trois algorithmes progressifs :

1. Méthode 1 (ep-BH pondéré) :

   • Transforme $P^{(1)}$ en valeurs-e $S^{(1)}$.
   • Calcule des p-values ajustées : $\tilde{P}_j = P^{(2)}_j / S^{(1)}_j$.
   • Applique la procédure BH standard sur $\tilde{P}$.
   • Garantie : Contrôle exact du FDR à un niveau $\pi_0 \alpha$ (où $\pi_0$ est la proportion de nullités vraies).

2. Méthode 2 (ep-BH adaptatif) :

   • Estime la proportion de nullités vraies $\hat{\pi}_0$ à partir de $P^{(2)}$.
   • Ajuste les p-values en intégrant $\hat{\pi}_0$ et les valeurs-e.
   • Garantie : Contrôle asymptotique du FDR au niveau $\alpha$.

3. Méthode 3 (BH pondéré adaptatif) :

   • Standardise les valeurs-e pour former des poids $W_j$ sommant à $m$.
   • Utilise un estimateur de $\pi_0$ pondéré par ces poids.
   • Applique une procédure BH adaptative pondérée.
   • Garantie : Contrôle asymptotique du FDR au niveau $\alpha$.

D. Innovation Clé : Le Calibrateur Borné

Les auteurs identifient que la méthode de Sarkar et Tang correspond à un cas extrême utilisant un calibrateur "tout ou rien" (binaire). Ils proposent de remplacer cela par des calibrateurs continus et bornés, par exemple :
$$g_2(t) = C(1 - t^a)$$
Cette approche permet une attribution de poids plus fluide et informative, évitant les sauts brusques et améliorant la robustesse empirique.

3. Contributions Principales

1. Cadre Unifié : Reformulation des procédures de sélection de variables assistées par knockoffs comme des cas particuliers d'une méthode générale pondérée par des valeurs-e.
2. Nouvelles Procédures : Introduction de trois méthodes (M1, M2, M3) offrant un compromis entre contrôle exact du FDR et puissance accrue.
3. Généralisation de Sarkar et Tang : Démonstration que les méthodes Bon-BH existantes sont des cas limites de leur cadre, et proposition d'une alternative continue supérieure.
4. Preuves Théoriques : Établissement du contrôle du FDR (exact pour M1, asymptotique pour M2 et M3) sous les hypothèses du modèle de régression linéaire.

4. Résultats Expérimentaux

Les auteurs évaluent leurs méthodes via des simulations et une analyse de données réelles.

A. Études de Simulation

• Configuration : Régression linéaire avec différentes tailles d'échantillon ($n$), nombre de variables ($m$), nombre de signaux ($k$), et corrélations (AR(1)).
• Comparaison : Comparaison avec la méthode Knockoff originale (M0), les méthodes Bon-BH (M1, M2 de Sarkar et Tang) et les nouvelles méthodes (M3, M4, M5).
• Résultats Clés :
  • Contrôle du FDR : Toutes les méthodes maintiennent un contrôle satisfaisant du FDR aux niveaux nominaux ($\alpha=0.05$ et $0.1$).
  • Puissance : Les méthodes proposées (M3, M4, M5) surpassent systématiquement les autres, en particulier dans les scénarios difficiles :
    • Faible force de signal ($\gamma$ faible).
    • Petit nombre de signaux réels (sparsité élevée).
    • FDR cible bas.
  • La méthode Knockoff originale (M0) s'avère très conservatrice dans ces cas, produisant peu de découvertes.
  • Les méthodes M4 et M5 montrent des performances de puissance très similaires, avec M5 ayant parfois un léger avantage.

B. Analyse de Données Réelles (Résistance aux médicaments HIV-1)

• Données : Résistance aux inhibiteurs de protéase du VIH-1 (7 médicaments, 846 échantillons, 99 positions génétiques).
• Objectif : Identifier les mutations associées à la résistance.
• Résultats :
  • À un niveau de FDR strict ($\alpha=0.05$), la méthode Knockoff originale (M0) ne détecte aucune position significative.
  • Les méthodes proposées (M3, M4, M5) détectent un nombre significatif de mutations, incluant celles validées biologiquement (panel TSM) et de nouvelles découvertes.
  • Cela démontre la supériorité des méthodes proposées dans des contextes réels où les signaux sont faibles et le nombre d'échantillons limité par rapport au nombre de variables.

5. Signification et Conclusion

Cet article représente une avancée significative dans le domaine de la sélection de variables à haute dimension.

• Apport Conceptuel : Il réussit à intégrer les concepts récents de valeurs-e dans le cadre robuste des knockoffs, créant une synergie entre la théorie des tests multiples pondérés et la construction de variables de contrôle.
• Impact Pratique : Les méthodes proposées offrent une alternative supérieure aux approches standards (Knockoff, Bon-BH) pour les applications où la puissance est critique et les signaux faibles, tout en maintenant une garantie rigoureuse sur le taux d'erreur.
• Perspectives : Les auteurs suggèrent que ce cadre peut être étendu aux modèles linéaires généralisés (GLM) et à d'autres métriques d'erreur de type I (comme le k-FDR), ouvrant la voie à de futures recherches.

En résumé, l'article propose une refonte méthodologique qui transforme une procédure de sélection de variables en un système pondéré adaptatif, offrant un meilleur équilibre entre la détection de signaux faibles et le contrôle des faux positifs.