Improving the Power of Bonferroni Adjustments under Joint Normality and Exchangeability

Resumo Técnico: Melhorando o Poder dos Ajustes de Bonferroni sob Normalidade Conjunta e Trocabilidade

Autores: Caleb Hiltunen e Yeonwoo Rho
Instituição: Michigan Technological University

1. O Problema

O ajuste de Bonferroni é uma ferramenta amplamente utilizada para controlar a Taxa de Erro Familiar (FWER - Family-Wise Error Rate) em testes de hipóteses múltiplos devido à sua simplicidade. No entanto, ele é notoriamente conservador, resultando em baixa potência estatística (alta taxa de erros do tipo II), especialmente quando:

1. O número de estatísticas de teste é muito grande.
2. As estatísticas de teste são dependentes (correlacionadas).

Métodos alternativos existentes (como Holm, Benjamini-Hochberg ou combinações de p-valores baseadas em caudas pesadas) podem ser menos conservadores, mas muitas vezes perdem a intuição prática do método de Bonferroni ou não permitem a identificação fácil de quais testes individuais são significativos após a rejeição da hipótese nula global.

O objetivo deste trabalho é modificar o ajuste de Bonferroni para aumentar sua potência sob dependência, mantendo a simplicidade e o controle rigoroso do FWER, sem assumir conhecimento prévio de parâmetros desconhecidos.

2. Metodologia

Os autores propõem um método híbrido que combina a estrutura de Bonferroni com a teoria de estatísticas de ordem de variáveis normais correlacionadas.

• Premissas:

  • As estatísticas de teste $X = (X_1, ..., X_n)$ seguem uma distribuição normal conjunta.
  • As estatísticas são trocáveis (invariantes a permutações), o que implica uma estrutura de correlação equicorrelacionada com um coeficiente de correlação comum $\rho$.
  • As estatísticas são padronizadas (média 0, variância 1 sob a hipótese nula).
  • O teste pode ser bilateral (foco do artigo) ou unilateral.

• Abordagem Teórica (Baseada em Gupta et al., 1973):
  Sob normalidade conjunta e trocabilidade, as variáveis podem ser representadas como $X_i = \sqrt{\rho}Z_0 + \sqrt{1-\rho}Z_i$, onde $Z_0$ e $Z_i$ são variáveis normais padrão independentes.
  O método define uma estatística global baseada no máximo absoluto: $M_n(|X|) = \max_{1 \le i \le n} |X_i|$.
  O valor crítico $c_\alpha$ é determinado numericamente para garantir que $P(M_n(|X|) \le c_\alpha) = 1 - \alpha$, integrando sobre a distribuição da variável comum $Z_0$.

• Inovação Principal: Estimação de $\rho$:
  O método original de Gupta et al. (1973) exigia que $\rho$ fosse conhecido, o que raramente ocorre na prática.

  • Os autores propõem estimar $\rho$ usando a variância amostral ($s_n^2$) das estatísticas de teste.
  • Sob a hipótese nula, se as variáveis são positivamente correlacionadas, elas tendem a se agrupar em torno de um único número aleatório ($Z_0$). A magnitude dessa correlação afeta a "agrupamento" (cluster), quantificável pela variância amostral.
  • O estimador utilizado é uma adaptação do método de momentos de Follmann e Proschan (2013):
    $$\hat{\rho}_{MOM} = (1 - s_n^2)I(s_n^2 < 1)$$
  • O método proposto é denominado GNP-MOM*.

• Validação Teórica:
  Os autores provam teoremas demonstrando que:

  1. O estimador $\hat{\rho}_{MOM}$ satisfaz condições de convergência necessárias (Assunção 1).
  2. O uso do estimador $\hat{\rho}$ no lugar do $\rho$ verdadeiro faz com que o p-valor calculado convirja em probabilidade para o p-valor teórico.
  3. O método controla estritamente o FWER no nível $\alpha$ assintoticamente, e empiricamente para $n \ge 20$.

3. Contribuições Chave

1. Extensão para Testes Bilaterais: Estende o trabalho de Gupta et al. (1973), que era focado em alternativas unilaterais, para o caso bilateral, mais comum na prática.
2. Eliminação da Dependência de Parâmetros Conhecidos: Resolve o problema prático de não conhecer $\rho$ ao introduzir um estimador baseado na variância amostral, tornando o método aplicável a dados reais.
3. Alta Potência em Alternativas Esparsas: O método demonstra superioridade de potência quando apenas uma pequena fração das hipóteses alternativas é verdadeira (cenário de esparsidade), superando Bonferroni e outros métodos de combinação de p-valores.
4. Identificação de Testes Individuais: Diferente de testes baseados em soma (como o teste de O'Brien ou métodos de Cauchy), o método do tipo Bonferroni permite identificar quais estatísticas individuais são significativas após a rejeição global.

4. Resultados das Simulações

Os autores realizaram três conjuntos de simulações comparando o GNP*-MOM com Bonferroni, HMP (Média Harmônica de p-valores), HMPADJ e F-P.

• Cenário 1 (Alternativa Extremamente Esparsa): Apenas uma estatística tem média não nula.
  • Resultado: O GNP*-MOM atingiu potência igual ou superior a todos os outros métodos. A potência aumentou significativamente à medida que $\rho$ e $\alpha$ aumentavam, enquanto outros métodos falharam.
• Cenário 2 (Alternativa de Densidade Variável): A proporção de médias não nulas varia de 0% a 100%.
  • Resultado: Quando a proporção de médias não nulas era inferior a 10%, o GNP*-MOM mostrou potência superior, especialmente para altos valores de $\rho$.
• Cenário 3 (Cenário de Densidade Alta): Metade das estatísticas tem média não nula.
  • Resultado: O método garantiu a rejeição do máximo, mas mostrou-se conservador para detectar outros testes significativos além do máximo (apenas 8 de 500 possíveis foram detectados). Isso indica uma limitação na identificação de múltiplos sinais simultâneos, embora o controle do erro global seja mantido.
• Controle de Tamanho (Size):
  • As tabelas de tamanho empírico (Apêndice B) mostram que o GNP*-MOM fornece um controle exato do nível $\alpha$ para diversas combinações de $n$, $\rho$ e $\alpha$.
  • Outros métodos (como HMP e Bonferroni) falharam em manter o controle exato em certas combinações, sendo ou muito conservadores (Bonferroni com alta correlação) ou muito liberais (HMP).

5. Significância e Conclusão

O artigo apresenta uma solução prática e teoricamente fundamentada para um problema clássico na estatística de múltiplos testes.

• Praticidade: Oferece uma alternativa intuitiva para praticantes que desejam o controle rigoroso do FWER do Bonferroni, mas com ganhos substanciais de potência em cenários de dependência.
• Robustez: O método é robusto para tamanhos de amostra moderados ($n \ge 20$) e não requer conhecimento prévio da estrutura de correlação.
• Limitações e Futuro: A principal limitação identificada é a dificuldade em detectar múltiplos testes significativos além do máximo absoluto em cenários de densidade média/alta. Os autores sugerem investigações futuras sobre testes sequenciais ou o uso de distribuições de estatísticas de ordem para refinar a seleção de testes individuais.

Em suma, o método GNP-MOM* representa um avanço significativo ao tornar o ajuste de Bonferroni viável e potente para dados dependentes e trocáveis, preenchendo uma lacuna entre a simplicidade computacional e a eficiência estatística.