Resampling-based multi-resolution false discovery exceedance control

Sintesi Tecnica: Controllo dell'Eccedenza delle Scoperte False Multi-risoluzione basato su Ricampionamento

Enunciato del Problema
Le procedure di test multiplo sono essenziali per controllare i tassi di errore quando si testano un gran numero di ipotesi. Mentre il controllo del Tasso di Errore Familiare (FWER) garantisce l'assenza di falsi positivi, è spesso eccessivamente conservativo. Il controllo dell'Eccedenza delle Scoperte False (FDX) offre un'alternativa più flessibile, garantendo che la Proporzione di Scoperte False (FDP)—la frazione di scoperte false tra tutti i rigetti—superi una soglia predefinita $\gamma$ con probabilità al massimo $\alpha$.

I metodi FDX esistenti basati sul ricampionamento, come la procedura Romano-Wolf, sono potenti in presenza di dipendenza ma tipicamente mancano di garanzie simultanee. Al contrario, i metodi FDP simultanei esistenti (ad esempio, Hemerik et al., 2019) forniscono involucri di confidenza per le FDP attraverso varie soglie, ma non sono ottimizzati per un target FDX specifico $\gamma$, risultando spesso in una potenza inferiore per il controllo FDX. Inoltre, molti metodi simultanei si basano su involucri di confidenza con forme che devono essere scelte indipendentemente dai dati, un vincolo che ne limita l'adattabilità e la potenza.

Metodologia
Il documento propone un metodo basato sul ricampionamento che generalizza la popolare procedura maxT per ottenere un controllo FDX multi-risoluzione. Il metodo richiede lo stesso input di maxT: una matrice di statistiche test ricampionate (tramite permutazione o bootstrap).

1. Procedura a Passo Singolo:
   Il nucleo del metodo definisce una soglia di rigetto $q$. Per un insieme di trasformazioni $\mathcal{G}$ (ad esempio, permutazioni), il metodo calcola una statistica $s_g$ per ogni trasformazione $g \in \mathcal{G}$:
   $$s_g = \sup \left\{ t \in \mathbb{R} : \frac{R(t, gX)}{R(t, X) \vee 1} > \gamma \right\}$$
   dove $R(t, X)$ è il numero di rigetti alla soglia $t$ per i dati osservati, e $R(t, gX)$ è il numero di rigetti per i dati trasformati. Il termine $R(t, gX)$ funge da stima conservativa del numero di falsi positivi. La soglia finale $q$ è la quantile $(1-\alpha)$ dei valori $\{s_g\}_{g \in \mathcal{G}}$.

2. Procedura Sequenziale:
   Viene introdotta una variante sequenziale per migliorare uniformemente la potenza. Essa affina iterativamente la soglia identificando sottoinsiemi di ipotesi che sono probabilmente nulli veri e ricalcolando la soglia basandosi su questi sottoinsiemi. Questo processo converge a una soglia limite $q_{lim} \leq q$.

3. Garanzia Multi-risoluzione:
   Il metodo fornisce una garanzia simultanea: con probabilità almeno $1-\alpha$, per tutte le soglie $t \geq q$, la FDP è limitata da $\gamma$. Ciò permette ai ricercatori di "zoomare" su sottoinsiemi delle ipotesi più significative (ad esempio, i primi $k$ rigetti) e affermare che anche la loro FDP è limitata da $\gamma$, senza necessità di aggiustare $\alpha$ o $\gamma$. Significativamente, se il numero di rigetti è sufficientemente piccolo (specificamente $< \gamma^{-1}$), il metodo garantisce il controllo FWER (FDP = 0) simultaneamente al controllo FDX.

Contributi Chiave

• Controllo FDX Simultaneo: Il documento introduce il primo metodo per fornire un controllo FDX simultaneo attraverso multiple risoluzioni (soglie) mantenendo una potenza comparabile ai metodi non simultanei come Romano-Wolf.
• Involucri Dipendenti dai Dati: Il metodo è formulato come una generalizzazione dei precedenti approcci simultanei (Hemerik et al., 2019). Una innovazione teorica chiave è l'uso di involucri di confidenza la cui forma dipende dai dati (specificamente i conteggi di rigetto osservati $R(t)$). I metodi precedenti richiedevano forme di involucro indipendenti dai dati per mantenere la validità, il che ne limitava la potenza.
• Connessione con maxT: Si dimostra che il metodo proposto coincide con le procedure maxT a passo singolo e sequenziale quando $\gamma = 0$. All'aumentare di $\gamma$, la potenza del metodo aumenta, consentendo una frazione controllata di falsi positivi.
• Praticità: Il metodo non richiede parametri di taratura oltre $\alpha$ e $\gamma$ (a differenza di Hemerik et al., 2019, che richiede involucri candidati e altri parametri). È implementato nel pacchetto R rFDP.

Risultati

• Simulazioni: In simulazioni con dati correlati, il metodo proposto ha dimostrato una potenza comparabile alla procedura Romano-Wolf, considerata il metodo FDX non simultaneo più potente. Ha superato significativamente il metodo Lehmann-Romano (che è conservativo in presenza di dipendenza) e il metodo di Hemerik et al. (2019) quando tarato per il controllo FDX.
• Analisi su Dati Reali:
  • Produzione di Riboflavina: Applicato a dati di espressione genica, il metodo ha rigettato 186 ipotesi a $\gamma=0.1$ con una confidenza del 95%. Simultaneamente, ha fornito garanzie che i primi 19 ipotesi contenevano al massimo una scoperta falsa, e i primi 9 contenevano zero scoperte false (controllo FWER).
  • Recensioni Musicali: Applicato ai punteggi delle recensioni di album, il metodo ha identificato tendenze nei punteggi degli artisti. Ha dimostrato la capacità di rigettare ipotesi a diverse risoluzioni (ad esempio, rigettando 22 ipotesi a $\gamma=0.2$ garantendo simultaneamente che i primi 4 non contenessero scoperte false).

Significato e Affermazioni
Il documento afferma che i metodi FDX possono spesso essere resi simultanei "quasi gratuitamente" in termini di perdita di potenza. Consentendo alla forma dell'involucro di confidenza di dipendere dai dati, il metodo risolve un limite maggiore delle precedenti tecniche di inferenza simultanea. Gli autori sottolineano che il metodo è valido sotto le stesse assunzioni del metodo Romano-Wolf (specificamente, un'assunzione di invarianza sulle statistiche test delle ipotesi nulle vere). Sebbene il metodo assuma un'invarianza condizionata per la validità in campioni finiti, gli autori notano che questa assunzione potrebbe non essere necessaria asintoticamente e che le simulazioni suggeriscono che l'invarianza incondizionata più debole è spesso sufficiente nella pratica.

Il lavoro colma il divario tra il controllo FDX potente e non simultaneo e l'inferenza FDP simultanea, offrendo uno strumento che permette ai ricercatori di esplorare i dati a vari livelli di granularità (risoluzioni) mantenendo rigorose garanzie statistiche.