Improving the adjusted Benjamini--Hochberg method using e-values in knockoff-assisted variable selection

Titolo

Miglioramento del metodo di Benjamini-Hochberg aggiustato utilizzando e-valori nella selezione delle variabili assistita da knockoff

1. Il Problema

Il lavoro affronta il problema della selezione delle variabili in modelli di regressione lineare classica ($Y = X\beta + \varepsilon$) in contesti moderni dove il numero di predittori ($m$) è elevato, spesso confrontabile o superiore al numero di osservazioni ($n$), sebbene il lavoro si concentri principalmente sul regime $n \ge 2m$.

L'obiettivo è identificare i coefficienti $\beta_j$ diversi da zero (variabili rilevanti) controllando il Tasso di Falsi Scoperte (FDR).

• Sfida principale: Le statistiche di test basate sui coefficienti stimati ($\hat{\beta}$) presentano strutture di dipendenza arbitrarie, rendendo inadeguato il metodo classico di Benjamini-Hochberg (BH).
• Soluzioni esistenti:
  • Il metodo Knockoff di Barber e Candès [1]: Un approccio privo di p-value che costruisce variabili "knockoff" per controllare l'FDR, ma che può essere conservativo in scenari con segnali deboli o pochi segnali reali.
  • Il metodo Bonferroni-Benjamini-Hochberg (Bon-BH) di Sarkar e Tang [17]: Un approccio ibrido che utilizza due set di stime per generare due set di p-value, combinando un filtro di screening (Bonferroni) con il test BH. Sebbene migliori il Knockoff in alcuni scenari, è visto come un caso limite di una procedura più generale.

2. Metodologia Proposta

Gli autori reinterpretano il framework di Sarkar e Tang [17] attraverso la lente dei p-to-e calibrators (calibratori da p-value a e-value). L'idea centrale è trasformare i p-value di una prima fase in e-value, che vengono poi utilizzati come pesi (non normalizzati o normalizzati) per modulare l'importanza dei p-value di una seconda fase.

Il framework proposto introduce tre procedure distinte:

1. Metodo 1 (Ep-BH):

   • Trasforma i p-value della prima fase ($P^{(1)}$) in e-value ($S^{(1)}$) utilizzando un calibratore $g$.
   • Utilizza questi e-value come pesi non normalizzati per i p-value della seconda fase ($P^{(2)}$), calcolando $\tilde{P}_j = P^{(2)}_j / S^{(1)}_j$.
   • Applica il classico procedure BH sui p-value aggiustati.
   • Garanzia: Controllo esatto dell'FDR in campioni finiti (a livello $\pi_0 \alpha$).

2. Metodo 2 (Ep-BH Adattivo):

   • Stima la proporzione di ipotesi nulle vere ($\pi_0$) utilizzando i p-value della seconda fase (metodo di Storey).
   • Incorpora questa stima nella procedura BH adattiva, utilizzando gli e-value della prima fase come pesi.
   • Garanzia: Controllo asintotico dell'FDR.

3. Metodo 3 (BH Adattivo Ponderato):

   • Normalizza gli e-value della prima fase affinché la loro somma sia uguale a $m$, trasformandoli in pesi $W_j$ per la procedura BH ponderata.
   • Stima una proporzione di nulli adattiva ($\hat{\delta}_0$) che tiene conto della variabilità dei pesi.
   • Applica la procedura BH adattiva ponderata sui p-value della seconda fase.
   • Garanzia: Controllo asintotico dell'FDR.

Ruolo dei Calibratori:
Un contributo chiave è l'uso di calibratori limitati (bounded calibrators). Mentre i calibratori classici (ad es. $1/\sqrt{P}$) possono essere non limitati e instabili, gli autori propongono calibratori limitati (es. $g(t) = C(1-t^a)$). Questo evita l'inflazione della varianza e permette una gestione più robusta dei pesi.

• Insight teorico: Il metodo Bon-BH di Sarkar e Tang [17] emerge come un caso speciale del framework proposto quando si utilizza un calibratore "tutto-o-niente" (all-or-nothing) estremo. I nuovi metodi generalizzano questo approccio con calibratori continui e più flessibili.

3. Contributi Chiave

• Unificazione Teorica: Dimostrano che le procedure esistenti (Knockoff-assisted Bon-BH) sono casi particolari di un framework più generale basato sulla calibrazione p-to-e.
• Nuovi Algoritmi: Propongono tre procedure (due adattive e una ponderata) che integrano e-value come pesi nella selezione delle variabili assistita da knockoff.
• Flessibilità e Stabilità: L'uso di calibratori limitati permette una migliore assegnazione dei pesi, migliorando la potenza statistica senza compromettere il controllo dell'FDR.
• Generalizzazione: Il metodo si applica sia al regime $n \ge 2m$ che, con adattamenti, a $m < n \le 2m$.

4. Risultati Sperimentali

Gli autori hanno valutato i metodi attraverso simulazioni e un'analisi su dati reali (resistenza ai farmaci HIV-1).

Simulazioni:

• Scenario: Regressione lineare con variabili correlate (struttura AR(1)), variando forza del segnale ($\gamma$), numero di variabili ($m$), e dimensione campionaria ($n$).
• Confronto: M0 (Knockoff originale), M1/M2 (Bon-BH e adattivo di Sarkar & Tang), M3/M4/M5 (Metodi proposti).
• Risultati:
  • Tutti i metodi controllano l'FDR ai livelli nominali ($\alpha=0.05, 0.1$).
  • I metodi proposti (M3, M4, M5) mostrano una potenza significativamente superiore rispetto al Knockoff originale e ai metodi di Sarkar & Tang, specialmente in scenari con segnali deboli, basso FDR target e poche variabili rilevanti.
  • Il metodo Knockoff originale tende a essere eccessivamente conservativo (bassa potenza) quando il segnale è debole.
  • I metodi M4 e M5 mostrano performance quasi identiche, con M5 che offre talvolta un leggero vantaggio in scenari molto sparsi.

Analisi dei Dati Reali (HIV-1):

• Dataset: Resistenza ai farmaci inibitori della proteasi (PI) in 846 campioni con 99 posizioni genetiche.
• Risultato: I metodi proposti (M3, M4, M5) hanno identificato un numero maggiore di mutazioni rilevanti (sia quelle note biologicamente che nuove scoperte) rispetto al Knockoff e ai metodi precedenti, mantenendo un controllo rigoroso dell'FDR. Il metodo Knockoff originale non ha rilevato posizioni significative a $\alpha=0.05$.

5. Significato e Implicazioni

Questo lavoro rappresenta un avanzamento significativo nella statistica multivariata per la selezione delle variabili:

1. Superamento dei limiti del Knockoff: Offre un'alternativa più potente al filtro Knockoff classico, specialmente nei casi pratici dove i segnali sono deboli e sparsi, una situazione comune in genomica e bioinformatica.
2. Integrazione di E-value: Introduce l'uso degli e-value non solo come strumento di inferenza, ma come meccanismo di ponderazione sofisticato all'interno di procedure basate su p-value, unendo i vantaggi di entrambi gli approcci.
3. Robustezza: La proposta di calibratori limitati risolve problemi di instabilità numerica e varianza, rendendo le procedure più affidabili in applicazioni reali.
4. Futuro: Il framework apre la strada all'estensione a modelli lineari generalizzati (GLM) e all'ottimizzazione di strategie di ponderazione basate su informazioni ausiliarie.

In sintesi, gli autori dimostrano che reinterpretare la selezione delle variabili assistita da knockoff attraverso la calibrazione p-to-e permette di costruire procedure che sono teoricamente solide, adattive e, soprattutto, molto più potenti nelle applicazioni pratiche rispetto agli standard attuali.