Resampling-based multi-resolution false discovery exceedance control

技術的サマリー：リサンプリングに基づくマルチ解像度の偽発見超過制御

問題定義
多数の仮説を検定する際、誤り率を制御するために多重検定手順は不可欠である。家族全体誤り率（FWER）の制御は偽陽性を全く生じさせないことを保証するが、しばしば過度に保守的である。偽発見超過（FDX）制御は、より柔軟な代替手段を提供し、すべての棄却に占める偽発見の割合である偽発見割合（FDP）が、事前に指定された閾値 $\gamma$ を超える確率が $\alpha$ 以下であることを保証する。

既存のリサンプリングに基づく FDX 手法（例えば Romano-Wolf 手順）は、依存関係下では強力であるが、通常、同時保証を欠いている。一方、既存の同時 FDP 手法（Hemerik ら、2019 年など）は、さまざまな閾値に対する FDP に対する信頼包絡線を提供するが、特定の FDX 目標 $\gamma$ に対して最適化されていないため、FDX 制御における検出力が低下する傾向がある。さらに、多くの同時手法は、データに独立して選択されなければならない形状を持つ信頼包絡線に依存しており、この制約がその適応性と検出力を制限している。

手法
本論文は、人気のある maxT 手順を一般化し、マルチ解像度の FDX 制御を達成するリサンプリングに基づく手法を提案する。この手法は、maxT と同じ入力（順列またはブートストラップによるリサンプリング検定統計量の行列）を必要とする。

1. 単一ステップ手順:
   この手法の核心は、棄却閾値 $q$ を定義することである。変換の集合 $\mathcal{G}$（例えば順列）に対して、各変換 $g \in \mathcal{G}$ に対して統計量 $s_g$ を計算する：
   $$s_g = \sup \left\{ t \in \mathbb{R} : \frac{R(t, gX)}{R(t, X) \vee 1} > \gamma \right\}$$
   ここで、$R(t, X)$ は観測データにおける閾値 $t$ での棄却数、$R(t, gX)$は変換されたデータにおける棄却数である。項$R(t, gX)$は偽陽性の数の保守的な推定値として機能する。最終的な閾値$q$は、値の集合${s_g}_{g \in \mathcal{G}}$の$(1-\alpha)$ 分位数である。

2. 逐次手順:
   検力を均一に向上させるための逐次変種が導入される。これは、真の帰無仮説である可能性が高い仮説の部分集合を特定し、これらの部分集合に基づいて閾値を再計算することで、閾値を逐次的に洗練させる。このプロセスは、極限閾値 $q_{lim} \leq q$ に収束する。

3. マルチ解像度の保証:
   この手法は同時保証を提供する：確率 $1-\alpha$ 以上で、すべての閾値 $t \geq q$ に対して、FDP は $\gamma$ によって上から抑えられる。これにより、研究者は最も有意な仮説のサブセット（例えば、上位 $k$ 個の棄却）に「ズームイン」し、$\alpha$ や $\gamma$ を調整することなく、それらの FDP も $\gamma$ によって上から抑えられると主張することが可能になる。特に、棄却数が十分に小さい場合（具体的には $\gamma^{-1}$ 未満）、この手法は FDX 制御と同時に FWER 制御（FDP = 0）を保証する。

主要な貢献

• 同時 FDX 制御: 本論文は、非同時手法（Romano-Wolf など）と同等の検力を維持しながら、複数の解像度（閾値）にわたる同時 FDX 制御を提供する最初の手法を導入する。
• データ依存の包絡線: この手法は、以前の同時アプローチ（Hemerik ら、2019 年）の一般化として定式化されている。重要な理論的革新は、形状がデータ（具体的には観測された棄却数 $R(t)$）に依存する信頼包絡線を使用することである。以前の手法は妥当性を維持するためにデータに独立した包絡線の形状を必要としており、これが検力を制限していた。
• maxT への接続: 提案された手法は、$\gamma = 0$ の場合、単一ステップおよび逐次 maxT 手順と一致することが示される。$\gamma$ が増加するにつれて、手法の検力は増加し、偽陽性の割合を制御しながら可能となる。
• 実用性: この手法は、Hemerik ら（2019 年）が候補となる包絡線や他のパラメータを必要とするのとは異なり、$\alpha$ と $\gamma$ 以外の調整パラメータを必要としない。これは R パッケージ rFDP に実装されている。

結果

• シミュレーション: 相関データを用いたシミュレーションにおいて、提案された手法は、最も強力な非同時 FDX 手法とみなされる Romano-Wolf 手順と同等の検力を示した。依存関係下で保守的な Lehmann-Romano 手法や、FDX 制御用に調整された Hemerik ら（2019 年）の手法を大幅に上回った。
• 実データ分析:
  • リボフラビン生産: 遺伝子発現データに適用した結果、$\gamma=0.1$ で 95% の信頼度のもと 186 の仮説を棄却した。同時に、上位 19 の仮説には高々 1 つの偽発見しか含まれておらず、上位 9 の仮説には偽発見が 0 個含まれている（FWER 制御）という保証を提供した。
  • 音楽レビュー: アルバムレビューのスコアに適用し、アーティストのスコアにおける傾向を特定した。異なる解像度での仮説棄却能力を示した（例えば、$\gamma=0.2$ で 22 の仮説を棄却しながら、同時に上位 4 には偽発見が含まれていないことを保証する）。

意義と主張
本論文は、FDX 手法は検力の損失という点で「ほぼ無料で」同時化され得ると主張している。信頼包絡線の形状をデータに依存させることで、以前の同時推論手法の主要な制限を解消している。著者は、この手法が Romano-Wolf 手法と同じ仮定（具体的には、真の帰無仮説の検定統計量に関する不変性の仮定）の下で妥当であると強調している。有限サンプルの妥当性については条件付き不変性を仮定しているが、著者はこの仮定は漸近的には不要であり、シミュレーションではより弱い無条件不変性が実際には十分である可能性があると指摘している。

この研究は、強力な非同時 FDX 制御と同時 FDP 推論の間のギャップを埋め、研究者が厳密な統計的保証を維持しつつ、さまざまな粒度（解像度）でデータを探索することを可能にするツールを提供している。