📊 statistics

FDP control in multivariate linear models using the bootstrap

本文提出了一种基于自助法（bootstrap）的方法，用于多元线性模型中错误发现比例（False Discovery Proportion）的事后推断，该方法通过在神经影像学和转录组学中的模拟及实际应用证明，能够对所有假设子集实现同步渐近控制，具有更简单的理论依据，并且比现有的参数化方法具有更高的统计功效。

原作者： Samuel Davenport, Bertrand Thirion, Pierre Neuvial

发布于 2026-09-04

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Samuel Davenport, Bertrand Thirion, Pierre Neuvial

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

在现代科学的广袤领域中，研究人员经常面临的问题不是寻找草堆中的一根针，而是寻找散落在田野里的数千根针，同时还要确保不会将一根稻草误认为是一根针。这一挑战在脑成像和遗传学等领域尤为突出，在这些领域，科学家会同时测量数千个信号。例如，在脑部扫描中，计算机可能会检查每一个微小的组织立方体，以观察其在特定任务期间是否被激活。在遗传学研究中，它可能会检查数千个基因，以观察它们的活性是否随疾病而变化。处理这种海量数据的标准方法一直是控制“错误发现率”（false discovery rate），这是一种统计上的安全网，旨在限制整个研究中的平均错误数量。然而，这个安全网存在一个盲点：它保证了平均错误率，却不能保证任何特定的一组发现确实是正确的。研究人员可能会识别出一簇活跃的脑区或一组与疾病相关的基因，却发现该特定组别中的很大一部分实际上是噪声，且这种比例是不可预测的。为了真正信任一项发现，科学家需要一种方法来声明：“我们有95%的把握确定，无论我们是如何选择该组别的，这一特定组别中至少有这么多项是真实的。”

这正是 Samuel Davenport、Bertrand Thirion 和 Pierre Neuvial 在他们最近的工作中所解决的精确缺口。他们开发了一种新方法，能够为复杂统计模型中的发现组提供这些具体且可靠的保证。他们的研究重点在于“错误发现比例”（false discovery proportion），即所选结果集中的实际错误百分比，而非所有可能集合的平均值。为了解决这个问题，他们采用了名为“自助法”（bootstrap）的技术。想象一位科学家收集了一组人的数据，想要知道他们看到的某种模式是真实的还是仅仅是一个巧合。与其依赖于假设数据行为完全符合可预测模式的僵化数学公式，自助法通过随机重新排列原始数据点，创建了数千个数据集的“虚构版本”。通过分析这些虚构版本，研究人员可以构建出一幅关于在特定情况下随机噪声长什么样的图像。作者们将这种技术应用于脑科学和基因研究中使用的复杂多变量模型，证明了即使在数据点高度相互关联（这在生物学中非常常见）的情况下，该方法依然运行可靠。

研究人员通过严密的计算机模拟测试了他们的方法，创建了模仿现实世界脑扫描和基因表达数据中那种杂乱且相互关联特性的人工数据集。他们将这种自助法与依赖于数据点之间关系遵循严格假设的现有标准方法进行了对比。结果非常明确：新的自助法提供了更紧密且更准确的错误发现数量界限。在许多场景下，标准方法过于谨慎，当研究人员的发现实际上相当稳固时，它们仍会警告研究人员其发现可能不可靠。自助法通过学习数据中噪声的具体结构，允许研究人员以高置信度声称更大比例的发现是真实的。例如，在涉及不同平滑度和不同受试者数量的模拟中，新方法始终将错误率控制在理想水平，而旧方法则往往表现不佳，要么过于宽松，要么根据数据的复杂程度显得过于保守。

为了展示这种方法在现实环境中的力量，团队将其应用于两个截然不同的数据集。第一个来自人类连接组计划（Human Connectome Project），这是一个包含386名无关个体进行工作记忆任务的大规模脑扫描数据集。研究人员感兴趣的是哪些大脑区域与个人的性别和智商相关。利用他们的新方法，他们可以自信地声明，在特定的活跃脑组织簇内，高比例的体素（即扫描中的微小3D像素）是真正活跃的。当将其与标准方法进行比较时，自助法在保持相同确定水平的前提下，识别出了显著更多的活跃组织。在第二个应用中，他们分析了135名慢性阻塞性肺疾病患者的基因表达数据。目标是寻找与肺功能相关的基因。标准方法表明，被识别为显著的基因中，可能只有不到一半是真正的发现。相比之下，新的自助法允许研究人员得出结论：以90%的置信度，在被标记为显著的1,745个基因中，至少有1,354个确实是活跃的，这对医学研究人员来说是一个信息量大得多且更有用的结果。

这项工作的意义在于它能够处理生物数据的复杂性和依赖性，而不依赖于不切实际的假设。传统方法通常假设数据点是独立的，或者遵循某种特定的简单相关模式，但这在脑部或基因组中很少见。通过使用自助法来模拟数据的实际分布，作者创建了一个能够应对这些复杂性的工具。他们还引入了一种“步降式”（step-down）版本的方法，通过迭代优化结果以榨取更多效能，尽管他们发现，在许多真实信号稀缺的情况下，标准版本已经几乎同样有效。作者承认，他们的方法提供的保证在数据量增加时依然成立，并且他们的模拟显示，在拥有合理数量的受试者时，误差控制是非常精准的。这项工作为那些需要在嘈ill、相互关联的现代生物学世界中超越宽泛平均值并做出精确、可靠声明的科学家们，提供了一个实用的升级方案。

技术摘要：利用自助法（Bootstrap）进行多元线性模型中的 FDP 控制

问题陈述
本文探讨了在多元线性模型中进行假发现比例（False Discovery Proportion, FDP）事后推断（post hoc inference）的挑战，特别是在涉及多个对比（例如功能磁共振成像和转录组学）的情境下。虽然控制假发现率（False Discovery Rate, FDR）是标准做法，但它仅控制 FDP 的期望值，在检验统计量存在依赖性时，可能导致误差控制不可靠。此外，标准的 FDR 程序通常假设存在正回归依赖（positive regression dependence），而这一假设在同时对每个特征（体素或基因）进行多个对比测试时可能并不成立。现有的基于 Simes 不等式的后验推断方法（Goeman and Solari, 2011; Rosenblatt et al., 2018）虽然提供了对 FDP 的概率界限，但依赖于关于数据依赖结构的参数化假设。作者指出，在不依赖强参数化依赖假设的情况下，获取通用线性模型中多个对比的联合误差率（Joint Error Rate, JER）控制存在研究空白。

方法论
作者提出了一种利用残差自助法（residual bootstrap）来模拟多个对比下检验统计量的联合零分布的非参数化方法。该方法流程如下：

框架： 数据被建模为在有限点集 $V$ （例如体素或基因）上观测到的随机场，遵循线性模型 $Y_n(v) = X_n\beta(v) + E_n(v)$ 。目标是针对 $L$ 个对比测试零假设 $H_{0,l}(v): c_l^T\beta(v) = 0$ 。
自助法程序： 该方法采用残差自助法。从拟合模型中计算残差 $\hat{E}_n$ 。在每次自助迭代 $b$ 中，通过有放回地重采样残差来创建新的误差场 $E_n^b$ 。生成新的响应场 $Y_n^b = X_n\hat{\beta}_n + E_n^b$ ，并计算自助参数估计值 $\hat{\beta}_n^b$ 。
理论证明： 作者证明了多元残差自助法在线性模型中的一致性。不同于以往依赖复杂度量收敛论证的证明（例如 Eck, 2018），本文利用 Lindeberg 中心极限定理，证明了自助检验统计量在全局零假设下与真实的高斯极限分布一致。
联合误差率（JER）控制： 自助法与 Blanchard 等人 (2020) 的后验推断框架相结合。通过估计特定于检验统计量的泛函（与 p 值应用的逆模板函数的最小值相关）的 $\alpha$ -分位数，该方法确定了一个阈值 $\lambda$ 。该阈值定义了一个“规范参考族”（canonical reference family）的拒绝集合。
步降程序（Step-Down Procedure）： 为了提高功效（power），引入了一个步降算法（算法 1）。它通过移除在当前步骤被拒绝的假设来迭代精炼假设集，重新计算剩余集合上的阈值，并重复此过程直到收敛。
FDP 界限： 一旦控制了 JER，该方法即可为任何数据驱动的假设子集提供假阳性数量的同时上界（以及真发现比例 TDP 的下界）。

核心贡献

理论证明： 与现有文献（特别是 Eck, 2018）相比，本文利用 Lindeberg CLT 提供了一个更简单的线性模型中多元残差自助法一致性的证明。
渐近 FDP 控制： 本文确立了所提自助程序在多元线性模型设定下，实现了对所有假设子集的 FDP 的渐近同时控制。
扩展至多个对比： 该方法将后验推断能力扩展到了涉及多个对比的场景，在这些场景中，由于缺乏可交换性（exchangeability），传统的置换方法往往失效。
算法实现： 作者提供了一个既能保持误差率控制又能潜在提高功效的步降自助程序。

结果
作者通过模拟和实际应用验证了其方法：

模拟实验： 在具有不同样本量（ $n=20$ $n = 20$ 至 $100 $）、平滑度水平（FWHM 0, 4, 8）和真零假设比例（$ $）、平滑度水平（ F W H M 0, 4, 8 ）和真零假设比例（$ \pi_0$）的 2D 高斯随机场上进行了数值模拟。
- 误差控制： 自助法（单步和步降法）表明，随着样本量增加，经验联合误差率（JER）收敛于标称水平（例如 0.1）。相比之下，当存在数据依赖（非零平滑度）时，参数化方法（Simes 和 ARI）表现得过于保守（显著低于标称水平）。
- 功效： 自助法方法通常比参数化替代方案提供更高的功效（更紧的 TDP 界限），尤其是在存在依赖性的设定下。步降自助法相比单步版本提供了边际改进，尽管在稀疏信号场景下的差异很小。
真实数据应用：
- 神经影像学 (HCP)： 应用于 386 名受试者执行 m-back 工作记忆任务的数据集。与 Simes 和 ARI 相比，自助法在 IQ 和性别对比的集群内活跃体素比例方面产生了更高的下界。
- 转录组学 (COPD)： 应用于包含 135 名受试者和 12,531 个基因的数据集。自助法得出结论，在 1,745 个由 Benjamini-Hochberg 识别的基因中，至少有 1,354 个是真阳性（90% 置信度），而 Simes 和 ARI 提供的界限明显较低（分别为 917 和 966）。

意义与主张
本文声称，所提出的自助法为参数化后验推断方法提供了一个稳健的替代方案。其主要意义在于能够对数据内的依赖结构进行建模，而无需依赖 Simes 类方法所必需的“正回归依赖”假设。因此，在数据呈现依赖性的现实场景（如神经影像学和基因组学）中，自助法能提供较不保守（更高效）的界限。

作者谨慎地指出，FDP 的控制是渐近性的；虽然模拟显示在合理的样本量（ $n \ge 20$ ）下可以实现正确控制，但在极小样本量（ $n=10$ ）或低平滑度水平下可能会略显保守。此外，虽然步降程序在理论上提高了功效，但作者观察到在现实世界的稀疏数据设定中（即 $\pi_0$ 接近 1 时），其相对于单步方法的实际改进微乎其微。这项工作将后验推断的应用范围扩展到了涉及多个对比的多元线性模型领域，而在该领域，由于可交换性的失效，精确的置换方法通常无法适用。

类似论文