データ共有制約下における異質性を持つ統合的高次元多重検定

高次元回帰モデルにおける情報的予測因子を特定することは、関連分析と予測モデル構築のための重要なステップです。高次元の設定では、限られたサンプルのために信号が失敗することが多いです。力を改善するためのアプローチの一つは、同じ科学的質問に関する複数の研究をメタ分析することです。しかし、研究異質性が存在する場合、複数の研究からの高データの統合的分析は困難です。この課題は、異なるサイト間で要約データのみが共有され、個別レベルのデータが共有できないデータ共有制約の下ではさらに顕著です。本稿では、研究間の異質性を許容し、個別レベルのデータを要求しない新しいデータシールドによる大規模検定（DSILT）アプローチを提案します。データの本質的な高次元モデルが研究間で異なると仮定しながらも、類似したサポートを共有する場合、DSILTアプローチは適切な統合的推定とバイアス除去を取り入れて、特定の全体効果の検定統計量を構築します。また、偽発見率（FDR）と偽割合（FDP）を制御しながら効果を特定するための多重検定手続きを開発します。DSILT手続きと理想的な個別レベルメタ分析（ILMA）アプローチや他の推論方法との理論的比較が調査されます。シミュレーション研究は、DSILT手続きが偽発見制御と力の両方において良好に機能することを示します。提案された方法は、スタチンと肥満の遺伝的変異が2型糖尿病リスクに与える影響を検出する実際の例に適用されます。