Improving the adjusted Benjamini--Hochberg method using e-values in knockoff-assisted variable selection

Resumo Técnico: Melhoria do Método Benjamini-Hochberg Ajustado usando E-valores em Seleção de Variáveis Assistida por Knockoffs

1. Problema e Contexto

O artigo aborda o problema de seleção de variáveis em modelos de regressão linear de alta dimensão ($Y = X\beta + \varepsilon$), onde o objetivo é identificar quais coeficientes $\beta_j$ são não nulos (variáveis relevantes) entre um grande número de candidatos ($m$), controlando a Taxa de Descoberta Falsa (FDR).

• Desafio Principal: Em aplicações modernas, os estatísticos de teste baseados nos coeficientes estimados ($\hat{\beta}$) frequentemente apresentam dependências arbitrárias, o que invalida o método clássico de Benjamini-Hochberg (BH).
• Soluções Existentes:
  • O método Knockoff (Barber e Candès, 2015) é uma abordagem livre de p-values que controla rigorosamente a FDR, mas pode ter baixa potência (poder de detecção) em cenários com sinais fracos, poucos sinais ou FDR alvo baixo.
  • O método Bonferroni-Benjamini-Hochberg (Bon-BH) de Sarkar e Tang (2017) utiliza knockoffs para gerar duas estimativas independentes de $\beta$, criando dois conjuntos de p-values ($P^{(1)}$ e $P^{(2)}$). Embora mais potente que o Knockoff em certos cenários, ele é visto como um caso específico e "extremo" de uma estratégia de calibração.

2. Metodologia Proposta

Os autores propõem um novo quadro unificado que reinterpreta os métodos existentes através da calibração de p-valores para e-valores (p-to-e calibration).

• Conceito Central: Em vez de usar p-values diretamente, o primeiro conjunto de p-values ($P^{(1)}$) é convertido em e-valores ($S^{(1)}$) usando uma função calibradora $g$. Esses e-valores atuam como pesos para o segundo conjunto de p-values ($P^{(2)}$), que são usados para a decisão final de rejeição.
• Inovação Chave: O uso de calibradores limitados (bounded calibrators). Diferente dos calibradores admissíveis clássicos (que podem ir a infinito), os autores utilizam funções limitadas para garantir estabilidade e evitar inflação de variância, permitindo uma atribuição de pesos mais refinada e flexível.

Os três procedimentos propostos são:

1. Método 1 (ep-BH): Um procedimento de BH ponderado por e-valores não normalizados. Os e-valores derivados de $P^{(1)}$ ponderam diretamente os p-values de $P^{(2)}$. Garante controle exato da FDR em amostras finitas.
2. Método 2 (Adaptativo ep-BH): Estende o Método 1 estimando a proporção de hipóteses nulas verdadeiras ($\pi_0$) a partir de $P^{(2)}$ e ajustando o limiar de rejeição. Oferece controle assintótico da FDR e maior potência.
3. Método 3 (Adaptativo Ponderado): Normaliza os e-valores para que somem $m$ (transformando-os em pesos estritos) e utiliza uma estimativa adaptativa de $\pi_0$ ponderada. Aplica o BH ponderado adaptativo. Também oferece controle assintótico da FDR.

Relação com Métodos Anteriores:
O artigo demonstra que o método Bon-BH de Sarkar e Tang é um caso especial da metodologia proposta, correspondendo ao uso de um calibrador "tudo ou nada" (all-or-nothing) extremo. Ao substituir esse calibrador extremo por um calibrador contínuo e limitado (ex: $g(t) = C(1-t^a)$), os autores obtêm métodos que mantêm a validade teórica, mas com melhor comportamento empírico.

3. Contribuições Principais

• Unificação Teórica: Estabelece um quadro unificado que conecta a seleção de variáveis assistida por knockoffs, o método BH ponderado e a teoria de e-valores.
• Generalização: Mostra que os métodos de Sarkar e Tang são casos particulares de uma classe mais ampla de procedimentos baseados em calibração.
• Novos Algoritmos: Propõe três novos métodos (M1, M2, M3) que utilizam calibradores limitados para melhorar a potência sem violar o controle da FDR.
• Validação Teórica e Empírica: Prova o controle da FDR para os métodos propostos e demonstra, via simulação e dados reais, a superioridade sobre os métodos anteriores.

4. Resultados

Estudos de Simulação:
Os autores compararam os métodos propostos (M3, M4, M5) com o Knockoff Filter original (M0) e os métodos de Sarkar e Tang (M1, M2) em diversos cenários ($n, m, k$) e níveis de sinal ($\gamma$).

• Controle de FDR: Todos os métodos propostos mantiveram o controle da FDR nos níveis nominais ($\alpha = 0.05$ e $0.1$). O Método 3 mostrou controle estrito em amostras finitas.
• Potência (Power):
  • Em cenários de sinal fraco, poucas variáveis relevantes e FDR alvo baixo, os métodos propostos superaram consistentemente o Knockoff Filter (M0) e os métodos de Sarkar e Tang.
  • O Knockoff Filter tendeu a ser excessivamente conservador (baixa potência) em sinais fracos.
  • Os métodos M4 e M5 (adaptativos) mostraram curvas de potência quase indistinguíveis e superiores, especialmente em sinais moderados a fortes.
  • Em cenários de alta colinearidade, o desempenho de todos os métodos diminuiu, mas a vantagem relativa dos métodos propostos permaneceu.

Análise de Dados Reais (Resistência a Drogas HIV-1):
Aplicação em um conjunto de dados genômicos sobre resistência a inibidores de protease do HIV-1.

• Objetivo: Identificar mutações genéticas associadas à resistência a drogas.
• Resultados: Os métodos propostos (M3, M4, M5) identificaram um número significativamente maior de posições de mutação relevantes (tanto as conhecidas biologicamente quanto novas descobertas) em comparação com o Knockoff Filter e os métodos de Sarkar e Tang, especialmente no nível de FDR $\alpha = 0.05$. O método Knockoff original não detectou nenhuma posição significativa neste cenário específico, possivelmente devido à sua conservadorismo.

5. Significado e Conclusão

O trabalho representa um avanço significativo na interseção entre métodos de knockoff e testes múltiplos baseados em p-valores.

• Flexibilidade: Ao introduzir calibradores limitados contínuos, os autores oferecem uma ferramenta mais flexível para ponderar evidências em duas etapas, superando a rigidez dos métodos "tudo ou nada" anteriores.
• Aplicabilidade Prática: Os métodos são particularmente úteis em cenários comuns na prática (poucos sinais, sinais fracos), onde o Knockoff Filter tradicional falha em detectar variáveis importantes.
• Futuro: O artigo sugere extensões para Modelos Lineares Generalizados (GLMs) e a exploração de outras métricas de erro do Tipo I (como k-FDR).

Em resumo, a proposta dos autores oferece uma alternativa robusta e mais potente para a seleção de variáveis em alta dimensão, mantendo o rigor estatístico necessário para o controle de falsas descobertas.