Fixed-level calibration of the Cauchy combination test

1. Problématique et Contexte

Le test de combinaison de Cauchy (CCT), introduit par Liu et Xie (2020), est largement utilisé pour agréger de multiples valeurs-p en une seule statistique globale. Ses avantages principaux sont l'existence d'une forme fermée pour la valeur-p combinée et sa stabilité numérique aux niveaux de signification très faibles.

Le problème central :
La justification asymptotique standard du CCT repose sur un régime où le niveau nominal $\alpha$ tend vers zéro ($\alpha \downarrow 0$) avec un nombre $K$ de tests fixes ou croissants. Dans ce régime, la statistique suit asymptotiquement une loi de Cauchy standard, même sous des structures de dépendance complexes.
Cependant, en pratique, le test est souvent appliqué à des niveaux fixes conventionnels (ex: $\alpha = 0.05$ ou $0.01$) avec un grand nombre de tests ($K \to \infty$). Le papier interroge la validité du seuil de coupure de Cauchy standard dans ce régime de niveau fixe sous dépendance. Des travaux numériques récents suggèrent que le CCT peut être anti-conservatif (taux d'erreur de type I supérieur à $\alpha$) dans ce contexte, mais une théorie rigoureuse manquait.

2. Méthodologie et Modèle

L'auteur étudie ce problème sous un modèle de copule gaussienne équicorrélée à un facteur.

• Structure de dépendance : Les valeurs-p sont générées à partir de variables latentes $Z_i$ suivant une loi normale multivariée avec une matrice de covariance équicorrélée $\Sigma_\rho$ (corrélation commune $\rho$).
• Représentation à un facteur : $Z_i = \sqrt{\rho} V + \sqrt{1-\rho} \varepsilon_i$, où $V \sim N(0,1)$ est un facteur latent commun et $\varepsilon_i$ sont des bruits i.i.d.
• Statistique : La statistique CCT est la moyenne des scores transformés par la fonction tangente (transformée de quantile de Cauchy) : $T_K = \frac{1}{K} \sum_{i=1}^K \tan(\pi(\Phi(Z_i) - 1/2))$.

L'analyse se concentre sur le comportement asymptotique lorsque $K \to \infty$ et que la corrélation $\rho$ peut être fixe ou décroître avec $K$ ($\rho_K \downarrow 0$).

3. Contributions Clés et Résultats Théoriques

A. Limites du CCT Brut (Raw CCT)

L'auteur démontre que le CCT standard n'est pas asymptotiquement exact à niveau fixe sous dépendance :

1. Corrélation Fixe ($\rho > 0$) : La statistique $T_K$ converge presque sûrement vers une limite aléatoire dépendante du facteur latent $V$, notée $\mu_\rho(V)$. Il n'existe donc pas de loi de référence universelle (comme la loi de Cauchy) ; la probabilité de rejet dépend de la distribution de $\mu_\rho(V)$, ce qui conduit à une distorsion de la taille du test.
2. Corrélation Décroissante ($\rho_K \downarrow 0$) : Le comportement est gouverné par une échelle de « couche limite » (boundary-layer scale) :
   $$s_K = \sqrt{\rho_K} (\log K)^{3/2}$$
   • Si $s_K \to 0$, le CCT est exact.
   • Si $s_K \to s > 0$ (fini), la distribution nulle de $T_K$ est décalée par un terme de centrage déterministe d'ordre $s_K$ par rapport à la loi de Cauchy. La probabilité de rejet converge vers une fonction $\Psi_\alpha(s) > \alpha$ (pour $s>0$).
   • Si $s_K \to \infty$, la probabilité de rejet tend vers $1/2$.
   • Condition d'exactitude : Le CCT brut n'est asymptotiquement exact à niveau fixe que si $\rho_K (\log K)^3 \to 0$.

B. Le Test Calibré BL-CCT (Boundary-Layer Calibrated CCT)

L'analyse révèle que la distorsion provient exclusivement de l'inadéquation de la loi de référence (la loi de Cauchy standard) et non de la statistique elle-même. La statistique $T_K$ ne nécessite aucune modification.

L'auteur propose le BL-CCT, qui conserve la statistique $T_K$ mais remplace le seuil de coupure de Cauchy par une famille de lois calibrées :

• Nouvelle loi de référence : Une loi de Cauchy lissée par une gaussienne, notée $T_s \stackrel{d}{=} C + \kappa s V$, où $C$ est de Cauchy standard, $V$ est normale standard, et $s$ est le paramètre d'échelle de la couche limite.
• Seuil calibré : Le seuil $q_\alpha(s)$ est défini comme le quantile de cette nouvelle loi.
• Avantage majeur : Le BL-CCT est asymptotiquement exact sous une condition beaucoup plus faible : $\rho_K \log K \to 0$. Cela représente une amélioration significative par rapport à la condition cubique requise pour le CCT brut.
• Comportement sur l'échelle large : Même lorsque $\rho_K \log K$ ne tend pas vers 0 (mais reste borné), le BL-CCT reste conservatif (la taille réelle est inférieure à $\alpha$), contrairement au CCT brut qui devient anti-conservatif.

4. Validation Numérique

Des expériences de Monte Carlo confirment la théorie :

• Pour le CCT brut, la taille empirique augmente avec le paramètre d'échelle $s_K$, dépassant largement le niveau nominal (ex: > 0.10 pour $\alpha=0.05$) lorsque la dépendance est présente.
• Le BL-CCT (avec estimation plug-in de $\rho_K$) corrige efficacement cette distorsion, maintenant la taille empirique proche de 0.05, même pour des valeurs de $s_K$ modérées.
• L'estimateur plug-in de la corrélation converge suffisamment vite pour que la version pratique du BL-CCT ait les mêmes propriétés asymptotiques que la version « oracle » (où $\rho_K$ est connu).

5. Signification et Implications

• Correction de la théorie : Ce travail comble le fossé entre la théorie asymptotique (valide pour $\alpha \to 0$) et la pratique (niveau fixe). Il identifie un mécanisme de dérive (drift) induit par le facteur latent qui n'est pas détecté par les analyses classiques.
• Méthodologie innovante : Au lieu de modifier la statistique de test (comme le font certaines approches récentes par troncation ou pondération), le BL-CCT corrige uniquement la loi de référence. Cela préserve la simplicité computationnelle du CCT original tout en assurant la validité.
• Généralité : Bien que démontré pour la copule gaussienne à un facteur, l'auteur suggère que ce mécanisme de centrage s'applique à toute règle de combinaison basée sur des fonctions de score à variation régulière d'indice 1 (comme la moyenne harmonique des valeurs-p).

En conclusion, ce papier fournit une calibration rigoureuse pour l'utilisation du test de combinaison de Cauchy dans les applications modernes à grande échelle (génomique, régression haute dimension) où la dépendance entre les tests est inévitable et où les niveaux de signification sont fixes.