PCA score regression: the art of losing power

Résumé technique : Régression des scores PCA : L'art de perdre de la puissance

Énoncé du problème
L'article aborde un problème méthodologique répandu dans l'analyse de données fonctionnelles : la régression des scores de composantes principales spécifiques aux sujets (RPCS) sur des covariables scalaires. Cette approche en deux étapes — d'abord réaliser une Analyse en Composantes Principales (ACP) ou une Décomposition en Valeurs Singulières (SVD) pour extraire des scores, puis régresser ces scores sur des covariables — est largement utilisée dans des domaines allant de la génomique et de l'imagerie cérébrale à la surveillance de l'activité physique. Les auteurs soutiennent que, bien que RPCS soit computationnellement pratique, elle est statistiquement équivalente à l'ajustement d'un modèle mal spécifié. Cette mauvaise spécification entraîne une perte sévère, souvent non reconnue, de puissance statistique, des taux d'erreur de type I gonflés lorsque la multiplicité est ignorée, et des inférences invalides concernant les véritables effets fonctionnels.

Méthodologie
Les auteurs établissent un cadre théorique rigoureux comparant deux approches :

1. Régression Fonction sur Scalaire (FoSR) : Un modèle correctement spécifié où la variable de réponse fonctionnelle $W_i(s)$ est modélisée directement comme une fonction de covariables scalaires $X_i$ et d'effets aléatoires :
   $$W_i(s) = \beta_0(s) + \sum_{q=1}^Q X_{iq}\beta_q(s) + \sum_{l=1}^{L_{true}} \xi_{il}\phi_l(s) + \epsilon_i(s)$$
   Ici, $\beta_q(s)$ représente les fonctions d'effet fixe d'intérêt, et l'inférence est conduite directement sur ces fonctions.

2. RPCS (Modèle mal spécifié) : La procédure standard en deux étapes où l'ACP est d'abord appliquée à la matrice de données $W$ en ignorant les covariables pour extraire des scores $\xi^M_{il}$ basés sur des fonctions propres estimées $\phi^M_l(s)$. Ces scores sont ensuite régressés sur les covariables :
   $$\xi^M_{il} = b_{0l} + \sum_{q=1}^Q b_{ql}X_{iq} + e_{il}$$

La contribution théorique centrale est le Théorème 1, qui démontre que le coefficient de régression $b_{ql}$ dans le cadre RPCS n'est pas l'effet véritable $\beta_q(s)$, mais plutôt le produit scalaire (projection) de l'effet véritable sur les fonctions propres estimées :
$$b_{ql} = \int_S \beta_q(s)\phi^M_l(s) ds$$

Contributions clés et résultats théoriques
L'article fournit cinq insights principaux sur les limites de RPCS :

• Perte de puissance par orthogonalité : La puissance de RPCS pour détecter une association dépend entièrement de la corrélation entre l'effet véritable $\beta_q(s)$ et les fonctions propres estimées $\phi^M_l(s)$. Si l'effet véritable est orthogonal aux composantes principales dominantes (c'est-à-dire que l'intégrale ci-dessus est nulle), RPCS a zéro puissance pour détecter l'effet, indépendamment de l'amplitude de cet effet.
• Dilution du signal : Même lorsqu'il n'est pas parfaitement orthogonal, RPCS remplace un test unique pour la fonction véritable $\beta_q(s) = 0$ par $L_{miss}$ tests pour des signaux projetés plus petits ($b_{ql}$). Cette fragmentation du signal réduit intrinsèquement la puissance statistique par rapport à la modélisation directe dans FoSR.
• Multiplicité et inflation : Tester plusieurs coefficients $b_{ql}$ introduit un problème de multiplicité. Si cela n'est pas corrigé, cela conduit à des niveaux $\alpha$ gonflés. Si cela est corrigé (par exemple, via Bonferroni), la puissance est encore davantage réduite.
• Problèmes d'interprétabilité : Les coefficients $b_{ql}$ sont difficiles à interpréter dans l'espace des données original. Reconstruire l'effet fonctionnel $\hat{\beta}_q(s)$ à partir des PC significatifs seuls peut produire des formes fondamentalement différentes selon les PC sélectionnés, conduisant à des interprétations biologiques biaisées ou ambiguës.
• Validité de l'inférence : Les méthodes RPCS actuelles ne fournissent pas d'inférence valide pour l'effet véritable $\beta_q(s)$ car l'hypothèse testée ($b_{ql}=0$) est distincte de l'hypothèse scientifique d'intérêt ($\beta_q(s)=0$).

Résultats empiriques
Les auteurs valident ces résultats théoriques par le biais de simulations extensives et d'une application sur des données réelles :

• Simulations : Dans des scénarios où l'effet véritable est orthogonal ou seulement partiellement corrélé aux composantes principales, la puissance de RPCS chute au niveau de la taille du test (aucune détection), tandis que FoSR maintient une puissance élevée. Les simulations confirment que la perte de puissance est une fonction directe de la corrélation entre l'effet véritable et les PC.
• Application NHANES : En utilisant des données d'accélérométrie par minute de l'Enquête nationale sur la santé et la nutrition (2011–2014), les auteurs ont analysé l'effet de l'âge sur l'activité physique.
  • Résultats RPCS : N'ont pas détecté d'effet significatif de l'âge sur les quatre premières composantes principales (valeurs p > 0,05), conduisant à la conclusion que l'âge n'a aucun effet sur les schémas d'activité dans le groupe d'âge 56–62 ans.
  • Résultats FoSR : Ont détecté un effet négatif significatif de l'âge sur l'activité spécifiquement pendant les premières heures du matin (4 h – 7 h) et les périodes du soir, avec des valeurs p < 0,001.
  • Échec de la reconstruction : Les auteurs ont démontré que tenter de reconstruire l'effet de l'âge à partir des scores RPCS significatifs produisait un résultat ne correspondant pas à l'estimation FoSR, soulignant l'incapacité de RPCS à retrouver la forme fonctionnelle véritable.

Portée et affirmations
L'article affirme que le pipeline « ACP puis régression », bien que populaire pour sa simplicité, est fondamentalement défectueux pour les tests d'hypothèses et l'estimation d'effets dans les contextes de données fonctionnelles. Les auteurs affirment que :

1. RPCS est statistiquement équivalente à l'ajustement d'un modèle mal spécifié, entraînant une perte systématique de puissance souvent négligée.
2. La méthode peut produire des faux négatifs, en particulier lorsque le signal véritable est de faible à modéré ou n'est pas parfaitement aligné avec les directions de variance maximale dans les données.
3. Le problème ne se limite pas aux données fonctionnelles mais s'étend à toute analyse de résultats de haute dimension (par exemple, génomique, imagerie) où les scores de vecteurs propres sont régressés sur des covariables.
4. La Régression Fonction sur Scalaire (FoSR) offre une alternative robuste qui évite ces écueils en modélisant directement la moyenne conditionnelle de la variable de réponse fonctionnelle, fournissant une inférence valide et une puissance supérieure.

Les auteurs concluent que la commodité de RPCS s'accompagne d'un coût significatif pour la puissance statistique, la reconstruction du signal et la validité de l'inférence scientifique, appelant à un passage vers des approches de modélisation fonctionnelle directe comme FoSR.