Cálculo dos valores de p em mínimos quadrados restritos (não negativos)

Eu tenho usado o Matlab para realizar mínimos quadrados sem restrição (mínimos quadrados comuns) e ele gera automaticamente os coeficientes, a estatística de teste e os valores de p.

Minha pergunta é que, ao executar mínimos quadrados restritos (coeficientes estritamente não negativos), ele apenas gera os coeficientes, SEM estatística de teste, valores de p.

É possível calcular esses valores para garantir significância? E por que não está disponível diretamente no software (ou em qualquer outro software?)

A resolução de mínimos quadrados não negativos (NNLS) baseia-se em um algoritmo que o diferencia dos mínimos quadrados regulares.

Expressão algébrica para erro padrão (não funciona)

Com mínimos quadrados regulares, você pode expressar valores de p usando um teste t em combinação com estimativas para a variação dos coeficientes.

Essa expressão para a variação da amostra da estimativa dos coeficientes é A variação dos erros geralmente será desconhecida mas pode ser estimado usando os resíduos. Essa expressão pode ser derivada algebricamente a partir da expressão dos coeficientes em termos das medições$\hat\theta$

Isso implica / assume que o pode ser negativo e, portanto, quebra quando os coeficientes são restritos.$\theta$

Matriz de informações inversa de Fisher (não aplicável)

A variação / distribuição da estimativa dos coeficientes também se aproxima assintoticamente da matriz de informações de Fisher observada :

Mas não tenho certeza se isso se aplica bem aqui. A estimativa do NNLS não é uma estimativa imparcial.

Método de Monte Carlo

Sempre que as expressões se tornarem muito complicadas, você pode usar um método computacional para estimar o erro. Com o método de Monte Carlo, você simula a distribuição da aleatoriedade do experimento, simulando repetições do experimento (recalculando / modelando novos dados) e, com base nisso, estima a variação dos coeficientes.

O que você pode fazer é tomar as estimativas observadas dos coeficientes do modelo e variância residual e com base nesses dados novos de computação (algumas milhares de repetições, mas depende da precisão desejada) a partir da qual você pode observar a distribuição (e variação e derivada disso a estimativa do erro) para os coeficientes. (e existem esquemas mais complicados para executar essa modelagem)$\hat\theta$σ$\hat\sigma$

Se você estiver bem usando o RI, pense que também poderia usar bbmlea mle2função de para otimizar a função de probabilidade dos mínimos quadrados e calcular intervalos de confiança de 95% nos coeficientes nnls não negativos. Além disso, você pode levar em consideração que seus coeficientes não podem ficar negativos, otimizando o log de seus coeficientes, para que, em uma escala retro-transformada, eles nunca possam se tornar negativos.

Aqui está um exemplo numérico que ilustra essa abordagem, aqui no contexto da desconvolução de uma superposição de picos cromatográficos em forma de gaussiana com ruído gaussiano: (quaisquer comentários são bem-vindos)

Primeiro vamos simular alguns dados:

require(Matrix)
n = 200
x = 1:n
npeaks = 20
set.seed(123)
u = sample(x, npeaks, replace=FALSE) # peak locations which later need to be estimated
peakhrange = c(10,1E3) # peak height range
h = 10^runif(npeaks, min=log10(min(peakhrange)), max=log10(max(peakhrange))) # simulated peak heights, to be estimated
a = rep(0, n) # locations of spikes of simulated spike train, need to be estimated
a[u] = h
gauspeak = function(x, u, w, h=1) h*exp(((x-u)^2)/(-2*(w^2))) # shape of single peak, assumed to be known
bM = do.call(cbind, lapply(1:n, function (u) gauspeak(x, u=u, w=5, h=1) )) # banded matrix with theoretical peak shape function used
y_nonoise = as.vector(bM %*% a) # noiseless simulated signal = linear convolution of spike train with peak shape function
y = y_nonoise + rnorm(n, mean=0, sd=100) # simulated signal with gaussian noise on it
y = pmax(y,0)
par(mfrow=c(1,1))
plot(y, type="l", ylab="Signal", xlab="x", main="Simulated spike train (red) to be estimated given known blur kernel & with Gaussian noise")
lines(a, type="h", col="red")

Vamos agora desconvoluir o sinal barulhento medido ycom uma matriz de faixas contendo cópias deslocadas do núcleo conhecido de desfocagem em forma de gaussiana bM(esta é a nossa matriz covariável / de design).

Primeiro, vamos desconvoluir o sinal com mínimos quadrados não negativos:

library(nnls)
library(microbenchmark)
microbenchmark(a_nnls <- nnls(A=bM,b=y)$x) # 5.5 ms
plot(x, y, type="l", main="Ground truth (red), nnls estimate (blue)", ylab="Signal (black) & peaks (red & blue)", xlab="Time", ylim=c(-max(y),max(y)))
lines(x,-y)
lines(a, type="h", col="red", lwd=2)
lines(-a_nnls, type="h", col="blue", lwd=2)
yhat = as.vector(bM %*% a_nnls) # predicted values
residuals = (y-yhat)
nonzero = (a_nnls!=0) # nonzero coefficients
n = nrow(bM)
p = sum(nonzero)+1 # nr of estimated parameters = nr of nonzero coefficients+estimated variance
variance = sum(residuals^2)/(n-p) # estimated variance = 8114.505

Agora, vamos otimizar a probabilidade logarítmica negativa de nosso objetivo de perda gaussiana e otimizar o log de seus coeficientes para que, em uma escala retro-transformada, eles nunca possam ser negativos:

library(bbmle)
XM=as.matrix(bM)[,nonzero,drop=FALSE] # design matrix, keeping only covariates with nonnegative nnls coefs
colnames(XM)=paste0("v",as.character(1:n))[nonzero]
yv=as.vector(y) # response
# negative log likelihood function for gaussian loss
NEGLL_gaus_logbetas <- function(logbetas, X=XM, y=yv, sd=sqrt(variance)) {
  -sum(stats::dnorm(x = y, mean = X %*% exp(logbetas), sd = sd, log = TRUE))
}  
parnames(NEGLL_gaus_logbetas) <- colnames(XM)
system.time(fit <- mle2(
  minuslogl = NEGLL_gaus_logbetas, 
  start = setNames(log(a_nnls[nonzero]+1E-10), colnames(XM)), # we initialise with nnls estimates
  vecpar = TRUE,
  optimizer = "nlminb"
)) # takes 0.86s
AIC(fit) # 2394.857
summary(fit) # now gives log(coefficients) (note that p values are 2 sided)
# Coefficients:
#       Estimate Std. Error z value     Pr(z)    
# v10    4.57339    2.28665  2.0000 0.0454962 *  
# v11    5.30521    1.10127  4.8173 1.455e-06 ***
# v27    3.36162    1.37185  2.4504 0.0142689 *  
# v38    3.08328   23.98324  0.1286 0.8977059    
# v39    3.88101   12.01675  0.3230 0.7467206    
# v48    5.63771    3.33932  1.6883 0.0913571 .  
# v49    4.07475   16.21209  0.2513 0.8015511    
# v58    3.77749   19.78448  0.1909 0.8485789    
# v59    6.28745    1.53541  4.0950 4.222e-05 ***
# v70    1.23613  222.34992  0.0056 0.9955643    
# v71    2.67320   54.28789  0.0492 0.9607271    
# v80    5.54908    1.12656  4.9257 8.407e-07 ***
# v86    5.96813    9.31872  0.6404 0.5218830    
# v87    4.27829   84.86010  0.0504 0.9597911    
# v88    4.83853   21.42043  0.2259 0.8212918    
# v107   6.11318    0.64794  9.4348 < 2.2e-16 ***
# v108   4.13673    4.85345  0.8523 0.3940316    
# v117   3.27223    1.86578  1.7538 0.0794627 .  
# v129   4.48811    2.82435  1.5891 0.1120434    
# v130   4.79551    2.04481  2.3452 0.0190165 *  
# v145   3.97314    0.60547  6.5620 5.308e-11 ***
# v157   5.49003    0.13670 40.1608 < 2.2e-16 ***
# v172   5.88622    1.65908  3.5479 0.0003884 ***
# v173   6.49017    1.08156  6.0008 1.964e-09 ***
# v181   6.79913    1.81802  3.7399 0.0001841 ***
# v182   5.43450    7.66955  0.7086 0.4785848    
# v188   1.51878  233.81977  0.0065 0.9948174    
# v189   5.06634    5.20058  0.9742 0.3299632    
# ---
#   Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
# 
# -2 log L: 2338.857 
exp(confint(fit, method="quad"))  # backtransformed confidence intervals calculated via quadratic approximation (=Wald confidence intervals)
#              2.5 %        97.5 %
# v10   1.095964e+00  8.562480e+03
# v11   2.326040e+01  1.743531e+03
# v27   1.959787e+00  4.242829e+02
# v38   8.403942e-20  5.670507e+21
# v39   2.863032e-09  8.206810e+11
# v48   4.036402e-01  1.953696e+05
# v49   9.330044e-13  3.710221e+15
# v58   6.309090e-16  3.027742e+18
# v59   2.652533e+01  1.090313e+04
# v70  1.871739e-189 6.330566e+189
# v71   8.933534e-46  2.349031e+47
# v80   2.824905e+01  2.338118e+03
# v86   4.568985e-06  3.342200e+10
# v87   4.216892e-71  1.233336e+74
# v88   7.383119e-17  2.159994e+20
# v107  1.268806e+02  1.608602e+03
# v108  4.626990e-03  8.468795e+05
# v117  6.806996e-01  1.021572e+03
# v129  3.508065e-01  2.255556e+04
# v130  2.198449e+00  6.655952e+03
# v145  1.622306e+01  1.741383e+02
# v157  1.853224e+02  3.167003e+02
# v172  1.393601e+01  9.301732e+03
# v173  7.907170e+01  5.486191e+03
# v181  2.542890e+01  3.164652e+04
# v182  6.789470e-05  7.735850e+08
# v188 4.284006e-199 4.867958e+199
# v189  5.936664e-03  4.236704e+06
library(broom)
signlevels = tidy(fit)$p.value/2 # 1-sided p values for peak to be sign higher than 1
adjsignlevels = p.adjust(signlevels, method="fdr") # FDR corrected p values
a_nnlsbbmle = exp(coef(fit)) # exp to backtransform
max(a_nnls[nonzero]-a_nnlsbbmle) # -9.981704e-11, coefficients as expected almost the same
plot(x, y, type="l", main="Ground truth (red), nnls bbmle logcoeff estimate (blue & green, green=FDR p value<0.05)", ylab="Signal (black) & peaks (red & blue)", xlab="Time", ylim=c(-max(y),max(y)))
lines(x,-y)
lines(a, type="h", col="red", lwd=2)
lines(x[nonzero], -a_nnlsbbmle, type="h", col="blue", lwd=2)
lines(x[nonzero][(adjsignlevels<0.05)&(a_nnlsbbmle>1)], -a_nnlsbbmle[(adjsignlevels<0.05)&(a_nnlsbbmle>1)], 
      type="h", col="green", lwd=2)
sum((signlevels<0.05)&(a_nnlsbbmle>1)) # 14 peaks significantly higher than 1 before FDR correction
sum((adjsignlevels<0.05)&(a_nnlsbbmle>1)) # 11 peaks significant after FDR correction

Não tentei comparar o desempenho desse método em relação à inicialização não paramétrica ou paramétrica, mas certamente é muito mais rápido.

Eu também estava inclinado a pensar que deveria poder calcular os intervalos de confiança de Wald para os nnlscoeficientes não-negativos com base na matriz de informações de Fisher observada, calculada em uma escala de coeficientes transformados em log para reforçar as restrições de não-negatividade e avaliadas nas nnlsestimativas.

Eu acho que isso acontece assim, e na verdade deve ser formalmente idêntico ao que eu fiz usando mle2acima:

XM=as.matrix(bM)[,nonzero,drop=FALSE] # design matrix
posbetas = a_nnls[nonzero] # nonzero nnls coefficients
dispersion=sum(residuals^2)/(n-p) # estimated dispersion (variance in case of gaussian noise) (1 if noise were poisson or binomial)
information_matrix = t(XM) %*% XM # observed Fisher information matrix for nonzero coefs, ie negative of the 2nd derivative (Hessian) of the log likelihood at param estimates
scaled_information_matrix = (t(XM) %*% XM)*(1/dispersion) # information matrix scaled by 1/dispersion
# let's now calculate this scaled information matrix on a log transformed Y scale (cf. stat.psu.edu/~sesa/stat504/Lecture/lec2part2.pdf, slide 20 eqn 8 & Table 1) to take into account the nonnegativity constraints on the parameters
scaled_information_matrix_logscale = scaled_information_matrix/((1/posbetas)^2) # scaled information_matrix on transformed log scale=scaled information matrix/(PHI'(betas)^2) if PHI(beta)=log(beta)
vcov_logscale = solve(scaled_information_matrix_logscale) # scaled variance-covariance matrix of coefs on log scale ie of log(posbetas) # PS maybe figure out how to do this in better way using chol2inv & QR decomposition - in R unscaled covariance matrix is calculated as chol2inv(qr(XW_glm)$qr)
SEs_logscale = sqrt(diag(vcov_logscale)) # SEs of coefs on log scale ie of log(posbetas)
posbetas_LOWER95CL = exp(log(posbetas) - 1.96*SEs_logscale)
posbetas_UPPER95CL = exp(log(posbetas) + 1.96*SEs_logscale)
data.frame("2.5 %"=posbetas_LOWER95CL,"97.5 %"=posbetas_UPPER95CL,check.names=F)
#            2.5 %        97.5 %
# 1   1.095874e+00  8.563185e+03
# 2   2.325947e+01  1.743600e+03
# 3   1.959691e+00  4.243037e+02
# 4   8.397159e-20  5.675087e+21
# 5   2.861885e-09  8.210098e+11
# 6   4.036017e-01  1.953882e+05
# 7   9.325838e-13  3.711894e+15
# 8   6.306894e-16  3.028796e+18
# 9   2.652467e+01  1.090340e+04
# 10 1.870702e-189 6.334074e+189
# 11  8.932335e-46  2.349347e+47
# 12  2.824872e+01  2.338145e+03
# 13  4.568282e-06  3.342714e+10
# 14  4.210592e-71  1.235182e+74
# 15  7.380152e-17  2.160863e+20
# 16  1.268778e+02  1.608639e+03
# 17  4.626207e-03  8.470228e+05
# 18  6.806543e-01  1.021640e+03
# 19  3.507709e-01  2.255786e+04
# 20  2.198287e+00  6.656441e+03
# 21  1.622270e+01  1.741421e+02
# 22  1.853214e+02  3.167018e+02
# 23  1.393520e+01  9.302273e+03
# 24  7.906871e+01  5.486398e+03
# 25  2.542730e+01  3.164851e+04
# 26  6.787667e-05  7.737904e+08
# 27 4.249153e-199 4.907886e+199
# 28  5.935583e-03  4.237476e+06
z_logscale = log(posbetas)/SEs_logscale # z values for log(coefs) being greater than 0, ie coefs being > 1 (since log(1) = 0) 
pvals = pnorm(z_logscale, lower.tail=FALSE) # one-sided p values for log(coefs) being greater than 0, ie coefs being > 1 (since log(1) = 0)
pvals.adj = p.adjust(pvals, method="fdr") # FDR corrected p values

plot(x, y, type="l", main="Ground truth (red), nnls estimates (blue & green, green=FDR Wald p value<0.05)", ylab="Signal (black) & peaks (red & blue)", xlab="Time", ylim=c(-max(y),max(y)))
lines(x,-y)
lines(a, type="h", col="red", lwd=2)
lines(-a_nnls, type="h", col="blue", lwd=2)
lines(x[nonzero][pvals.adj<0.05], -a_nnls[nonzero][pvals.adj<0.05], 
      type="h", col="green", lwd=2)
sum((pvals<0.05)&(posbetas>1)) # 14 peaks significantly higher than 1 before FDR correction
sum((pvals.adj<0.05)&(posbetas>1)) # 11 peaks significantly higher than 1 after FDR correction

Os resultados desses cálculos e os retornados por mle2são quase idênticos (mas muito mais rápidos), então acho que isso é certo e corresponderia ao que estávamos implicitamente fazendo com mle2...

Apenas reajustar as covariáveis ​​com coeficientes positivos em um nnlsajuste usando um ajuste linear regular do modelo btw não funciona, pois esse ajuste do modelo linear não levaria em conta as restrições de não-negatividade e resultaria em intervalos de confiança sem sentido que poderiam ser negativos. Este artigo "Inferência exata de seleção pós-modelo para triagem marginal" de Jason Lee e Jonathan Taylor também apresenta um método para fazer inferência de seleção pós-modelo em coeficientes nnls não negativos (ou LASSO) e usa distribuições gaussianas truncadas para isso. Eu não vi qualquer implementação abertamente disponível deste método para NNLS fits embora - para ajustes Lasso há a selectiveInferencepacote que faz algo assim. Se alguém tiver uma implementação, entre em contato!

No método acima, também é possível dividir os dados em um conjunto de treinamento e validação (por exemplo, observações ímpares e pares) e inferir as covariáveis ​​com coeficientes positivos do conjunto de treinamento e, em seguida, calcular intervalos de confiança e valores de p do conjunto de validação. Isso seria um pouco mais resistente à super adaptação, mas também causaria uma perda de energia, uma vez que se usaria apenas metade dos dados. Eu não fiz isso aqui porque a restrição de não-negatividade em si já é bastante eficaz na proteção contra o excesso de ajuste.

Para ser mais específico sobre o método de Monte Carlo @Martijn referido, você pode usar o Bootstrap, um método de reamostragem que envolve a amostragem dos dados originais (com substituição) de vários conjuntos de dados para estimar a distribuição dos coeficientes estimados e, portanto, qualquer estatística relacionada, incluindo intervalos de confiança e valores-p.

O método amplamente utilizado é detalhado aqui: Efron, Bradley. "Métodos de inicialização: outro olhar sobre o canivete." Avanços nas estatísticas. Springer, Nova Iorque, NY, 1992. 569-593.

O Matlab implementou, consulte https://www.mathworks.com/help/stats/bootstrp.html, particularmente a seção intitulada Bootstrapping a Regression Model.