PCA score regression: the art of losing power

技術的サマリー：PCA スコア回帰：パワーを失う芸術

問題提起
本論文は、機能データ分析における普遍的な方法論的課題、すなわち、スカラー共変量に対する被験者固有の主成分スコア（RPCS）の回帰という問題を取り扱っている。この 2 段階アプローチ、すなわち、まず主成分分析（PCA）または特異値分解（SVD）を実行してスコアを抽出し、次にこれらのスコアを共変量に対して回帰させる手法は、ゲノミクスや神経画像から身体活動モニタリングに至るまで、幅広い分野で広く用いられている。著者らは、RPCS が計算上便利である一方で、統計的には誤指定モデルを当てはめることと同等であると主張する。この誤指定は、統計的パワーの深刻かつしばしば認識されない損失、多重性を無視した場合の第一種の過誤率の膨張、および真の機能的効果に関する推論の無効化をもたらす。

方法論
著者らは、2 つのアプローチを比較する厳密な理論的枠組みを確立している。

1. スカラーに対する関数回帰（FoSR）： 機能的アウトカム $W_i(s)$ をスカラー共変量 $X_i$ とランダム効果の関数として直接モデル化する、正しく指定されたモデル。
   $$W_i(s) = \beta_0(s) + \sum_{q=1}^Q X_{iq}\beta_q(s) + \sum_{l=1}^{L_{true}} \xi_{il}\phi_l(s) + \epsilon_i(s)$$
   ここで、$\beta_q(s)$ は関心のある固定効果関数を表し、推論はこれらの関数に対して直接行われる。

2. RPCS（誤指定モデル）： 共変量を無視してデータ行列 $W$ に PCA を適用し、推定された固有関数 $\phi^M_l(s)$ に基づくスコア $\xi^M_{il}$ を抽出する標準的な 2 段階手順。その後、これらのスコアを共変量に対して回帰させる。
   $$\xi^M_{il} = b_{0l} + \sum_{q=1}^Q b_{ql}X_{iq} + e_{il}$$

核心的な理論的貢献は定理 1であり、これは RPCS 枠組みにおける回帰係数 $b_{ql}$ が真の効果 $\beta_q(s)$ ではなく、真の効果の推定された固有関数への内積（射影）であることを示している。
$$b_{ql} = \int_S \beta_q(s)\phi^M_l(s) ds$$

主要な貢献と理論的知見
本論文は、RPCS の限界に関する 5 つの主要な洞察を提供している。

• 直交性によるパワーの損失： 真の効果 $\beta_q(s)$ と推定された固有関数 $\phi^M_l(s)$ の相関に依存する。真の効果が主要な主成分と直交する場合（すなわち、上記の積分がゼロの場合）、効果の大きさに関わらず、RPCS はその効果を検出するパワーがゼロとなる。
• 信号の希薄化： 完全に直交していない場合でも、RPCS は真の関数 $\beta_q(s) = 0$ に対する単一の検定を、より小さな射影された信号（$b_{ql}$）に対する $L_{miss}$ 個の検定に置き換える。この信号の断片化は、FoSR における直接モデル化と比較して、本質的に統計的パワーを低下させる。
• 多重性と膨張： 複数の係数 $b_{ql}$ を検定することは多重性の問題を引き起こす。これを補正しない場合、$\alpha$ レベルが膨張する。補正した場合（例えば、ボンフェローニ法による場合）、パワーはさらに低下する。
• 解釈性の問題： 係数 $b_{ql}$ は、元のデータ空間において解釈が困難である。有意な PC のみから機能的効果 $\hat{\beta}_q(s)$ を再構成しようとすると、選択された PC に応じて根本的に異なる形状が得られ、バイアスのかかったり曖昧になったりした生物学的解釈につながる。
• 推論の有効性： 現在の RPCS 手法は、検定されている仮説（$b_{ql}=0$）が関心のある科学的仮説（$\beta_q(s)=0$）と異なるため、真の効果 $\beta_q(s)$ に対する有効な推論を提供しない。

実証結果
著者らは、広範なシミュレーションと実データ応用を通じてこれらの理論的知見を検証している。

• シミュレーション： 真の効果が主成分と直交するか、部分的にしか相関しないシナリオにおいて、RPCS のパワーは検定サイズレベル（検出なし）まで低下するのに対し、FoSR は高いパワーを維持する。シミュレーションは、パワーの損失が真の効果と PC の間の相関の直接的な関数であることを確認している。
• NHANES 応用： 国立健康・栄養調査（2011–2014）からの分単位加速度データを用いて、著者らは年齢が身体活動に与える影響を分析した。
  • RPCS 結果： 最初の 4 つの主成分全体で統計的に有意な年齢効果を検出できず（p 値 > 0.05）、56–62 歳群における活動パターンに年齢が影響を与えないという結論に至った。
  • FoSR 結果： 早朝（午前 4 時 – 午前 7 時）および夕方の時間帯において、年齢が活動に与える有意な負の影響を検出し、p 値は 0.001 未満であった。
  • 再構成の失敗： 著者らは、有意な RPCS スコアから年齢効果を再構成しようとすると、FoSR の推定値と一致しない結果が得られることを実証し、RPCS が真の機能的形状を回復できないことを浮き彫りにした。

意義と主張
本論文は、「PCA の後、回帰」というパイプラインが、その単純さのために人気があるものの、機能データ設定における仮説検定および効果推定においては根本的に欠陥があると主張している。著者らは以下を主張する。

1. RPCS は統計的に誤指定モデルを当てはめることと同等であり、しばしば見落とされる体系的なパワーの損失をもたらす。
2. この手法は、特に真の信号が小～中程度である場合、またはデータの最大分散の方向と完全に一致しない場合に、偽陰性を生み出す可能性がある。
3. この問題は機能データに限定されず、固有ベクトルスコアを共変量に対して回帰させるあらゆる高次元アウトカム分析（例えば、ゲノミクス、画像）に及ぶ。
4. スカラーに対する関数回帰（FoSR）は、機能的アウトカムの条件付き平均を直接モデル化することでこれらの落とし穴を回避し、有効な推論と高いパワーを提供する、堅牢な代替手段である。

著者らは、RPCS の利便性は、統計的パワー、信号再構成、および科学的推論の有効性に対して大きなコストを伴うものであり、FoSR のような直接関数モデル化アプローチへの転換を促すことで結論付けている。