Improved null proportion estimators for multiple discrete tests with plug-in FDR control

Technische Samenvatting: Verbeterde Schatters van de Proportie Nulhypothesen voor Meervoudige Discrete Toetsen met Plug-in FDR-controle

Probleemstelling
De Benjamini-Hochberg (BH) procedure is een standaardmethode voor het beheersen van de False Discovery Rate (FDR) bij meervoudige hypothesetoetsing. Hoewel "plug-in" of adaptieve BH-procedures, die schatters van de proportie ware nulhypothesen ($\pi_0$) incorporeren, vaak een hogere statistische kracht leveren, zijn hun theoretische garanties en prestaties sterk afhankelijk van de verdeling van p-waarden. Bestaande literatuur heeft zich grotendeels gericht op continue teststatistieken waarbij nul p-waarden een uniforme verdeling volgen. Echter, in discrete toetsingsscenario's (bijv. gebaseerd op contingentietabellen of telgegevens) zijn p-waarden "super-uniform" (stochastisch groter dan uniform) en bezitten zij heterogene steungebieden.

In deze discrete setting worden klassieke plug-in schatters (zoals die van Storey en Pounds–Cheng) te conservatief. Deze conservativiteit leidt tot opgeblazen schattingen van het aantal ware nulhypothesen ($m_0$), wat resulteert in een verlies aan kracht voor de resulterende adaptieve BH-procedures. Bovendien, hoewel sommige schatters zoals die van Storey gevestigde bewijzen voor FDR-controle hebben, vertonen andere, zoals de Pounds–Cheng schatter, hiaten in hun theoretische rechtvaardiging, met name met betrekking tot plug-in FDR-controle in zowel continue als discrete settings.

Methodologie
De auteurs stellen een verenigd kader voor om deze beperkingen aan te pakken via drie belangrijke methodologische ontwikkelingen:

1. Een Algemene Klasse van Schatters: Het artikel introduceert een algemene klasse van schatters ($\mathcal{F}$) voor het aantal nulhypothesen $m_0$. Deze schatters worden gedefinieerd als sommen van p-waarden getransformeerd door begrensde, niet-dalende functies. Deze klasse omvat klassieke schatters (Storey's en een aangepaste Pounds–Cheng) en maakt het mogelijk om specifieke nulverdelingsfuncties ($F_i$) die bekend zijn voor elke toets te incorporeren.

   • De klasse wordt gedefinieerd als: $\hat{m}_0 = \frac{1}{\min(\nu_1, \dots, \nu_m)} + \sum_{i=1}^m \frac{g_i(p_i)}{\nu_i}$, waarbij $g_i$ niet-dalende functies zijn en $\nu_i$ normalisatieconstanten.
   • De theoretische rechtvaardiging berust op het "Inverse Moment Criterion" (IMC), een voldoende voorwaarde voor plug-in FDR-controle vastgesteld door Blanchard en Roquain (2009).

2. Strategieën om Conservativiteit te Mitigeren: Om deze schatters aan te passen aan de discrete setting, stellen de auteurs drie specifieke strategieën voor die gebruikmaken van kennis over de nulverdelingsfuncties $F_i$:

   • Rescaling Constanten: Het vervangen van globale normalisatieconstanten door individuele constanten $\nu_i^{resc} = E_{F_i}[g(p_i)]$ om ervoor te zorgen dat de verwachtingswaarde van de getransformeerde p-waarde onder de nul gelijk is aan 1, waardoor "nul-bias" wordt geëlimineerd.
   • Conditionele Gemiddelde Transformaties: Het vervangen van de globale transformatiefunctie $g$ door een "gedefleerde" functie $\bar{g}_{F_i}$ (bijv. gebruikmakend van mid-p waarden of conditionele verwachtingen) zodat $E[\bar{g}_{F_i}(p_i)] = E[g(U)]$ waar $U$ uniform is. Dit bootst het gedrag van continue p-waarden na.
   • Verwachte Randomisatie: Het gebruik van gerandomiseerde p-waarden (die uniform verdeeld zijn) en het nemen van de conditionele verwachting van de schatter met betrekking tot de randomisatie. Dit levert een niet-gerandomiseerde schatter op die theoretisch minder conservatief is dan de standaard schatter.

3. Optimalisatie voor Transformatiefuncties: Het artikel schetst benaderingen voor het selecteren van de transformatiefuncties $g$ om de bias in de discrete setting en de Mean Squared Error (MSE) in de continue setting te minimaliseren. Dit omvat het formuleren van optimalisatieproblemen (bijv. kwadratisch beperkte lineaire programma's) om optimale gewichten voor stapfunctie-transformaties te vinden.

Belangrijkste Bijdragen

• Verenigd Theoretisch Kader: Het artikel vestigt een algemene klasse van schatters ($\mathcal{F}$) en bewijst dat elke schatter binnen deze klasse voldoet aan de IMC, waardoor plug-in FDR-controle onder aannames van onafhankelijkheid en super-uniformiteit wordt gegarandeerd.
• Resolutie van de Pounds–Cheng Kloof: Door aan te tonen dat een licht aangepaste versie van de Pounds–Cheng schatter binnen de voorgestelde algemene klasse past, leveren de auteurs het eerste rigoureuze bewijs voor plug-in FDR-controle voor deze schatter in de continue case.
• Discrete Aanpassingen: Het artikel introduceert en valideert drie specifieke aanpassingen (rescaling, gemiddelde, randomisatie) die klassieke schatters aanpassen aan discrete data. Deze aanpassingen zijn bewezen minder conservatief (het leveren lagere schattingen van $m_0$) dan hun ongecorrigeerde tegenhangers, terwijl ze geldige FDR-controle behouden.
• Empirische Validatie: De voorgestelde methoden worden getest op gesimuleerde data (twee-steekproef binaire respons problemen met Fisher's Exact Tests) en echte data van het International Mouse Phenotyping Consortium (IMPC).

Resultaten

• Simulatiestudies: In simulaties met variërende niveaus van discretie (gecontroleerd door steekproefgrootte $N$), presteren de discrete-aangepaste schatters significant beter dan klassieke schatters. De aangepaste schatters bieden nauwkeurigere schattingen van $\pi_0$ (waardoor waarden $>1$ die ernstige over-conservativiteit aangeven, worden vermeden) en resulteren in een hogere statistische kracht voor de plug-in BH-procedure.
• Robuustheid tegen Afhankelijkheid: De discrete schatters blijven robuust wanneer p-waarden positieve afhankelijkheid vertonen (gemodelleerd via Gaussische copula's), waarbij ze FDR-controle ruim onder het nominale niveau behouden.
• Toepassing op Echte Data: Analyse van de IMPC gen-fenotype data bevestigt dat het rekening houden met discretie de schatting van $\pi_0$ en het aantal ontdekkingen (verwerpingen) verbetert vergeleken met standaard continue-gebaseerde methoden. De discrete versies van de Pounds–Cheng schatter presteren vergelijkbaar met de Storey schatter, terwijl de ongecorrigeerde Pounds–Cheng schatter inferieur is.
• Vergelijking van Strategieën: De drie voorgestelde aanpassingsstrategieën (rescaling, gemiddelde, randomisatie) leveren essentieel vergelijkbare prestatiewinsten op in termen van efficiëntie en kracht. De "verwachte randomisatie" schatter is theoretisch het meest efficiënt, maar vereist in de praktijk numerieke benadering (Monte Carlo).

Betekenis en Claims
Het artikel claimt de kritische hiaten in de literatuur met betrekking tot plug-in FDR-controle voor discrete hypothesetoetsing op te vullen. Specifiek:

• Het biedt een rigoureuze theoretische basis voor de Pounds–Cheng schatter, die voorheen een bewijs voor plug-in FDR-controle miste.
• Het biedt een algemene, flexibele methodologie om conservatieve schatters te construeren die bewezen minder conservatief zijn in discrete settings zonder FDR-controle op te offeren.
• Het demonstreert dat het verlies aan kracht in discrete toetsing door de super-uniformiteit van p-waarden effectief kan worden gemitigeerd door specifieke informatie over de nulverdeling te integreren in de schatting van $\pi_0$.

De auteurs hanteren een bescheiden toon, waarbij zij opmerken dat hoewel hun methoden de efficiëntie verbeteren, het verwerpingsvermogen van de procedure uiteindelijk nog steeds beperkt wordt door de inherente super-uniformiteit van discrete p-waarden. Zij erkennen ook dat het vinden van de optimale transformatiefunctie $g$ voor minimale bias of MSE een complex optimalisatieprobleem is dat aan toekomstig werk wordt overgelaten, hoewel zij een heuristische benadering voor de continue case bieden.