shrinkagejames-steinvariance-shrinkaget-statisticgene-rankingdifferential-expressiondistribution-free

Opgen-Rhein & Strimmer 2007 — Shrinkage t 统计量

一句话：把 James-Stein 解析收缩应用到基因特异性方差向量上（target = 经验方差中位数；闭式 \lambda^\star = \sum\mathrm{Var}(v_k)/\sum(v_k-v_{\mathrm{med}})^2），构造完全分布无关的 shrinkage t 排名统计量；在仿真三组方差设定 + 三组实验数据中，与 moderated t (Smyth 2004) 并列为唯一全场景最优的 ranking 方法——但实现是闭式、无 EB/MCMC、无分布。

论文身份

Opgen-Rhein, R. & Strimmer, K. (2007) "Accurate Ranking of Differentially Expressed Genes by a Distribution-Free Shrinkage Approach", Statistical Applications in Genetics and Molecular Biology 6(1), Article 9. Munich LMU 统计系（Opgen-Rhein 现 Heidelberg/IMBS；Strimmer 见 Korbinian Strimmer）。R 包 st（shrinkage t + 多种 regularized t wrapper）和 corpcor（方差收缩底层）。GPL。DFG Emmy-Noether 资助。

关键贡献

  1. 方差向量的 James-Stein 收缩 — 对 p 个基因的经验方差 v_1,\ldots,v_p，构造： v_k^{\star} = (1-\widehat\lambda^\star)\,v_k + \widehat\lambda^\star\,v_{\mathrm{med}} 闭式 \widehat\lambda^\star 只用到 \mathrm{Var}(v_k) 与 v_k 到中位数的距离（Eq. 10-11），完全无分布——moderated t 用 scale-inv-\chi^2 假设，Cui t 在 \chi^2 仿真步都依赖分布；本文唯一不依赖任何先验。
  2. shrinkage t 构造 — 把 v_k^\star 代入标准 t 公式，分两组（equal/unequal variance）给出两种 variant；shrinkage t 在 \lambda = 0 时退化为标准 t、在 \lambda = 1 时退化为 fold change。
  3. 最优性极限 — 仿真三组（d_0 \in \{1000, 4, 1\}，p=2000，100 DEG）+ 实验三组（Affymetrix spike-in 12626 genes / Choe golden spike 11475 genes / HIV-1 4608 genes）发现：只有 moderated t 与 shrinkage t 在所有场景达到最优——fold change 仅方差相似时有效，Efron 90% rule 在方差异化下退化，Cui t 接近最优但稍逊，SAM 表现差（零分过多随机序）。
  4. Component risk 保护 — 用 limited translation (Efron-Morris 1972, 1975) 把 |\delta_k^{\hat\lambda+,M} - \delta_k^{0}|\le M（相对于未收缩估计 \delta_k^0 = v_k，不是相对于 v_k^\star）截断（Eq. 8；M 例如取 |\Delta_k| 的 99% 分位数），避免单基因风险爆炸；Eq. 9 表明该受限平移也可改写成软阈值化（soft thresholding）形式——给出了统计→信号处理的桥。
  5. James-Stein 的"quasi-empirical Bayes"再阐释 — 指出 JS 收缩本质上只需二阶矩信息就足够，不需完整分布先验；这是它对 full Bayesian (Newton 2001/2004, Smyth 2004, Baldi-Long 2001) 与 penalized ML (Ideker 2000, Wright-Simon 2003) 的最大卖点——便宜、稳定、对分布假设无依赖。

与 quant 关联

shrinkage t 的数学骨架对 quant 的alpha 检验 / 信息系数排序 / 因子 loading t-stat 直接可迁移：

  • 因子检验：每个因子暴露 \beta_{i,t} 的经验方差 v_i 在时间维度上估计——数据点 T 类似"基因的 replicate 数"；p 个因子类似"基因数"。shrinkage t 框架可给多因子稳健 t 检验（避免某些因子样本期短、估计方差噪声大）。
  • alpha ranking：cross-sectional 信息系数 IC_k 的 t-stat 沿 (k=策略) 排序——同样面临 IC 方差估计不稳；shrinkage t 直接适用。
  • 统计套利配对信号：单配对 t-test 沿 (k=pair) 排序时同样受益于方差收缩。

更重要的是 distribution-free 的承诺——quant 数据（高频收益截面、相关系矩阵）远偏离正态，moderated t 假设的 \chi^2 / \chi^2-inv 先验易失真；shrinkage t 不假设任何先验，对重尾/异方差更鲁棒。

与 James-Stein / LW 路径的关系

  • Stein (1956, 1981)：发现 MLE 在 p\geq 3 时 inadmissibility；问题域：均值向量。
  • James-Stein (1961)：构造显式改进；只对 n=1、正态、单位方差场景。
  • Efron-Morris (1972, 1975)：把 JS 推到经验 Bayes 框架；引入 limited translation。
  • Ledoit-Wolf (2003)：把 JS 推到多元协方差维度，oracle 闭式 \lambda^\star；要求无偏 U。
  • Schäfer-Strimmer (2005)：LW Lemma 1 闭式代入 + target D 应用到 GGM 选择。
  • Opgen-Rhein-Strimmer (2007)：把 JS 推到方差向量维度，完全分布无关，target = 中位数（比均值鲁棒）；应用到基因 ranking。

局限 / 给 quant 的提示

  • target 选 median 而非 0：opgen-rhein et al. 文中测试了零目标（less efficient）和均值目标（less robust），中位数最优——这是对异方差数据的关键。quant 中策略 IC 方差本身就异方差，median target 是正确选择。
  • \widehat\lambda^\star 在 1 处截断：positive part JS 估计（Barachnik 1970），Eq. 11 写作 \min\bigl(1,\cdot\bigr)——分子为非负的方差估计和，故只有 \widehat\lambda^\star>1 会被截回，不存在取负的情形（也未被截断在 [0,1] 区间内）。
  • 不处理时序结构：标准 t-stat 假定独立观测；时序数据（金融典型）需先 HAC 调整或 block bootstrap。

入口