PCA score regression: the art of losing power

तकनीकी सारांश: PCA स्कोर रिग्रेशन: शक्ति खोने की कला

समस्या विवरण
यह शोध पत्र कार्यात्मक डेटा (functional data) के विश्लेषण में एक व्यापक पद्धतिगत समस्या को संबोधित करता है: विषय-विशिष्ट प्रधान घटक स्कोर (subject-specific principal component scores - RPCS) का स्केलर सहचरों (scalar covariates) पर रिग्रेशन। यह दो-चरणीय दृष्टिकोण—पहले डेटा से स्कोर निकालने के लिए प्रिंसिपल कंपोनेंट एनालिसिस (PCA) या सिंगुलर वैल्यू डिकंपोजिशन (SVD) करना, और फिर इन स्कोर का सहचरों पर रिग्रेशन करना—जीनोमिक्स और न्यूरोइमेजिंग से लेकर शारीरिक गतिविधि की निगरानी जैसे क्षेत्रों में व्यापक रूप से उपयोग किया जाता है। लेखक तर्क देते हैं कि यद्यपि RPCS गणनात्मक रूप से सुविधाजनक है, लेकिन यह सांख्यिकीय रूप से एक गलत निर्दिष्ट मॉडल (misspecified model) को फिट करने के समान है। यह गलत विनिर्देश (misspecification) एक गंभीर, और अक्सर अनसुनी रहने वाली सांख्यिकीय शक्ति की हानि, मल्टीप्लिसिटी (multiplicity) को अनदेखा करने पर बढ़ी हुई टाइप I त्रुटि दर (Type I error rates), और वास्तविक कार्यात्मक प्रभावों के संबंध में अमान्य निष्कर्षों की ओर ले जाता है।

कार्यप्रणाली
लेखक दो दृष्टिकोणों की तुलना करते हुए एक कठोर सैद्धांतिक ढांचा स्थापित करते हैं:

1. फंक्शन ऑन स्केलर रिग्रेशन (FoSR): एक सही ढंग से निर्दिष्ट मॉडल जहाँ कार्यात्मक परिणाम $W_i(s)$ को स्केलर सहचरों $X_i$ और रैंडम इफेक्ट्स के एक फलन के रूप में सीधे मॉडल किया जाता है:
   $$W_i(s) = \beta_0(s) + \sum_{q=1}^Q X_{iq}\beta_q(s) + \sum_{l=1}^{L_{true}} \xi_{il}\phi_l(s) + \epsilon_i(s)$$
   यहाँ, $\beta_q(s)$ रुचि के फिक्स्ड-इफेक्ट फंक्शन्स को दर्शाता है, और अनुमान (inference) सीधे इन फलनों पर किया जाता है।

2. RPCS (गलत निर्दिष्ट मॉडल): एक मानक दो-चरणीय प्रक्रिया जहाँ स्कोर $\xi^M_{il}$ को अनुमानित आइजनफंक्शन्स (eigenfunctions) $\phi^M_l(s)$ के आधार पर डेटा मैट्रिक्स $W$ पर पहले PCA लागू किया जाता है। इन स्कोरों का फिर सहचरों पर रिग्रेशन किया जाता है:
   $$\xi^M_{il} = b_{0l} + \sum_{q=1}^Q b_{ql}X_{iq} + e_{il}$$

मुख्य सैद्धांतिक योगदान थ्योरम 1 है, जो यह प्रदर्शित करता है कि RPCS ढांचे में रिग्रेशन गुणांक $b_{ql}$, वास्तविक प्रभाव $\beta_q(s)$ नहीं है, बल्कि अनुमानित आइजनफंक्शन्स $\phi^M_l(s)$ पर वास्तविक प्रभाव का आंतरिक उत्पाद (inner product/projection) है:
$$b_{ql} = \int_S \beta_q(s)\phi^M_l(s) ds$$

प्रमुख योगदान और सैद्धांतिक निष्कर्ष
यह शोध पत्र RPCS की सीमाओं के बारे में पाँच प्राथमिक अंतर्दृष्टि प्रदान करता है:

• ऑर्थोगोनैलिटी (Orthogonality) के माध्यम से शक्ति की हानि: RPCS की जुड़ाव का पता लगाने की शक्ति पूरी तरह से वास्तविक प्रभाव $\beta_q(s)$ और अनुमानित आइजनफंक्शन्स $\phi^M_l(s)$ के बीच सहसंबंध पर निर्भर करती है। यदि वास्तविक प्रभाव अग्रणी मुख्य घटकों (leading principal components) के ऑर्थोगोनल है (अर्थात, ऊपर दिया गया समाकलन शून्य है), तो RPPS के पास प्रभाव का पता लगाने के लिए शून्य शक्ति होती है, चाहे प्रभाव का परिमाण कुछ भी हो।
• सिग्नल का तनुकरण (Signal Dilution): भले ही वे पूरी तरह से ऑर्थोगोनल न हों, RPCS वास्तविक फलन $\beta_q(s) = 0$ के लिए एक एकल परीक्षण को छोटे प्रोजेक्टेड सिग्नल्स ($b_{ql}$) के लिए $L_{miss}$ परीक्षणों में बदल देता है। सिग्नल का यह विखंडन स्वाभाविक रूप से FoSR में प्रत्यक्ष मॉडलिंग की तुलना में सांख्यिकीय शक्ति को कम कर देता है।
• मल्टीप्लिसिटी और वृद्धि: कई गुणांकों $b_{ql}$ का परीक्षण मल्टीप्लिसिटी की समस्या पेश करता है। यदि इसे सुधारा नहीं गया, तो यह $\alpha$-लेवल को बढ़ा देता है। यदि इसे सुधारा जाता है (जैसे बोनफेरोनी द्वारा), तो शक्ति और भी कम हो जाती है।
• व्याख्यात्मक मुद्दे (Interpretability Issues): गुणांक $b_{ql}$ मूल डेटा स्पेस में व्याख्या करने में कठिन हैं। केवल महत्वपूर्ण PCs से कार्यात्मक प्रभाव $\hat{\beta}_q(s)$ को पुनर्गठित करने का प्रयास करने पर, चुनी गई PCs के आधार पर मौलिक रूप से भिन्न आकार प्राप्त हो सकते हैं, जिससे पक्षपाती या संदिग्ध जैविक व्याख्याएं उत्पन्न होती हैं।
• अनुमान की वैधता (Inference Validity): वर्तमान RPCS विधियाँ वास्तविक प्रभाव $\beta_q(s)$ के लिए वैध अनुमान प्रदान नहीं करती हैं क्योंकि जिस पर परीक्षण किया जा रहा है वह हाइपोथेसिस ($b_{ql}=0$) वैज्ञानिक हाइपोथेसिस ($\beta_q(s)=0$) से भिन्न है।

अनुभवजन्य परिणाम
लेखक अपने सैद्धांतिक निष्कर्षों को व्यापक सिमुलेशन और एक वास्तविक-डेटा अनुप्रयोग के माध्यम से मान्य करते हैं:

• सिमुलेशन: उन परिदृश्यों में जहाँ वास्तविक प्रभाव ऑर्थोगोनल है या केवल आंशिक रूप से मुख्य घटकों के साथ सहसंबद्ध है, RPCS की शक्ति टेस्ट साइज (कोई पता न चलना) के स्तर तक गिर जाती है, जबकि FoSR उच्च शक्ति बनाए रखता है। सिमुलेशन पुष्टि करते हैं कि शक्ति की हानि सीधे प्रभाव और PCs के बीच सहसंबंध का एक फलन है।
• NHANES अनुप्रयोग: नेशनल हेल्थ एंड न्यूट्रिशन एग्जामिनेशन सर्वे (2011-2014) से मिनट-स्तर के एक्सेलेरोमेट्री डेटा का उपयोग करते हुए, लेखकों ने शारीरिक गतिविधि पर आयु के प्रभाव का विश्लेषण किया।
  • RPCS परिणाम: पहले चार प्रमुख घटकों में से किसी में भी सांख्यिकीय रूप से महत्वपूर्ण आयु प्रभाव का पता लगाने में विफल रहा (p-मान > 0.05), जिससे यह निष्कर्ष निकला कि 56-62 आयु वर्ग में गतिविधि पैटर्न पर आयु का कोई प्रभाव नहीं पड़ता है।
  • FoSR परिणाम: आयु का गतिविधि पर विशेष रूप से सुबह के शुरुआती घंटों (4 AM – 7 AM) और शाम के समय एक महत्वपूर्ण नकारात्मक प्रभाव का पता लगाया (p-मान < 0.001)।
  • पुनर्गठन विफलता (Reconstruction Failure): लेखकों ने प्रदर्शित किया कि केवल महत्वपूर्ण RPCS स्कोर से आयु प्रभाव को पुनर्गठित करने का प्रयास करने पर प्राप्त परिणाम FoSR अनुमान से मेल नहीं खाता है, जो वास्तविक कार्यात्मक आकार को पुनः प्राप्त करने में RPCS की अक्षमता को उजागर करता है।

महत्व और दावे
शोध पत्र का दावा है कि "PCA-फिर-रिग्रेशन" पाइपलाइन, अपनी सरलता के लिए लोकप्रिय होने के बावजूद, कार्यात्मक डेटा सेटिंग्स में परिकल्पना परीक्षण और प्रभाव अनुमान के लिए मौलिक रूप से त्रुटिपूर्ण है। लेखक स्पष्ट करते हैं कि:

1. RP_CS सांख्यिकीय रूप से एक गलत निर्दिष्ट मॉडल को फिट करने के समान है, जिससे शक्ति की व्यवस्थित हानि होती है जिसे अक्सर अनदेखा कर दिया जाता है।
2. यह विधि 'फॉल्स नेगेटिव' (false negatives) उत्पन्न कर सकती है, विशेष रूप से जब वास्तविक सिग्नल छोटा-से-मध्यम हो या डेटा के अधिकतम विचरण (maximal variance) की दिशाओं के साथ पूरी तरह से संरेखित न हो।
3. समस्या केवल कार्यात्मक डेटा तक सीमित नहीं है बल्कि यह किसी भी उच्च-आयामी परिणाम विश्लेषण (जैसे जीनोमिक्स, इमेजिंग) तक विस्तृत है जहाँ आइजनवेक्टर स्कोर का सहचरों पर रिग्रेशन किया जाता है।
4. फंक्शन ऑन स्केलर रिग्रेशन (FoSR) एक मजबूत विकल्प प्रदान करता है जो इन खामियों से बचता है, क्योंकि यह सीधे कार्यात्मक परिणाम के कंडीशनल मीन को मॉडल करता है, जिससे वैध अनुमान और उच्च शक्ति प्राप्त होती है।

लेखक निष्कर्ष निकालते हैं कि RPCS की सुविधा सांख्यिकीय शक्ति, सिग्नल पुनर्निर्माण और वैज्ञानिक अनुमान की वैधता की भारी कीमत पर आती है, और वे FoSR जैसे प्रत्यक्ष कार्यात्मक मॉडलिंग दृष्टिकोणों की ओर बढ़ने का आग्रह करते हैं।