WikiDer > Гармоническое среднее значение p

В гармоническое среднее п-ценить^[1][2][3] (HMP) это статистический метод решения проблема множественных сравнений что контролирует уровень ошибок с точки зрения семьи.^[2] Это улучшает мощность из Коррекция Бонферрони путем выполнения комбинированных тестов, т.е. группы из п-значения статистически значимы, например Метод Фишера.^[4] Однако это позволяет избежать ограничительного предположения, что п-значения независимый, в отличие от метода Фишера.^[2][3] Следовательно, он контролирует ложноположительный рейтинг когда тесты являются зависимыми, за счет меньшей мощности (т.е. ложноотрицательная ставка), когда тесты независимы.^[2] Помимо предоставления альтернативы таким подходам, как Коррекция Бонферрони который контролирует строгие частота ошибок в семье, он также является альтернативой широко используемому Процедура Бенджамини-Хохберга (BH) для контроля менее строгих коэффициент ложного обнаружения.^[5] Это потому, что способность HMP обнаруживать значительные группы гипотез больше, чем способность BH обнаруживать значимые индивидуальный гипотезы.^[2]

Есть две версии техники: (i) прямая интерпретация HMP как приблизительный п-значение и (ii) процедура преобразования HMP в асимптотически точный п-ценить. Подход обеспечивает многоуровневая процедура испытаний в котором самые маленькие группы п-значения, которые являются статистически значимыми, могут быть найдены.

Прямая интерпретация гармонического среднего п-ценить

В взвешенное гармоническое среднее из п-значения ${ textstyle p_ {1}, dots, p_ {L}}$ определяется как

куда ${ textstyle w_ {1}, dots, w_ {L}}$ веса, которые должны суммироваться в единицу, т.е. ${ textstyle сумма _ {я = 1} ^ {L} w_ {я} = 1}$. Могут быть выбраны равные веса, и в этом случае ${ textstyle w_ {i} = 1 / L}$.

В общем, интерпретация HMP напрямую как п-значение является антиконсервативным, что означает, что ложноположительный рейтинг выше, чем ожидалось. Однако по мере того, как HMP становится меньше, при определенных допущениях, расхождение уменьшается, так что прямая интерпретация значимости приводит к ложноположительной частоте, близкой к той, которая подразумевается для достаточно малых значений (например, ${ Displaystyle { overset { circ} {p}} <0,05}$).^[2]

HMP никогда не бывает антиконсервативным по большей части. ${ textstyle e , log L}$ для маленьких ${ textstyle L}$, или же ${ textstyle log L}$ для больших ${ textstyle L}$.^[3] Однако эти границы представляют собой наихудшие сценарии при произвольной зависимости, которые на практике могут оказаться консервативными. Вместо того, чтобы применять эти оценки, асимптотически точные п-значения могут быть получены путем преобразования HMP.

Асимптотически точное гармоническое среднее п-значение процедуры

Обобщенная центральная предельная теорема показывает, что асимптотически точный п-ценить, ${ textstyle p _ { overset { circ} {p}}}$, можно вычислить из HMP, ${ displaystyle { overset { circ} {p}}}$, используя формулу^[2]

При условии соблюдения предположений обобщенная центральная предельная теорема, это преобразовало п-значение становится точным как количество тестов, ${ textstyle L}$, становится большим. В вычислении используется Распределение Ландау, функция плотности которого может быть записанаТест проводится p.hmp командование гармонический Пакет R; а руководство доступно в Интернете.

Точно так же можно сравнить HMP с таблицей критических значений (Таблица 1). Таблица показывает, что чем меньше частота ложных срабатываний и меньше количество тестов, тем ближе критическое значение к частоте ложных срабатываний.

Таблица 1. Критические значения для HMP ${ textstyle { overset { circ} {p}}}$ для разного количества тестов ${ textstyle L}$ и ложные срабатывания ${ textstyle alpha}$.^[2]

${ textstyle L}$	${ textstyle альфа = 0,05}$	${ textstyle альфа = 0,01}$	${ textstyle альфа = 0,001}$
10	0.040	0.0094	0.00099
100	0.036	0.0092	0.00099
1,000	0.034	0.0090	0.00099
10,000	0.031	0.0088	0.00098
100,000	0.029	0.0086	0.00098
1,000,000	0.027	0.0084	0.00098
10,000,000	0.026	0.0083	0.00098
100,000,000	0.024	0.0081	0.00098
1,000,000,000	0.023	0.0080	0.00097

Многократное тестирование через многоуровневую процедуру тестирования

Если HMP значим на каком-то уровне ${ textstyle alpha}$ для группы ${ textstyle L}$ п-значения, можно искать все подмножества ${ textstyle L}$ п-значения для самой маленькой значимой группы при сохранении строгого уровня ошибок в семье.^[2] Формально это составляет процедура закрытого тестирования.^[6]

Когда ${ textstyle alpha}$ маленький (например, ${ textstyle альфа <0,05}$), следующий многоуровневый тест, основанный на прямой интерпретации HMP, контролирует интенсивность семейных ошибок на уровне приблизительно ${ textstyle alpha:}$

1. Определите HMP любого подмножества ${ textstyle { mathcal {R}}}$ из ${ textstyle L}$ п-значения быть
   $${ displaystyle { overset { circ} {p}} _ { mathcal {R}} = { frac { sum _ {i in { mathcal {R}}} w_ {i}} { sum _ {i in { mathcal {R}}} w_ {i} / p_ {i}}}.}$$

   
2. Отвергните нулевую гипотезу о том, что ни один из п-значения в подмножестве ${ textstyle { mathcal {R}}}$ имеют значение, если ${ textstyle { overset { circ} {p}} _ { mathcal {R}} leq alpha , w _ { mathcal {R}}}$, куда ${ textstyle w _ { mathcal {R}} = sum _ {я in { mathcal {R}}} w_ {i}}$. (Напомним, что по определению ${ textstyle сумма _ {я = 1} ^ {L} w_ {я} = 1}$.)

Асимптотически точная версия вышеизложенного заменяет ${ textstyle { overset { circ} {p}} _ { mathcal {R}}}$на шаге 2 с

куда ${ textstyle L}$ дает количество п-значения, а не только в подмножестве ${ textstyle { mathcal {R}}}$.^[7]

Поскольку прямая интерпретация HMP выполняется быстрее, можно использовать двухпроходную процедуру для идентификации подмножеств п-значения, которые могут быть значимыми при прямой интерпретации, при условии подтверждения с использованием асимптотически точной формулы.

Свойства HMP

HMP обладает рядом свойств, которые вытекают из обобщенной центральной предельной теоремы.^[2] Это:

• От устойчивой до положительной зависимости между п-значения.
• Нечувствителен к точному количеству тестов, L.
• Устойчив к распределению весов, ш.
• Больше всего под влиянием самых маленьких п-значения.

Когда HMP не имеет значения, нет ни одного подмножества составляющих тестов. И наоборот, когда многоуровневый тест считает, что подмножество п-значения должны быть значительными, HMP для всех п- совокупные значения, вероятно, будут значительными; это очевидно, когда HMP интерпретируется напрямую. Когда цель - оценить значимость индивидуальный п-значения, так что комбинированные тесты, касающиеся группы из п-значения не представляют интереса, HMP эквивалентен Бонферрони процедура, но с учетом более строгого порога значимости ${ textstyle alpha _ {L} < alpha}$ (Таблица 1).

HMP предполагает, что индивидуальный п-значения имеют (не обязательно независимые) стандартная униформа распределения, когда их нулевые гипотезы верны. Поэтому большое количество тестов с недостаточной мощностью может повредить мощность HMP.

Хотя выбор весов не важен для валидности HMP при нулевой гипотезе, весовые коэффициенты влияют на мощность процедуры. Дополнительные методы §5C ^[2] и онлайн руководство рассмотрим вопрос более подробно.

Байесовские интерпретации HMP

HMP был задуман по аналогии с усреднением байесовской модели и может интерпретироваться как обратно пропорциональный усредненному по модели. Фактор Байеса при объединении п-значения от тесты отношения правдоподобия.^[1][2]

Гармоническое среднее эмпирическое правило

И. Дж. Хорошо сообщили об эмпирической взаимосвязи между байесовским фактором и п-значение теста отношения правдоподобия.^[1] Для нулевой гипотезы ${ textstyle H_ {0}}$ вложен в более общую альтернативную гипотезу ${ textstyle H_ {A},}$ он заметил, что часто,

куда ${ textstyle { textrm {BF}} _ {я}}$ обозначает байесовский фактор в пользу ${ textstyle H_ {A}}$ против ${ displaystyle H_ {0}.}$ Экстраполируя, он предложил практическое правило, согласно которому HMP считается обратно пропорциональным среднему по модели байесовскому фактору для набора ${ textstyle L}$ тесты с общей нулевой гипотезой:Хорошо, что его практическое правило поддерживает взаимозаменяемость между Байесовский и классический подходы к проверке гипотез.^{[8][9][10][11][12]}

Байесовская калибровка п-значения

Если распределения п-значения по альтернативным гипотезам следуют Бета-распределения с параметрами ${ Displaystyle влево (0 < xi _ {я} <1,1 вправо)}$, форма, рассмотренная Селлке, Баярри и Бергером,^[13] то обратная пропорциональность между усредненным по модели байесовским фактором и HMP может быть формализована как^[2][14]

куда

• ${ textstyle mu _ {я}}$ априорная вероятность альтернативной гипотезы ${ textstyle i,}$ такой, что ${ textstyle сумма _ {я = 1} ^ {L} му _ {я} = 1,}$
• ${ textstyle хи _ {я} / (1+ хи _ {я})}$ ожидаемое значение ${ textstyle p_ {i}}$ при альтернативной гипотезе ${ textstyle i,}$
• ${ textstyle w_ {i} = u_ {i} / { bar { xi}}}$ вес, приписываемый п-ценить ${ textstyle i,}$
• ${ textstyle u_ {i} = left ( mu _ {i} , xi _ {i} right) ^ {1 / (1- xi _ {i})}}$ включает вероятности и мощности априорной модели в веса, и
• ${ textstyle { bar { xi}} = сумма _ {я = 1} ^ {L} и_ {я}}$ нормализует веса.

Приближение лучше всего подходит для тестов с хорошей производительностью (${ Displaystyle xi _ {я} ll 1}$).

Гармоническое среднее п-значение как граница байесовского фактора

Для тестов отношения правдоподобия ровно с двумя степенями свободы Теорема Уилкса подразумевает, что ${ textstyle p_ {i} = 1 / R_ {i}}$, куда ${ textstyle R_ {i}}$ это максимальное отношение правдоподобия в пользу альтернативной гипотезы ${ textstyle i,}$ и поэтому ${ textstyle { overset { circ} {p}} = 1 / { bar {R}}}$, куда ${ textstyle { bar {R}}}$ является средневзвешенным максимальным отношением правдоподобия с использованием весов ${ textstyle w_ {1}, dots, w_ {L}.}$ С ${ textstyle R_ {i}}$ является верхней границей байесовского фактора, ${ textstyle { textrm {BF}} _ {я}}$, тогда ${ textstyle 1 / { overset { circ} {p}}}$ - это верхняя граница усредненного по модели байесовского фактора:

Хотя эквивалентность сохраняется только для двух степеней свободы, соотношение между ${ textstyle { overset { circ} {p}}}$ и ${ textstyle { bar {R}},}$ и поэтому ${ textstyle { overline { textrm {BF}}},}$ аналогично ведет себя для других степеней свободы.^[2]

В предположении, что распределения п-значения по альтернативным гипотезам следуют Бета-распределения с параметрами ${ displaystyle left (1, kappa _ {i}> 1 right),}$ и что веса ${ displaystyle w_ {i} = mu _ {i},}$ HMP обеспечивает более жесткую верхнюю границу усредненного по модели байесовского фактора:

результат, который снова воспроизводит обратную пропорциональность эмпирической зависимости Гуда.^[15]

Рекомендации