技术摘要：最大化线性组合的 SSMD

1. 问题陈述

严格标准化均差（Strictly Standardized Mean Difference, SSMD）是一种成熟且具有解释性的无量纲效应量指标，主要用于高通量筛选（HTS）中的命中检测（hit selection）、质量控制和错误率确定。传统上，SSMD 理论主要应用于单变量。然而，现代生物学和临床分析（例如细胞因子谱、代谢组学、唾液诊断）会产生多变量数据，其目标是将多个预测因子组合成一个单一的、可解释的分数，以最大限度地分离两组（例如疾病组 vs 对照组）。

本技术笔记解决的核心问题是：给定一个预测向量 $\mathbf{X}$，什么样的系数向量 $\boldsymbol{\beta}$ 能够使线性得分 $L = \mathbf{X}^T\boldsymbol{\beta}$ 的两组间 SSMD 幅度最大？

这一研究将 SSMD 从单变量统计量扩展到了多变量特征（signature），并探讨了其在各种协方差和相关结构下与经典线性分类器（Fisher 线性判别分析、逻辑回归和线性 SVM）的关系。

2. 方法论

2.1 优化公式化

本文将线性组合 SSMD 的最大化问题表述为一个广义瑞利商（generalized Rayleigh quotient）。
令 $\mathbf{m} = \boldsymbol{\mu}_1 - \boldsymbol{\mu}_2$ 为群体均值的差异，并令 $\boldsymbol{\Sigma}^*$ 代表两组得分之间协方差结构的差异。SSMD 定义为：
$$\text{SSMD}(\boldsymbol{\beta}) = \frac{\boldsymbol{\beta}^T \mathbf{m}}{\sqrt{\boldsymbol{\beta}^T \boldsymbol{\Sigma}^* \boldsymbol{\beta}}}$$
$\boldsymbol{\Sigma}^*$ 的结构取决于实验设计：

• 情况 (a)： 独立组且具有相等协方差（$\boldsymbol{\Sigma}_1 = \boldsymbol{\Sigma}_2 = \boldsymbol{\Sigma}$，$\boldsymbol{\Sigma}_{12} = 0$）。此处，$\boldsymbol{\Sigma}^* = 2\boldsymbol{\Sigma}$。
• 情况 (b)： 独立组且具有不等协方差（$\boldsymbol{\Sigma}_1 \neq \boldsymbol{\Sigma}_2$，$\boldsymbol{\Sigma}_{12} = 0$）。此处，$\boldsymbol{\Sigma}^* = \boldsymbol{\Sigma}_1 + \boldsymbol{\Sigma}_2$。
• 情况 (c)： 配对或相关组（$\boldsymbol{\Sigma}_{12} \neq 0$）。此处，$\boldsymbol{\Sigma}^* = \boldsymbol{\Sigma}_1 + \boldsymbol{\Sigma}_2 - \boldsymbol{\Sigma}_{12} - \boldsymbol{\Sigma}_{12}^T$。

2.2 最优方向

本文推导出了最优系数向量 $\boldsymbol{\beta}^*$ 的闭式解：
$$\boldsymbol{\beta}^* \propto (\boldsymbol{\Sigma}^*)^{-1} (\boldsymbol{\mu}_1 - \boldsymbol{\mu}_2)$$
该解的推导不假设预测因子的正态性，仅要求具有有限的一阶和二阶矩以及正定 $\boldsymbol{\Sigma}^*$。

2.3 估计与推断

本文提供了一个用于估计最大化 SSMD 并构建置信区间的全面框架：

• 点估计量： 详细介绍了矩估计法（代入法）、使用 Hedges 校正的无偏最小方差无偏估计量（UMVUE）以及极大似然估计量（MLE）。
• 置信区间：
  • 对于优化后的 $\boldsymbol{\beta}^*$ 情况（即系数是从同一数据中估计出的情况），平方 SSMD 的抽样分布遵循非中心 $F$ 分布（由 Hotelling's $T^2$ 导出）。通过反转该分布来构建精确区间。
  • 对于 固定 $\boldsymbol{\beta}$ 情况（预设方向），其分布遵循非中心 $t$ 分布。
  • 还提供了大样本近似（Delta 方法）和偏差校正的 Bootstrap 方法，特别适用于无法获得精确区间的非等协方差情况。

2.4 分类阈值

本文区分了寻找最优方向（最大化分离度）与寻找最优阈值（最小化分类错误）之间的区别。

• 贝叶斯最优阈值（Bayes-Optimal Cutoff）： 通过最小化投影得分空间中的预期误分类风险来推导，该方法考虑了组方差和类别先验。如果方差不等，这会在得分空间中产生二次决策边界。
• Youden 阈值： 基于经验 ROC 曲线的非参数替代方案，通过最大化 Youden 指数（$J = \text{灵敏度} + \text{特异度} - 1$）来计算，假设假阳性和假阴性的成本相等。

3. 主要贡献

1. 将 SSMD 扩展至多变量环境： 本文建立了最大化线性组合 SSMD 的理论基础，提供的闭式解推广了单变量情形。
2. 与经典分类器的联系：
   • Fisher's LDA： 仅当各组独立且共享共同协方差矩阵时（情况 a），SSMD 最大化的方向才与 Fisher 线性判别方向完全一致。
   • 异方差性： 在不等协方差下（情况 b），SSMD 方向对应于 Anderson–Bahadur 线性判别，这与 Fisher 的合并协方差方向不同。
   • 配对设计： 在相关/配对设计中（情况 c），SSMD 方向独特地纳入了交叉协方差项（$\boldsymbol{\Sigma}_{12}$）。Fisher's LDA、逻辑回归和线性 SVM 在其标准形式中通常忽略配对关系，因此无法恢复这一最优方向。
3. 与 AUROC 的关系： 一个主要的理论贡献是建立了 SSMD 与受试者工作特征曲线下面积（AUROC）之间的严谨联系。
   • 在正态分布下，$\text{AUROC} = \Phi(\text{SSMD})$，其中 $\Phi$ 是标准正态分布的累积分布函数。因此，最大化 SSMD 等同于最大化 AUROC。
   • 对于非正态单峰分布，本文引用了现有研究，证明了 AUROC 作为 SSMD 函数的显式下界，确保了最大化 SSMD 可以提高分类性能的保证下界。
4. 推断框架： 本文为最大化 SSMD 提供了完整的统计推断包（点估计、偏差校正和置信区间），解决了从用于评估的同一数据中估计方向时存在的“乐观主义”偏差问题。

4. 模拟与比较结果

本文展示了将 SSMD 最大化与 Fisher's LDA、逻辑回归和线性 SVM 进行比较的模拟结果：

• 等协方差（情况 a）： 当类别先验相等时，四种方法产生几乎相同的判别方向和阈值（中点）。
• 不等协方差/不平衡（情况 b）：
  • 方向发生分歧。Fisher's LDA（合并协方差）会偏离最优方向。
  • 令人惊讶的是，在线性 SVM（基于间隔）和逻辑回归在高斯设定下通常与 SSMD 方向高度一致，尽管其目标函数不同。
  • 阈值至关重要：标准的中间值阈值（LDA 使用）在异方差情况下表现较差。Bayes-optimal 或 Youden 阈值通过向方差较小的组偏移，显著降低了错误率。
• 配对/相关设计（情况 c）：
  • 只有 SSMD 方法利用了交叉协方差信息。
  • Fisher's LDA、逻辑回归和线性 SVM 忽略了配对关系，导致方向次优，无法实现配对效应量的最大化。相比之下，通过计算可以量化最优方向相对于其他方法的 SSMD 幅度增益。

5. 意义与主张

本文将最大化 SSMD 定位为一种独特且具有解释性的构建多变量生物标志物的方法，相较于标准机器学习分类器具有特定优势：

• 可解释性： 与优化间隔或似然而不直接提供效应量指标的 SVM 或逻辑回归不同，SSMD 提供了一个无量纲的衡量分离程度的指标。
• 以 AUROC 为中心： 该方法与 AUROC 有着明确的联系，而 AUROC 是诊断医学中的标准指标。最大化 SSMD 被呈现为一种旨在最大化线性得分整体判别能力（而非仅仅是单一阈值下的准确率）的原则性方法。
• 广泛适用性： 该框架在独立、异方差和配对设计下均具有鲁棒性，且在正态和单峰非正态分布下均适用。
• 推断： 它提供了一个完整的统计推断包（点估计、偏差校正和置信区间），这在标准的分类器训练中往往是缺失的。

承认局限性：
本文指出，最优方向是一个单一的线性投影；如果由于不等协方差导致 Bayes-optimal 边界确实是二次的，那么线性 SSMD 得分仅在线性规则类中是最优的。此外，该方法对共线性及病态协方差矩阵较为敏感，在高维设定下需要正则化或降维处理。其精确置信区间依赖于投影得分的正态近似。

总之，本文认为，最大化线性组合的 SSMD 提供了一个统一、可解释且统计严谨的框架，用于进行效应量评估和生物标志物特征构建，特别是在标准分类器可能无法充分利用特定数据结构的高通量筛选和配对实验设计中。