📊 statistics

A Permutation Test for a Modified Spearman’s Rank Correlation Using Martingale-Residual Ranks Under Right Censoring

Cet article propose un test de permutation robuste pour un coefficient de corrélation de rang de Spearman modifié qui utilise des résidus de martingales univariés pour traiter efficacement les données censurées à droite, assurant un contrôle asymptotiquement correct de l'erreur de type I et se réduisant au test classique en l'absence de censure.

Auteurs originaux : Alan D. Hutson, Han Yu

Publié 2026-08-07

📖 4 min de lecture☕ Lecture pause café

CC BY 4.0

Auteurs originaux : Alan D. Hutson, Han Yu

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous êtes un détective tentant de résoudre un mystère : « Ces deux choses se produisent-elles ensemble ? » Dans le monde des statistiques, cela s'appelle chercher une corrélation. Habituellement, si vous voulez savoir si deux variables sont liées, vous les alignez et regardez si elles marchent au même pas. Mais que se passe-t-il lorsque vos indices sont incomplets ? Dans le monde de la médecine et de la biologie, nous suivons souvent le temps qu'il faut pour que quelque chose se produise — comme la guérison d'un patient ou la panne d'une machine — mais parfois l'événement ne s'est pas encore produit lorsque l'étude se termine. Nous appelons cela la « censure ». C'est comme regarder une course où certains coureurs sont encore sur la piste quand la caméra s'arrête ; vous savez qu'ils couraient, mais vous ne savez pas s'ils ont fini premiers ou derniers.

Pendant des décennies, les statisticiens ont eu un outil favori pour vérifier si deux choses sont liées sans supposer une relation linéaire : le coefficient de corrélation de rang de Spearman. Considérez cela comme une façon de dire : « Quand une chose augmente, est-ce que l'autre augmente aussi ? » en se basant uniquement sur leur ordre, et non sur leurs nombres exacts. C'est robuste, fiable, et cela fonctionne très bien lorsque vous avez une liste complète de résultats. Mais quand la « censure » entre dans la pièce — quand certaines données sont interrompues — cet outil classique tombe en panne. Les anciennes méthodes soit abandonnent, soit deviennent trop conservatrices (manquant de vraies connexions), soit ne peuvent pas dire si un lien est réellement présent ou s'il s'agit d'un simple hasard. Les scientifiques étaient coincés, ayant besoin d'une nouvelle façon de classer ces coureurs incomplets pour voir s'ils couraient réellement en synchronisation.

Ce document présente un nouvel outil de détective ingénieux pour résoudre exactement ce problème. Les auteurs, Alan D. Hutson et Han Yu, proposent une méthode qui utilise ce qu'on appelle les « résidus de Martingale » pour réparer le système de classement défaillant. Imaginez les données censurées comme un puzzle avec des pièces manquantes. Au lieu de deviner, leur méthode utilise un tour mathématique (basé sur l'estimateur de Kaplan-Meier, une façon standard d'estimer les taux de survie) pour combler les pièces manquantes avec les « valeurs fantômes » les plus logiques. Ces valeurs fantômes, ou résidus, agissent comme un pont : s'il n'y a pas de censure, elles disparaissent et l'outil fonctionne exactement comme le test de Spearman classique. Mais s'il y a de la censure, elles ajustent les rangs afin que les données incomplètes puissent toujours être comparées équitablement.

Les chercheurs ont ensuite soumis ce nouvel outil à une série de tests rigoureux. Ils ont simulé des milliers de scénarios où les données étaient coupées à différents taux — parfois 50 % des données manquaient, parfois 67 % — pour voir si leur méthode pouvait identifier correctement un lien lorsqu'il existait et dire correctement « aucun lien » lorsqu'il n'y en avait pas. Les résultats étaient prometteurs : le nouveau test maintenait son « erreur de type I » (le risque de crier au loup et de trouver une connexion qui n'existe pas) sous un contrôle strict, restant pile aux niveaux attendus de 5 % ou 1 %. Plus important encore, il était bien meilleur pour détecter les véritables connexions que la meilleure alternative précédente (une statistique de Kendall modifiée), qui avait tendance à être trop prudente et à manquer le signal.

Pour prouver son efficacité dans le monde réel, les auteurs ont appliqué leur méthode à deux ensembles de données médicales réelles. Dans l'un, ils ont observé combien de temps les greffes de peau survivaient sur des patients brûlés ; dans l'autre, ils ont examiné la fréquence des infections chez des patients rénaux utilisant des équipements de dialyse portables. Dans les deux cas, le nouveau test a trouvé un lien positif statistiquement significatif entre les résultats appariés, avec des p-values de 0,044 et 0,031 respectivement. Cela suggère que la méthode est prête à aider les chercheurs à démêler des données médicales complexes et incomplètes, offrant un moyen fiable de voir si deux temps de survie marchent au même pas, même quand la course n'est pas terminée pour tout le monde.

Résumé Technique : Un test de permutation pour une corrélation de rang de Spearman modifiée utilisant les rangs de résidus de martingales sous censure à droite

Énoncé du Problème
Les mesures d'association basées sur les rangs, en particulier le coefficient de corrélation de rang de Spearman ( $\rho_s$ ), sont des outils fondamentaux en statistique non paramétrique pour capturer les relations monotones. Cependant, leur application aux données de survie soumises à une censure à droite présente des défis importants. Bien que la littérature récente ait proposé des estimateurs de corrélations de type « Spearman » qui se réduisent au coefficient classique en l'absence de censure, ces méthodes ne parviennent généralement pas à fournir un test d'hypothèse valide pour $H_0: \rho_s = 0$ avec un contrôle correct de l'erreur de type I sous la censure. Les alternatives existantes, telles que les mesures de concordance de type Kendall adaptées à la censure, offrent des tests d'indépendance mais ne ciblent pas $\rho_s$ et sont souvent conservatrices. Par conséquent, il existe une lacune pour une méthode qui (i) parvient à un contrôle asymptotiquement correct de l'erreur de type I sous la censure à droite, (ii) s'applique lorsque l'une ou les deux marges sont censurées, et (iii) se réduit exactement au test de permutation de Spearman classique en l'absence de censure. À la connaissance des auteurs, aucune méthode existante ne satisfait simultanément ces trois critères.

Méthodologie
Les auteurs proposent un cadre de test de permutation robuste basé sur les Résidus de Martingales Univariés (RMU). La méthodologie suit les étapes suivantes :

Transformation des Données : Pour des temps de défaillance appariés $(S_i, T_i)$ soumis à une censure à droite indépendante $(C_i, D_i)$ , les données observées sont $(X_i, \delta_{Si})$ et $(Y_i, \delta_{Ti})$ . La méthode construit des RMU en utilisant les estimateurs de la fonction de risque cumulée de Kaplan–Meier ( $\hat{H}_S$ et $\hat{H}_T$ ) :
$m_{Si} = \delta_{Si} - \hat{H}_S(X_i), \quad m_{Ti} = \delta_{Ti} - \hat{H}_T(Y_i)$
Ces résidus servent de transformation génératrice de rangs. En l'absence de censure, ils se réduisent à des transformations strictement monotones des données originales. Sous la censure, ils intègrent l'information de survie via l'estimateur de Kaplan–Meier tout en préservant l'ordre des temps observés avec une probabilité élevée.
Calcul des Rangs : Les RMU sont classés pour obtenir des rangs appariés $(a_i, b_i)$ .
Statistique de Test : Un coefficient de corrélation de rang de Spearman modifié, $r_s(m_S, m_T)$ , est calculé sur la base de ces rangs. Pour faciliter le test de permutation, une statistique studentisée $R_s = r_s / \hat{\tau}_n$ est construite, où $\hat{\tau}_n$ est un estimateur de variance dérivé des moments des rangs.
Cadre de Permutation : L'hypothèse nulle $H_0: \rho_s = 0$ est testée en permutant les rangs de la seconde variable ( $b_i$ ) tout en maintenant la première fixe. La valeur $p$ est dérivée de la distribution de permutation de la statistique studentisée.

Fondements Théoriques
La validité du test repose sur plusieurs conditions de régularité standards en analyse de survie (temps de défaillance i.i.d., censure indépendante, distributions continues, et cohérence forte uniforme des estimateurs de Kaplan–Meier).

Échangeabilité Asymptotique : Sous $H_0$ , les rangs normalisés des RMU convergent presque sûrement vers des variables aléatoires uniformes indépendantes. Cela établit que la distribution jointe des paires classées est asymptotiquement invariante sous les permutations.
Validité de la Distribution de Permutation : En exploitant la décomposition de Hoeffding de la statistique et le processus de studentisation, les auteurs démontrent que la distribution de permutation estime de manière cohérente la distribution d'échantillonnage de la statistique de test.
Contrôle de l'Erreur de Type I Asymptotique : La procédure garantit que la probabilité de rejet converge vers le niveau de signification nominal $\alpha$ à mesure que la taille de l'échantillon augmente.
Propriété de Réduction : En l'absence de censure, les RMU deviennent des transformations strictement monotones des données originales, garantissant que le test se réduit exactement au test de permutation studentisé classique pour $\rho_s$ de Spearman.

Résultats
Les auteurs ont évalué la méthode par des études de simulation et des applications sur des données réelles :

Études de Simulation : Deux scénarios ont été examinés avec des degrés de censure variables (modérée $\approx$ $\approx$ 50 % et forte $\approx$ $\approx$ 67 %).
- Erreur de Type I : Le test proposé a démontré un fort contrôle de l'erreur de type I pour toutes les tailles d'échantillon et tous les niveaux de signification ( $\alpha = 0,01, 0,05, 0,10$ ).
- Puissance : Le test a affiché une puissance compétitive par rapport au test de corrélation de Pearson classique appliqué aux données entièrement observées, même en présence de censure.
- Comparaison : La méthode proposée a nettement surpassé la statistique de concordance de Kendall modifiée (Oakes, 1987), qui s'est révélée très conservatrice (erreur de type I $< 0,002$ ) et possédait une puissance nettement inférieure.
Exemples de Données Réelles :
1. Survie des Greffes Cutanées : L'analyse des temps de survie appariés pour des patients brûlés ( $n=11$ ) a révélé une association positive significative ( $p=0,044$ ).
2. Récurrence d'Infection Rénale : L'analyse des temps de récurrence pour des patients rénaux utilisant la dialyse ( $n=38$ ) avec des modèles de censure mixtes a montré une association positive statistiquement significative ( $p=0,031$ ).

Signification et Revendications
L'article affirme combler une lacune méthodologique critique en fournissant un test d'hypothèse pour $H_0: \rho_s = 0$ sous la censure à droite qui satisfait trois critères spécifiques : la correction asymptotique, l'applicabilité aux marges censurées simplement ou doublement, et la réduction exacte au test classique en l'absence de censure. À la connaissance des auteurs, aucune méthode existante ne satisfait ces trois critères. Les auteurs soulignent que la méthode est « simple et robuste », offrant un outil fiable pour les applications biomédicales où les résultats de survie appariés sont courants. La disponibilité des implémentations logicielles en R est mise en avant comme un facteur clé pour faciliter l'adoption de cette méthodologie. Les auteurs positionnent ce travail comme un fondement pour de futures extensions, telles que les tests exacts d'indépendance et les corrélations de rang ajustées par covariables, mais ne revendiquent pas de solutions immédiates pour ces problèmes plus larges.

Articles similaires