Fixed-level calibration of the Cauchy combination test

1. Il Problema

Il Test di Combinazione di Cauchy (CCT), proposto da Liu e Xie (2020), è ampiamente utilizzato per combinare $K$ p-value in un unico p-value globale. I suoi vantaggi principali sono la forma chiusa del risultato e la stabilità numerica a livelli di significatività molto piccoli.

La giustificazione asintotica standard del CCT si basa su un regime di livello vanishing ($\alpha \downarrow 0$): sotto ampie condizioni di dipendenza, la statistica del test converge alla distribuzione di Cauchy standard quando il livello nominale $\alpha$ tende a zero. Tuttavia, nella pratica (ad esempio in genomica o studi microbiomici), il test viene applicato a livelli fissi convenzionali (es. $\alpha = 0.05$ o $0.01$) con un numero $K$ di test componenti molto grande.

Il problema centrale affrontato da Ota è: il cutoff standard di Cauchy rimane asintoticamente esatto quando $\alpha$ è fissato e $K \to \infty$ in presenza di dipendenza?
La risposta, come dimostrato nel paper, è generalmente negativa. Esiste una distorsione della dimensione (size distortion) che non viene rilevata dall'analisi asintotica classica a livello vanishing.

2. Metodologia e Modello

L'autore analizza il problema sotto un modello di copula Gaussiana equicorrelata a un fattore.

• Struttura della dipendenza: I p-value sono generati da variabili latenti $Z_i$ che condividono un singolo fattore Gaussiano comune $V$.
  $$Z_i = \sqrt{\rho_K} V + \sqrt{1-\rho_K} \varepsilon_i$$
  dove $V \sim N(0,1)$ e $\varepsilon_i \sim N(0,1)$ sono indipendenti.
• Statistica del test: La statistica CCT è la media delle trasformate di Cauchy dei p-value:
  $$T_K = \frac{1}{K} \sum_{i=1}^K \tan\left(\pi(\Phi(Z_i) - 1/2)\right)$$
• Regime di studio: L'analisi si concentra sul regime triangolare dove $K \to \infty$ e la correlazione comune $\rho_K$ può essere fissa o decrescente ($\rho_K \downarrow 0$).

3. Contributi Chiave e Risultati Teorici

A. Comportamento del CCT "Raw" (Non Calibrato)

L'analisi rivela che la distorsione della dimensione non deriva dalla fluttuazione della statistica stessa, ma da uno spostamento deterministico (centring term) nella distribuzione nulla causato dal fattore latente $V$.

1. Correlazione Fissa ($\rho > 0$): Se la correlazione è fissa e positiva, la statistica $T_K$ converge quasi certamente a una variabile casuale dipendente da $V$ ($\mu_\rho(V)$). Non esiste una legge di riferimento universale fissa; la probabilità di rifiuto dipende dalla distribuzione di $\mu_\rho(V)$, rendendo il test non esatto.

2. Correlazione Decrescente ($\rho_K \downarrow 0$): Quando la correlazione diminuisce con $K$, il comportamento è governato da due scale logaritmiche:

   • Scala più ampia: $c_K = \rho_K \log K$.
   • Scala dello strato limite (Boundary-layer scale): $s_K = \sqrt{\rho_K} (\log K)^{3/2}$.

   Il risultato fondamentale è che il CCT grezzo è asintoticamente esatto a livello fisso se e solo se:
   $$\rho_K (\log K)^3 \to 0$$
   Se questa condizione non è soddisfatta (ma $s_K$ rimane limitato), la distribuzione nulla di $T_K$ è una Cauchy spostata di un termine deterministico proporzionale a $s_K V$. Questo porta a una distorsione della dimensione esplicita. Se $s_K \to \infty$, la probabilità di rifiuto converge a $1/2$, rendendo il test completamente inutile.

B. La Soluzione: BL-CCT (Boundary-Layer Calibrated CCT)

Poiché la distorsione deriva dalla legge di riferimento (la distribuzione di Cauchy standard) e non dalla statistica $T_K$, l'autore propone di correggere solo la legge di riferimento, mantenendo invariata la statistica del test.

• Famiglia di riferimento calibrata: Si sostituisce la coda di Cauchy standard con una famiglia di distribuzioni "Cauchy lisciata da Gaussiana" (Gaussian-smoothed Cauchy):
  $$T_s \stackrel{d}{=} C + \kappa s V$$
  dove $C \sim \text{Cauchy}(0,1)$, $V \sim N(0,1)$, e $s$ è il parametro dello strato limite.
• Cutoff calibrato: Il nuovo cutoff $q_\alpha(s_K)$ è definito come il quantile di questa nuova distribuzione, che dipende da $s_K$.
• Condizione di esattezza migliorata: Con la calibrazione BL-CCT, l'esattezza asintotica è garantita sotto una condizione molto più debole:
  $$\rho_K \log K \to 0$$
  Questo rappresenta un miglioramento significativo rispetto alla condizione $\rho_K (\log K)^3 \to 0$ richiesta dal CCT grezzo.

C. Comportamento su Scala più Ampia

Quando la scala più ampia $c_K = \rho_K \log K$ non tende a zero (ma rimane limitata), la calibrazione BL-CCT non elimina completamente la distorsione, ma la rende conservativa. La dimensione asintotica converge a una funzione $\Xi_\alpha(c) < \alpha$ per i livelli convenzionali (es. 0.05, 0.1), garantendo che il tasso di falsi positivi non superi il livello nominale.

4. Validazione Numerica

L'autore presenta esperimenti Monte Carlo che confermano la teoria:

• Il CCT grezzo mostra una forte distorsione della dimensione (size inflation) all'aumentare di $s_K$, superando spesso il livello nominale del 0.05.
• Il BL-CCT (sia nella versione "oracle" con $\rho_K$ noto, sia nella versione "plug-in" con stima di $\rho_K$) mantiene la dimensione molto vicina al livello nominale, riducendo drasticamente la distorsione.
• Gli esperimenti confermano che quando $c_K$ è non nullo, il BL-CCT diventa conservativo, come previsto dalla teoria.

5. Significato e Implicazioni

• Correzione senza modifica della statistica: A differenza di approcci precedenti che modificano i pesi o troncano la statistica (rendendo il calcolo più complesso), il BL-CCT preserva la semplicità computazionale del CCT originale, correggendo solo il p-value calcolato.
• Robustezza nella pratica: Fornisce una giustificazione teorica rigorosa per l'uso del CCT in scenari di grandi dimensioni ($K$ grande) con dipendenza debole ma non nulla, un contesto comune nelle scienze omiche.
• Generalizzabilità: L'autore nota che il meccanismo di distorsione (spostamento deterministico dovuto a fattori latenti) non è specifico della trasformata di Cauchy, ma si applica a qualsiasi regola di combinazione basata su funzioni di punteggio a variazione regolare con indice di coda 1 (es. media armonica dei p-value).

In sintesi, il paper risolve il divario tra teoria asintotica (livello vanishing) e pratica (livello fisso) per il CCT, identificando la scala critica $s_K$ e proponendo una calibrazione semplice ed efficace che garantisce la validità del test in presenza di dipendenza strutturata.