离散多重假设检验中基于广义变换函数的FDR控制及零比例估计改进方法

《Computational Statistics & Data Analysis》：Improved null proportion estimators for multiple discrete tests with plug-in FDR control

　　

在多重假设检验中，当各检验统计量服从连续分布时通常使用Benjamini–Hochberg(BH)程序控制错误发现率(False Discovery Rate, FDR)，并借助Storey或Pounds–Cheng等类型的零比例(null proportion, π0)估计器进行自适应改良。然而对于基于Fisher精确检验(Fisher's Exact Test, FET)、二项分布或泊松分布等产生的离散p值，其分布具有超均匀(super-uniform, 即P(p≤α)≤α)而非连续Uniform(0,1)的性质，导致常规π0估计器趋于保守(overestimate m0underestimate π0的分母效应)，进而降低BH程序的检验效能(power)。本文提出三类针对离散p值的π0估计器修正方案——重标度(rescaled, 修正归一化常数ν(g))、条件均值(mean or deflated/mid-g(p))及期望随机化(expected randomized)估计器，证明其在BH plug-in框架下仍维持有限样本FDR控制且较原始估计器几乎必然(almost surely)更小(即更接近真实m0)。模拟研究与真实国际小鼠表型组学联盟(International Mouse Phenotyping Consortium, IMPC)数据分析表明，所提离散修正显著改善π0估计偏差与BH程序power，且在异质与同质null分布下均具稳健性。

研究背景与动机

在基因组学、转录组学等高通量筛选实验中广泛采用Benjamini–Hochberg(BH)程序控制错误发现率(False Discovery Rate, FDR)。实际应用中常通过估计零假设比例π₀(或等价地m₀=π₀·m)构造自适应BH(plug-in BH)以提高检验效能，典型如Storey估计器(采用指示函数g(u)=1{u>λ})与Pounds–Cheng(PC)估计器(采用恒等函数g(u)=u)。此类估计器要求p值服从或近似连续Uniform(0,1)分布。但当检验基于离散统计量(如Fisher精确检验FET、二项检验、泊松检验)时，p值取有限离散值且服从超均匀分布(super-uniform: P_H0(p≤α)≤α，严格不等号常在α取支撑点值时成立)，导致g(p)的期望E₀[g(p)]偏小，进而使π₀估计器系统性高估m₀(低估π₀估计值被压缩向1)，最终使BH阈值过于严格、丢失检验效能。此外不同检验可能有不同的离散零分布F_0i(heterogeneity)，进一步复杂化估计。现有文献中对离散多重检验下π₀估计的系统理论分析及FDR保证尚不充分，本文旨在填补这一空白。

该研究由D?hler等发表于《Computational Statistics》，核心贡献为：在广义变换函数g∈G(非减左连续函数，ν(g)=E_U~Unif(0,1)[g(U)])框架下统一Storey类与PC类估计器，针对离散p值提出三种修正的m₀估计器变体并证明仍满足Theorem 1.1的BH plug-in FDR控制条件，通过理论推导与模拟/实证验证其优越性。

主要关键技术方法

研究人员基于两样本二项响应Fisher精确检验模拟数据集(m=500, m₀=300, π₀=0.6, 分组边际N∈{10,…,100}控制离散程度)及国际小鼠表型组学联盟(IMPC)真实FET数据集(m=3000)，对比Storey(λ=0.5)与Pounds–Cheng(PC, new)基础估计器及其三种离散修正版本——重标度(resc: 修正归一化常数ν_i^resc=E₀[g(p_i)])、条件均值(mean/deflated: 用g?_Fi(p_i)=E[g(U)|U∈(F_i(s_k-1),F_i(s_k)]]替代g(p_i)，对g(u)=u退化为mid-p值)、期望随机化(rand: 对随机化p值r(p,u)=p-u·P₀(p(X)=p(x))取E_U[1/m?₀(r(p,U))]?1，蒙特卡洛近似rand-MC)。分别评估π₀估计偏差/中位数及plug-in BH的FDR与power，并考察正依赖(Gaussian copula ρ=0.6)情形。理论部分给出Proposition 3.1–3.3证明FDR控制与估计器单调性(m?₀^rand≤m?₀^mean≤m?₀a.s.)。

研究结果

Section 3.1 Rescaled Estimator(重标度估计器)

定义ν_i^resc=E₀[g(p_i)]=∑_kg(s_k)·(F_0i(s_k)?F_0i(s_k-1))替代原ν(g)，构造m?₀^resc。Proposition 3.1证明若原m?₀∈F₀则BH plug-in仍控制FDR且m?₀^resc≤m?₀a.s.，消除原估计式中null贡献偏差。当各F_i异质(heterogeneous)且ν_i^resc>ν(g)至少对一个i成立时严格改进，齐次(homogeneous)情形改进依赖于g的选择(g(u)=u可改进，g(u)=1{u>λ}在λ属共同支撑时不变)。

Section 3.2 Mean-value (Deflated g) Approach(均值/缩减函数法)

定义分段常数g?_F(t)使E[g?_F(p)]=E[g(U)]，其中a_k=∫_F(sk-1)^F(s_k)g(s)ds / (F(s_k)?F(s_k-1))为g(U)在对应区间的条件期望。对g(u)=u得mid-p值g?_F(s_k)=(s_k+s_k-1)/2。构造m?₀^mean用∑g?_Fi(p_i)替代∑g(p_i)。Proposition 3.2证BH plug-in控制FDR且m?₀^mean≤m?₀a.s.。

Section 3.3 Expected Randomized Estimator(期望随机化估计器)

引入随机化p值r(p,u)=p?u·P₀(p(X)=p(x)), U～Unif(0,1)^m独立。定义m?₀^rand=(E_U[1/m?₀(r(p,U))] )?1。Proposition 3.3(a)(b)(c)证BH plug-in控制FDR，m?₀^rand≤m?₀a.s.，且对m?₀∈F₀有m?₀^rand≤m?₀^meana.s.。实践中用Monte-Carlo近似m?₀^rand-MC，N_MC=1000示例显示变异性小且与m?₀^mean极接近故常可互替。

Section 4 Results for Simulated Data(模拟数据结果)

独立与正依赖(Gaussian copula ρ=0.6)两种设定下，三种离散修正均显著降低π₀估计偏倚(尤其小N即强离散时)，减少m?₀>m或>真值现象。对应plug-in BH程序FDR仍低于α=0.05标称水平，power较未修正版本提升(接近oracle BH)。Storey与PC基础估计器经修正后性能趋近。依赖情形下估计变异增大但FDR仍受控。

Section 5 Real Data Analysis(真实数据分析)

对IMPC Fischer's Exact Test数据集(m=3000)，Storey与PC估计器及其discrete resc/mean/random版本显示离散修正降低π?₀、增加拒绝数(discoveries)，两类基础估计器修正后行为相似。rand版与mean版结果实际重合故图中省略。

Section 6 Choice of Transformation Function(变换函数选取讨论)

指出g∈G可用加权指示函数g_w(p)=∑w_j·1{p≥s_j}参数化，在已知两组成分模型(π₀, F_1i)时可构建最小化bias或MSE的数值优化问题(二次约束线性规划)；连续情形推导MSE(π?₀)表达式并建议用grid λ与权重w的凸组合类G(λ)数值逼近最优g。

讨论与结论

本文在统一变换函数框架下证明：对离散p值通过重标度归一化常数、缩减函数取条件均值、或期望随机化三种途径修正Storey与Pounds–Cheng类π₀估计器，所得到的BH plug-in程序仍维持有限样本FDR控制，且修正估计器几乎必然不大于原始估计器(即更接近真实m₀)，其中期望随机化估计器在最细粒度意义上最优(m?₀^rand≤m?₀^mean≤m?₀a.s.)。模拟与IMPC实证表明修正显著缓解离散导致的保守性与power损失，在异质/同质null分布及轻度正依赖下均稳健。研究为离散多重检验中FDR自适应控制提供了理论保证与实践可行的π₀估计改进方案，拓展了连续框架下经典估计器至离散检验场景。