Nonparametric methods controlling the median of the false discovery proportion

1. O Problema e o Contexto

O artigo aborda um cenário específico de teste de múltiplas hipóteses onde a expectativa a priori do pesquisador é que a maioria das hipóteses nulas seja falsa (ou seja, a maioria dos parâmetros de interesse se encontra em uma direção específica ou dentro de um intervalo de equivalência).

• Aplicações Típicas: Testes de não inferioridade, testes de equivalência (comum em segurança alimentar, como análise de metabolitos em culturas geneticamente modificadas) e validação de modelos onde se espera que muitos coeficientes sejam significativos.
• Limitação dos Métodos Atuais:
  • Métodos tradicionais de controle de Taxa de Descoberta Falsa (FDR) controlam a média da Proporção de Descobertas Falsas (FDP).
  • Métodos de controle de Excedência de Descoberta Falsa (FDX) garantem que a FDP esteja abaixo de um limiar com alta probabilidade (ex: 95%), mas tendem a ter baixo poder estatístico quando os parâmetros $\alpha$ e $\gamma$ são pequenos.
  • Em cenários onde se espera que a maioria das hipóteses seja falsa, os métodos existentes muitas vezes são excessivamente conservadores, falhando em rejeitar hipóteses que deveriam ser rejeitadas.

O objetivo do artigo é desenvolver métodos que sejam altamente poderosos nesses cenários específicos, mantendo a validade estatística mesmo se as expectativas do usuário estiverem erradas.

2. Metodologia Proposta

O autor propõe uma abordagem não paramétrica (ou semiparamétrica) baseada em uma propriedade de simetria das estatísticas de teste.

2.1. Pressuposto Fundamental (Assunção de Simetria)

O método assume que o vetor das estatísticas de teste correspondentes às hipóteses verdadeiras (sob a hipótese nula) satisfaz uma propriedade de simetria em torno de suas médias:
$$(T_j - \mu_j : j \in N) \stackrel{d}{=} (-(T_j - \mu_j) : j \in N)$$
Onde $N$ é o conjunto de índices das hipóteses verdadeiras. Isso é válido para distribuições normais, mas também para distribuições simétricas finitas (como em testes de permutação ou sinalização), sem exigir normalidade estrita.

2.2. Estimador Medianamente Inviésado da FDP

O núcleo da metodologia é a construção de um estimador para o número de falsas descobertas ($V$) que é medianamente não enviesado. Ou seja, o estimador $\tilde{V}$ satisfaz:
$$P(V \leq \tilde{V}) \geq 0.5$$
Isso equivale a um limite superior de confiança de 50% para a FDP.

• Para Testes Unilaterais (Não Inferioridade):
  Define-se um conjunto de rejeição $R(t) = \{j : T_j - \delta_j > t\}$. O estimador para o número de falsas descobertas é:
  $$\tilde{V}(t) = R(t) \wedge R^-(t)$$
  Onde $R^-(t) = \{j : T_j - \delta_j < -t\}$ é o número de estatísticas que caem na "cauda oposta" (simétrica). A lógica é que, sob a hipótese nula, a probabilidade de uma estatística cair na cauda positiva é igual à de cair na cauda negativa. Se muitas hipóteses são falsas, a cauda positiva será muito maior que a negativa, permitindo uma estimativa precisa de $V$.

• Para Testes de Equivalência:
  Uma lógica similar é aplicada, comparando estatísticas dentro do intervalo de equivalência com estatísticas fora dele (em regiões simétricas).

2.3. Procedimento de Controle do mFDP

O método propõe um algoritmo para controlar a mediana da FDP (mFDP) em um nível $\gamma$ (ex: 0.1), garantindo que $P(FDP \leq \gamma) \geq 0.5$.

1. Calcula-se o estimador $\tilde{FDP}(t)$ para vários valores de limiar $t$.
2. Seleciona-se o limiar $s^+$ tal que $\tilde{FDP}(s^+) \leq \gamma$ e que seja o maior possível (mais rejeições).
3. Rejeitam-se todas as hipóteses com estatísticas de teste além desse limiar.

O artigo prova teoremas (Teoremas 5.1 e 5.2) que garantem que esse procedimento controla a mFDP, seja em amostras finitas (sob certas condições de independência) ou assintoticamente.

3. Principais Contribuições

1. Alta Potência em Cenários de "Sinal Forte": Diferente dos métodos de permutação tradicionais (como SAM e SAM+CT), que podem ser conservadores quando há muitas hipóteses falsas, o método proposto explora a assimetria dos dados (muitos sinais na direção esperada) para obter estimativas de FDP muito menores e, consequentemente, maior poder de detecção.
2. Validade Robusta: O método mantém a validade estatística (controle do erro) independentemente de quão corretas sejam as expectativas a priori do usuário. Se as expectativas estiverem erradas, o método perde poder, mas não viola o controle de erro.
3. Eficiência Computacional:
   • Métodos baseados em permutação completa (SAM+CT) têm complexidade exponencial ou são inviáveis para grandes $m$ (número de hipóteses).
   • O método proposto tem complexidade linear em $m$ (após ordenar os valores-p/estatísticas), tornando-o aplicável a grandes conjuntos de dados.
4. Conexão Teórica: O artigo demonstra que o estimador proposto é equivalente a um procedimento de teste fechado (closed testing) admissível, estabelecendo sua otimidade teórica.
5. Flexibilidade: O método é aplicável tanto a testes de não inferioridade quanto de equivalência, e pode ser combinado com modelos paramétricos (desde que a simetria assintótica seja válida).

4. Resultados (Simulações e Análise de Dados)

4.1. Simulações

• Comparação de Estimadores: O novo estimador $\tilde{FDP}$ foi comparado com o método SAM (Significance Analysis of Microarrays). Em cenários onde a proporção de hipóteses verdadeiras ($\pi_0$) era baixa (ex: 0.1), o método proposto produziu estimativas de FDP significativamente menores e mais precisas que o SAM.
• Comparação de Poder: Ao controlar o mFDP, o método proposto superou consistentemente:
  • O método de Benjamini-Hochberg (que controla a média/FDR).
  • O método de Romano-Wolf (FDX).
  • O método flexível de Hemerik et al. (2024).
  • O método proposto alcançou poder próximo a 100% em cenários onde os concorrentes tinham poder significativamente menor, especialmente quando os efeitos eram fortes.

4.2. Análise de Dados Real

O método foi aplicado a um conjunto de dados de vendas de imóveis em Ames, Iowa (regressão linear).

• Objetivo: Verificar se muitos coeficientes de variáveis quantitativas não têm um efeito negativo forte (hipótese de não inferioridade).
• Resultado: O método rejeitou 30 de 31 hipóteses (com $\gamma=0.1$), garantindo que pelo menos 27 coeficientes são verdadeiramente maiores que -0.1.
• Comparação: O método Benjamini-Hochberg rejeitou apenas 29 hipóteses. Em uma subamostra reduzida ($n=100$), o método proposto manteve-se superior, rejeitando 27 hipóteses contra apenas 16 do Benjamini-Hochberg.

5. Significância e Conclusão

Este trabalho oferece uma ferramenta estatística crucial para áreas onde a expectativa de descoberta é alta (como segurança alimentar, bioequivalência e seleção de variáveis em modelos preditivos).

• Mudança de Paradigma: Em vez de focar apenas no controle da média do erro (FDR), o artigo valida o uso do controle da mediana do erro (mFDP) como uma métrica mais adequada e poderosa para cenários exploratórios onde se espera que a maioria das hipóteses nulas seja falsa.
• Praticidade: A disponibilidade do pacote R mFDP e a eficiência computacional linear tornam o método acessível para aplicações em larga escala, superando as limitações de métodos de permutação tradicionais.
• Robustez: Ao não depender de distribuições paramétricas específicas (apenas simetria), o método é robusto e versátil, podendo ser aplicado em diversos contextos de modelagem estatística.

Em resumo, o artigo propõe um método não paramétrico, rápido e altamente poderoso para validar expectativas de que "a maioria dos efeitos é real", preenchendo uma lacuna importante entre a teoria de controle de erro e a prática de descoberta científica em grandes conjuntos de dados.