Resumo Técnico: SCORE: Um Framework Unificado para Reembolso de Sobressalência (Overshoot) no Controle de FDR Online

1. Formulação do Problema

O artigo aborda o desafio dos testes de hipóteses múltiplas online, onde as hipóteses chegam sequencialmente e as decisões devem ser tomadas imediatamente, sem conhecimento dos testes futuros. O objetivo primário é maximizar o número de descobertas verdadeiras (poder estatístico) enquanto controla rigorosamente a Taxa de Descoberta Falsa (FDR) em cada etapa.

Embora os métodos baseados em e-valores (ex: e-LOND, e-LORD, e-SAFFRON) tenham emergido como alternativas robustas aos métodos baseados em p-valores devido à exigência de suposições mínimas de dependência (especificamente, a e-validade condicional), eles frequentemente sofrem de redução no poder estatístico. Os autores identificam uma fonte específica dessa ineficiência: o fenômeno da "sobressalência" (overshoot).

Em procedimentos padrão de e-valores, uma hipótese é rejeitada se o e-valor $e_t$ exceder o limiar $1/\alpha_t$. No entanto, os métodos existentes tratam a rejeição como um evento binário. Uma vez que o limiar é ultrapassado, qualquer evidência que exceda o limiar (a "sobressalência") é descartada. Isso leva a estimativas de erro conservadoras e a uma perda de potencial "riqueza de alfa" que poderia ser utilizada para testes futuros.

2. Metodologia: O Framework SCORE

Os autores propõem o SCORE (Sequential Control with Overshoot Refund for E-values), um framework unificado projetado para recuperar essa evidência "desperdiçada".

Insight Matemático Central

O framework baseia-se em uma desigualdade refinada que torna mais estreito o limite padrão baseado em Markov usado em provas de FDR.

• Limite Padrão: $\delta_j = \mathbb{I}(e_j \ge \alpha_j^{-1}) \le \alpha_j e_j$.
• Limite SCORE: Usando a desigualdade elementar $\mathbb{I}(y \ge 1) \le y - (y-1)_+$ para $y \ge 0$, os autores derivam:
  $$\delta_j \le \alpha_j e_j - (\alpha_j e_j - 1)_+$$
  Aqui, o termo $O_j = (\alpha_j e_j - 1)_+$ representa a sobressalência (overshoot).

Mecanismo

O framework SCORE modifica o "custo" atribuído a uma rejeição. Em vez de cobrar o orçamento total $\alpha_j$, o algoritmo cobra um custo reduzido:
$$C_j^{SCORE} = (C_j - O_j)_+$$
onde $C_j$ é o custo original (ex: $\alpha_j$ em e-LOND). A sobressalência $O_j$ é efetivamente "reembolsada" ao orçamento de erro do algoritmo. Isso permite que o algoritmo mantenha o controle válido de FDR enquanto aumenta a riqueza disponível para testes subsequentes, aumentando assim o poder.

Extensões: Atualizações Retroativas (SCORE+)

O artigo introduz adicionalmente o SCORE+, que incorpora atualizações retroativas de riqueza.

• Abordagem Padrão: Utiliza um denominador local $R_{j-1} + 1$ no estimador da Proporção de Descobertas Falsas (FDP), o que é conservador e não retroativo.
• Abordagem SCORE+: Utiliza um denominador global $R_t \vee 1$. Isso permite que o custo efetivo de testes passados seja reduzido à medida que novas descobertas são feitas.
• Suposição: Esta estratégia agressiva requer uma suposição de dependência suave chamada Dependência de Quadrante Positivo Condicional (CPQD), que postula que um e-valor atual maior não diminui o número final de descobertas. Os autores argumentam que isso é uma consequência natural da intuição de investimento de alfa e se mantém sob condições padrão (independência + atualizações monótonas).

3. Principais Contribuições

1. Framework Unificado: A introdução do SCORE como um módulo "plug-in" que pode ser aplicado a qualquer algoritmo de teste online baseado em e-valores (e-LOND, e-LORD, e-SAFFRON) para melhorar o poder sem alterar a estrutura fundamental de validade.
2. Dominância Teórica: Os autores provam que os algoritmos aprimorados pelo SCORE dominam estritamente seus contrapartes originais. Eles oferecem poder uniformemente superior enquanto preservam o controle de FDR em amostra finita válida sob as mesmas suposições mínimas (e-validade condicional).
3. Atualizações Retroativas: O desenvolvimento de variantes SCORE+ que aproveitam as atualizações retroativas de riqueza para reduzir ainda mais a lacuna de eficiência com métodos baseados em p-valores, desde que as suposições suaves de CPQD sejam atendidas.
4. Aplicação ao Estado da Arte: A derivação de regras de atualização específicas para SCORE-LOND, SCORE-LORD e SCORE-SAFFRON, demonstrando como o mecanismo de reembolso de sobressalência é integrado em cada um.

4. Resultados Experimentais

A eficácia do SCORE e SCORE+ é validada através de extensas simulações e experimentos com dados reais:

• Configuração Independente (Mistura Gaussiana): Em cenários com fluxos de dados independentes, as variantes SCORE+ consistentemente alcançam o maior poder, seguidas pelo SCORE padrão e, depois, pelos baselines originais. A razão de poder sobre os baselines aumenta ao longo do tempo conforme os reembolsos acumulados liberam mais riqueza.
• Configuração Dependente (Modelo Exponencial Autorregressivo): Sob dependência temporal, os métodos mantêm o controle de FDR válido. O SCORE ainda fornece ganhos de poder significativos sobre os baselines, com o SCORE+ yielding os maiores melhoramentos, particularmente para a família SAFFRON, onde o reembolso da sobressalência é aplicado tanto aos penalidades candidatas quanto às sobressalências de rejeição.
• Dados do Mundo Real (Triagem de Química-Genômica de Levedura): Aplicado a um conjunto de dados de 417.026 interações.
  • SCORE-LORD detectou 28.808 interações vs. 25.954 para e-LORD.
  • SCORE-SAFFRON detectou 37.748 vs. 29.867 para e-SAFFRON.
  • Variantes SCORE+ mostraram os ganhos mais dramáticos, com SCORE+-LORD detectando 44.210 interações (quase o dobro do baseline) e SCORE+-SAFFRON detectando 43.624.
• Simulações Adicionais: Comparações com métodos baseados em p-valores em configurações AR(1) mostram que métodos de e-valor com controles SCORE alcançam poder comparável ou superior aos melhores métodos de p-valor, mantendo a robustez sob dependência onde métodos marginais de p-valor falham.

5. Significância e Alegações

O artigo alega que o SCORE aborda uma ineficiência fundamental no teste de hipóteses online: a discrepância entre a evidência real cometida e o custo teórico cobrado pelo algoritmo.

• Robustez: Ao contrário de métodos anteriores que tentam recuperar riqueza (ex: ADDIS, SUR) baseando-se em suposições distributivas específicas ou super-uniformidade de p-valores, o SCORE opera dentro do paradigma de e-valores. Ele exige apenas a suposição padrão de e-validade condicional, tornando-o aplicável a fluxos de dados complexos e do mundo real onde estruturas de dependência são desconhecidas ou violadas.
• Universalidade: O framework é apresentado como um refinamento universal. Como a desigualdade $\mathbb{I}(y \ge 1) \le y$ é amplamente usada em provas de validade para e-valores, os autores sugerem que uma ampla gama de procedimentos baseados em e-valores (tanto online quanto potencialmente offline) poderia ser aprimorada ao contabilizar explicitamente a sobressalência.
• Impacto Prático: Os resultados demonstram que recuperar a evidência "desperdiçada" via reembolso de sobressalência e atualizações retroativas é altamente eficaz em cenários de triagem de alto rendimento e larga escala, aumentando significativamente o rendimento de descobertas verdadeiras sem comprometer o controle de erro.

Os autores mantêm a modéstia quanto ao escopo das atualizações retroativas, observando que, embora a CPQD seja uma suposição suave, ela é estritamente necessária para as variantes SCORE+, enquanto os algoritmos SCORE básicos permanecem válidos sob a suposição mínima de e-validade condicional apenas.