Directional replicability: when can the factor of two be omitted

テクニカル・サマリー：方向性のある再現性：いつ「2倍の因子」を省略できるか

問題提起
本論文は、$n$ 個の独立した研究における**方向性のある再現性（directional replicability）**を評価するという統計的な課題に取り組んでいる。単なる標準的な再現性が、符号に関わらず少なくとも $r$ 個の研究で効果が存在することを要求するのに対し、方向性のある再現性は、少なくとも $r$ 個の研究が（すべて正、またはすべて負という）同じ符号の効果を示すことを要求する。

形式的には、$\theta = (\theta_1, \dots, \theta_n)$ を真の効果量のベクトルとする。著者らは $n_+$ を正の効果の数、$n_-$ を負の効果の数と定義する。目的は、帰無仮説 $H_{r/n}: n_+ < r \land n_- < r$ を検定することである。この仮説を棄却することで、少なくとも $r$ 個の効果が同じ符号である（$n_+ \ge r \lor n_- < r$）と結論付けることができる。

Owen (2009) に従った標準的なアプローチでは、$H_{r/n}$ を2つの片側仮説 $H^+_{r/n}: n_+ < r$ と $H^-_{r/n}: n_- < r$ の交差として扱う。家族誤差率（family-wise error rate）を制御するために、標準的な手順では、これら2つの片側検定の $p$ 値を組み合わせ、方向性の多重検定を考慮して最小値に2を乗じる（すなわち $p_{r/n} = 2 \min\{p^+_{r/n}, p^-_{r/n}\}$）。本研究の中心的な問いは、この乗法的補正係数である2が常に必要であるかどうかである。

方法論
著者らは、効果量の推定値を独立な正規分布 $T_i \sim N(\theta_i, 1)$ と仮定する。彼らは、片側仮説の $p$ 値を構成するために、**ボンフェローニの部分結合（Bonferroni partial conjunction）**法を利用する。

• 正の方向（$H^+_{r/n}$）については、$p^+_{r/n} = (n-r+1)p_{(r)}$ である。ここで $p_{(r)}$ は個々の研究からの $r$ 番目に小さい $p$ 値である。
• 負の方向（$H^-_{r/n}$）については、$p^-_{r/n} = (n-r+1)q_{(r)}$ である。ここで $q_{(r)}$ は負の方向に対する $r$ 番目に小さい $p$ 値である。

本論文は、補正されていない統計量 $p_{r/n} = \min\{p^+_{r/n}, p^-_{r/n}\}$ が、特定の条件下において $H_{r/n}$ に対する有効な $p$ 値として機能するかどうかを調査している。

主な貢献と結果

1. 2倍の因子を省略するための十分条件（定理1）：
   主要な理論的貢献は、$r$ が $n$ に対して十分に大きい場合に2倍の因子が不要であることを確立した定理1である。具体的には、$(n+1)/2 < r \le n$ である場合、$p_{r/n} = \min\{p^+_{r/n}, p^-_{r/n}\}$ は有意水準 $\alpha$ において $H_{r/n}$ に対する有効な $p$ 値となる。

   • メカニズム： 証明によれば、$r > (n+1)/2$ という条件下では、正の方向と負の方向におけるタイプIエラーに至る事象は互いに排他的（disjoint）である。その結果、最悪のパラメータ構成下での帰無仮説の棄却確率は、2倍の補正を行わなくても $\alpha$ を超えない。

2. 小さな $r$ における補正の必要性（セクション3）：
   著者らは、より小さい $r$ の値（具体的には $2 \le r \le (n+1)/2$）において、補正されていない統計量が $\alpha$ を超えるタイプIエラー率を招くことを示す反例を提示している。

   • このレジームでは、「不一致な（discordant）」パラメータ構成、すなわち $r-1$ 個の強い正の効果と $r-1$ 個の強い負の効果が同時に存在する状況が起こり得る。このような場合、両方の方向における棄却に至る事象は排他的ではなくなり、2倍の因子を省略するとタイプIエラーの確率が公称水準を超える。
   • 数値シミュレーション（図1）は、$n=20, \alpha=0.1$ の場合、$r \in \{2, \dots, 7\}$ ではタイプIエラーが $\alpha$ を超えるが、$r \in \{8, 9, 10\}$ では制御されたままであることを示している。これは、定理1の条件 $r > (n+1)/2$（すなわち $r > 10.5$）を満たしていないにもかかわらずである。このことは、定理1の条件は十分条件ではあるが、必要条件ではないことを示唆している。

3. $r$ のデータ適応的選択：
   本論文は、$r$ が事前に指定されていない状況のための逐次検定手順を概説している。$k = \lceil(n+2)/2\rceil$ から出発して、入れ子になった仮説 $H_{k/n}, H_{(k+1)/n}, \dots, H_{n/n}$ を検定することで、同じ符号を持つ効果の最大数に対する $(1-\alpha)$ 下限信頼区間を導出できる。

4. 他の結合関数への拡張：
   著者らは、証明はボンフェローニ法に基づいているものの、独立性を仮定する他の結合関数（Šidák補正、Simes法、Fisher結合関数など）にもこの結果はおそらく適用可能であると述べているが、これには今後の検証が必要である。

意義と主張
本論文は、方向性のある再現性分析における最先端の手法を洗練させるものであると主張している。$(n+1)/2 < r \le n$ という条件を特定することで、要求される再現効果の数（$r$）が全研究数（$n$）の過半数を占めるシナリオにおいて、研究者が保守的な「2倍の因子」による補正を安全に省略できることを示している。この省略は、タイプIエラー率を膨張させることなく、統計的検出力を高める。

また、本論文はタイプIIIエラー（誤った符号の推論）についても扱っている。著者らは、定理1の手順がタイプIIIエラーを制御し、再現された効果の符号に関する妥当な事後推論（$p^+_{r/n} < p^-_{r/n}$ ならば正、$p^+_{r/n} > p^-_{r/n}$ ならば負）を可能にすると主張している。

最後に、本論文は、単一の仮説に焦点を当てているものの、多くのアプリケーションでは複数の特徴量が関与することを認めている。提案されたロジックは既存のフィルタリング手法（Wang et al., 2022 など）と統合可能であるが、複数の特徴量にわたる多重検定の文脈において2倍の因子を取り除けるかどうかは、今後の研究課題として残されている。