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

Resumo Técnico: Estimadores de Proporção de Nulos Aprimorados para Testes Discretos Múltiplos com Controle de FDR por Plug-in

Declaração do Problema
O procedimento de Benjamini-Hochberg (BH) é um método padrão para controlar a Taxa de Descobertas Falsas (FDR) em testes de hipóteses múltiplas. Embora os procedimentos BH "plug-in" ou adaptativos, que incorporam estimadores da proporção de hipóteses nulas verdadeiras ($\pi_0$), frequentemente proporcionem maior poder estatístico, suas garantias teóricas e desempenho dependem fortemente da distribuição dos p-valores. A literatura existente concentrou-se amplamente em estatísticas de teste contínuas, onde os p-valores nulos seguem uma distribuição uniforme. No entanto, em cenários de testes discretos (por exemplo, baseados em tabelas de contingência ou dados de contagem), os p-valores são "super-uniformes" (estocasticamente maiores que a uniforme) e possuem suportes heterogêneos.

Neste cenário discreto, os estimadores clássicos de plug-in (como os de Storey e Pounds–Cheng) tornam-se excessivamente conservadores. Esse conservadorismo leva a estimativas infladas do número de hipóteses nulas ($m_0$), resultando em uma perda de poder para os procedimentos BH adaptativos resultantes. Além disso, enquanto alguns estimadores, como o de Storey, possuem provas de controle de FDR estabelecidas, outros, como o estimador de Pounds–Cheng, possuíam lacunas em sua justificativa teórica, particularmente em relação ao controle de FDR por plug-in tanto em configurações contínuas quanto discretas.

Metodologia
Os autores propõem um framework unificado para abordar essas limitações através de três desenvolvimentos metodológicos principais:

1. Uma Classe Geral de Estimadores: O artigo introduz uma classe geral de estimadores ($\mathcal{F}$) para o número de hipóteses nulas $m_0$. Esses estimadores são definidos como somas de p-valores transformados por funções limitadas e não decrescentes. Esta classe abrange estimadores clássicos (Storey e um Pounds–Cheng modificado) e permite a incorporação de funções de distribuição nula ($F_i$) conhecidas para cada teste.

   • A classe é definida como: $\hat{m}_0 = \frac{1}{\min(\nu_1, \dots, \nu_m)} + \sum_{i=1}^m \frac{g_i(p_i)}{\nu_i}$, onde $g_i$ são funções não decrescentes e $\nu_i$ são constantes de normalização.
   • A justificativa teórica baseia-se no "Critério do Momento Inverso" (IMC), uma condição suficiente para o controle de FDR por plug-in estabelecida por Blanchard e Roquain (2009).

2. Estratégias para Mitigar o Conservadorismo: Para adaptar esses estimadores ao cenário discreto, os autores propõem três estratégias específicas que utilizam o conhecimento das funções de distribuição nula $F_i$:

   • Constantes de Reescalonamento: Substituir constantes de normalização globais por constantes individuais $\nu_i^{resc} = E_{F_i}[g(p_i)]$ para garantir que a esperança do p-valor transformado sob a nulidade seja igual a 1, eliminando assim o "viés nulo".
   • Transformações de Média Condicional: Substituir a função de transformação global $g$ por uma função "deflacionada" $\bar{g}_{F_i}$ (por exemplo, usando valores mid-p ou esperanças condicionais) de modo que $E[\bar{g}_{F_i}(p_i)] = E[g(U)]$ onde $U$ é uniforme. Isso mimetiza o comportamento de p-valores contínuos.
   • Randomização Esperada: Utilizar p-valores randomizados (que são uniformemente distribuídos) e tomar a esperança condicional do estimador em relação à randomização. Isso resulta em um estimador não randomizado que é teoricamente menos conservador que o estimador padrão.

3. Otimização para Funções de Transformação: O artigo esboça abordagens para selecionar as funções de transformação $g$ para minimizar o viés no cenário discreto e o Erro Quadrático Médio (MSE) no cenário contínuo. Isso envolve a formulação de problemas de otimização (por exemplo, programas lineares quadraticamente restritos) para encontrar pesos ótimos para transformações de função degrau.

Principais Contribuições

• Framework Teórico Unificado: O artigo estabelece uma classe geral de estimadores ($\mathcal{F}$) e prova que qualquer estimador dentro desta classe satisfaz o IMC, garantindo assim o controle de FDR por plug-in sob suposições de independência e super-uniformidade.
• Resolução da Lacuna de Pounds–Cheng: Ao mostrar que uma versão ligeiramente modificada do estimador de Pounds–Cheng se encaixa na classe geral proposta, os autores fornecem a primeira prova rigorosa de controle de FDR por plug-in para este estimador no caso contínuo.
• Adaptações Discretas: O artigo introduz e valida três modificações específicas (reescalonamento, média e randomização esperada) que adaptam estimadores clássicos para dados discretos. Essas modificações são provadas como sendo menos conservadoras (gerando estimativas menores de $m_0$) do que seus equivalentes não ajustados, mantendo o controle de FDR válido.
• Validação Empírica: Os métodos propostos são testados em dados simulados (problemas de resposta binária de duas amostras usando Testes Exatos de Fisher) e dados reais do International Mouse Phenotyping Consortium (IMPC).

Resultados

• Estudos de Simulação: Em simulações com níveis variados de discretude (controlados pelo tamanho da amostra $N$), os estimadores ajustados para o cenário discreto superam significativamente os estimadores clássicos. Os estimadores ajustados fornecem estimativas mais precisas de $\pi_0$ (evitando valores $>1$, que indicam severo conservadorismo) e resultam em maior poder estatístico para o procedimento BH plug-in.
• Robustez à Dependência: Os estimadores discretos permanecem robustos quando os p-valores exibem dependência positiva (modelada via cópulas Gaussianas), mantendo o controle de FDR bem abaixo do nível nominal.
• Aplicação em Dados Reais: A análise dos dados de fenótipo-gene do IMPC confirma que considerar a discretude melhora tanto a estimativa de $\pi_0$ quanto o número de descobertas (rejeições) em comparação com métodos baseados em modelos contínuos padrão. As versões discretas do estimador de Pounds–Cheng apresentam desempenho comparável ao estimador de Storey, enquanto o estimador de Pounds–Cheng não ajustado é inferior.
• Comparação de Estratégias: As três estratégias de ajuste propostas (reescalonamento, média, randomização) produzem ganhos de desempenho em termos de eficiência e poder essencialmente semelhantes. O estimador de "randomização esperada" é teoricamente o mais eficiente, mas requer aproximação numérica (Monte Carlo) na prática.

Significância e Alegações
O artigo afirma preencher lacunas críticas na literatura sobre o controle de FDR por plug-in para testes de hipóteses discretos. Especificamente:

• Fornece uma base teórica rigorosa para o estimador de Pounds–Cheng, que anteriormente carecia de uma prova de controle de FDR por plug-in.
• Oferece uma metodologia geral e flexível para construir estimadores conservadores que são provadamente menos conservadores em cenários discretos sem sacrificar o controle de FDR.
• Demonstra que a perda de poder no teste discreto devido à super-uniformidade dos p-valores pode ser efetivamente mitigada ao incorporar informações específicas da distribuição nula na estimativa de $\pi_0$.

Os autores mantêm um tom modesto, observando que, embora seus métodos melhorem a eficiência, a capacidade de rejeição do procedimento é, em última análise, limitada pela super-uniformidade inerente dos p-valores discretos. Eles também reconhecem que encontrar a função de transformação $g$ ideal para o mínimo de viés ou MSE é um problema de otimização complexo deixado para trabalhos futuros, embora forneçam uma abordagem heurística para o caso contínuo.