Improving the Power of Bonferroni Adjustments under Joint Normality and Exchangeability

1. Problématique

L'article aborde le problème classique de la multiplicité des tests (multiple testing) dans le contexte de la correction de Bonferroni. Bien que la correction de Bonferroni soit largement utilisée pour contrôler le taux d'erreur familiale (FWER - Family-Wise Error Rate) en raison de sa simplicité, elle est notoirement conservatrice, ce qui entraîne une faible puissance statistique, surtout lorsque :

• Le nombre de tests est très élevé.
• Les statistiques de test sont dépendantes.

Les méthodes alternatives existantes (comme Holm, Benjamini-Hochberg, ou les combinaisons de p-valeurs basées sur des queues lourdes) peuvent offrir plus de puissance, mais elles présentent souvent des inconvénients : elles sont moins intuitives, ne permettent pas toujours d'identifier facilement les tests individuels significatifs après le rejet de l'hypothèse nulle globale, ou nécessitent des hypothèses complexes sur la structure de dépendance.

L'objectif de cet article est de proposer une modification pratique de la correction de Bonferroni qui améliore sa puissance sous une dépendance spécifique (normalité conjointe et échangeabilité) tout en conservant la simplicité et l'intuition de la méthode originale, sans nécessiter la connaissance a priori des paramètres de corrélation.

2. Méthodologie

Les auteurs proposent une méthode hybride, baptisée GNP-MOM*, qui combine les travaux de Gupta et al. (1973) et de Follmann et Proschan (2013).

A. Hypothèses et Cadre

• Statistiques de test : Soit $X = (X_1, ..., X_n)$ une séquence de statistiques de test conjointement normales, standardisées (variance 1), et échangeables.
• Structure de dépendance : Les variables sont modélisées comme $X_i = \sqrt{\rho}Z_0 + \sqrt{1-\rho}Z_i$, où $Z_i$ sont i.i.d. suivant une loi normale standard $\mathcal{N}(0,1)$ et $\rho \in [0, 1)$ est la corrélation commune inconnue.
• Hypothèses : $H_0 : \mu = 0$ contre $H_a : \mu \neq 0$ (cas bilatéral, bien que le cas unilatéral soit également traité).

B. Estimation de la Corrélation ($\rho$)

Le défi majeur de la méthode de Gupta et al. (1973) est qu'elle nécessite la connaissance exacte de $\rho$, ce qui est rarement le cas en pratique.

• Les auteurs proposent d'estimer $\rho$ à l'aide de la variance empirique des statistiques de test, suivant l'estimateur de moments (MOM) de Follmann et Proschan (2013) :
  $$\hat{\rho}_{MOM} = (1 - s_n^2)I(s_n^2 < 1)$$
  où $s_n^2$ est la variance d'échantillon de $X$.
• Intuition : Sous l'hypothèse nulle, si les statistiques sont positivement corrélées, elles tendent à se regrouper autour d'une même valeur aléatoire (le terme commun $\sqrt{\rho}Z_0$). La dispersion de ce regroupement (la variance) permet de déduire la force de la corrélation.

C. Calcul de la Valeur Critique et du P-value Global

Au lieu d'utiliser la correction de Bonferroni classique ($\alpha/n$), la méthode calcule une valeur critique $c_\alpha$ exacte en intégrant la distribution conditionnelle :

1. La statistique globale est $M_n(|X|) = \max_{1 \le i \le n} |X_i|$.
2. La probabilité de ne pas rejeter $H_0$ est exprimée comme une intégrale sur la variable latente $Z_0$ :
   $$P(M_n(|X|) \le c_\alpha) = \int_{-\infty}^{\infty} \Psi_n^{\mu=\sqrt{\rho}z, \sigma=\sqrt{1-\rho}}(c_\alpha) \phi(z) dz = 1 - \alpha$$
   où $\Psi$ est la fonction de répartition de la loi normale pliée (folded-normal).
3. En pratique, $\rho$ est remplacé par son estimateur $\hat{\rho}_{MOM}$ pour calculer la p-value globale $p_0$.

D. Preuve de Validité

Les auteurs démontrent théoriquement (Théorèmes 1, 2 et 3) que :

• L'estimateur $\hat{\rho}_{MOM}$ satisfait les conditions d'asymptotique nécessaires.
• La p-value calculée avec $\hat{\rho}$ converge vers la p-value théorique avec le vrai $\rho$.
• Par conséquent, le FWER est contrôlé exactement au niveau $\alpha$ lorsque $n \to \infty$, et la méthode offre un contrôle raisonnable dès $n=20$.

3. Résultats Principaux

Les simulations menées par les auteurs comparent la méthode GNP*-MOM à la correction de Bonferroni classique, aux moyennes harmoniques de p-valeurs (HMP, HMPADJ) et au test de Follmann-Proschan (F-P).

• Alternatives Éparses (Sparse Alternatives) : Dans des scénarios où seul un petit nombre de tests sont non nuls (ex: un seul $\mu \neq 0$ parmi 1000), GNP*-MOM démontre une puissance nettement supérieure aux autres méthodes, en particulier lorsque la corrélation $\rho$ et le niveau de signification $\alpha$ sont élevés.
• Alternatives Denses : Lorsque la proportion de tests non nuls augmente, GNP*-MOM reste compétitive, surpassant souvent les autres méthodes tant que la proportion de signaux reste inférieure à 10%.
• Contrôle du FWER (Taille) : Les tables de taille (Appendice B) montrent que GNP*-MOM maintient un contrôle exact du taux d'erreur $\alpha$ pour diverses combinaisons de $n$, $\rho$ et $\alpha$, là où d'autres méthodes (comme HMP) peuvent devenir trop libérales ou trop conservatrices selon les paramètres.
• Identification des Tests Significatifs : Une fois l'hypothèse nulle globale rejetée, la méthode permet d'identifier les tests individuels significatifs (ceux où $|X_i| \ge c_\alpha$). Cependant, les auteurs notent une limite : la méthode est très conservatrice pour les tests autres que le maximum absolu, ne détectant souvent que le test le plus extrême.

4. Contributions Clés

1. Extension de la théorie de Gupta (1973) : Passage d'un cadre unilatéral à un cadre bilatéral et intégration d'un estimateur de corrélation pratique.
2. Estimation sans paramètre inconnu : La méthode ne nécessite pas de connaître $\rho$ à l'avance, résolvant le principal obstacle à l'application pratique de la méthode de Gupta.
3. Équilibre Puissance/Contrôle : Offre une puissance significativement accrue par rapport à Bonferroni dans des scénarios réalistes (dépendance, alternatives éparse) tout en garantissant le contrôle strict du FWER.
4. Interprétabilité : Contrairement aux tests basés sur la somme (comme O'Brien) ou les combinaisons complexes (Cauchy, HMP), la méthode GNP*-MOM reste une procédure de type Bonferroni, facilitant l'identification des tests individuels responsables du rejet global.

5. Signification et Conclusion

Cet article propose une solution pragmatique pour les praticiens confrontés à des données massives et corrélées. En combinant la robustesse théorique de la normalité conjointe avec une estimation simple de la corrélation via la variance, les auteurs parviennent à "désencombrer" la correction de Bonferroni de son conservatisme excessif.

Bien que la méthode nécessite une intégration numérique (ce qui peut être un frein technique mineur) et qu'elle soit conservatrice pour l'identification des tests secondaires, elle représente une avancée majeure pour les analyses où la détection de signaux faibles et éparpillés est cruciale. Les auteurs suggèrent des améliorations futures, notamment l'utilisation de distributions d'ordre pour affiner la sélection des tests significatifs après le rejet global.