ホルム法は、統計的仮説検定における多重検定の問題を解決するための補正手法です。複数の仮説を同時に検定する際、有意水準を調整して偽陽性の発生を厳密に制御します。機械学習における特徴量選択や多変量解析など、多くの数値データを比較・検証する場面で広く利用されています。
ホルム法とは
ホルム法とは、複数の統計的検定を同時に行う際に、偶然による誤った検出を防ぐための多重検定補正手法の一つです。
詳しく解説
統計学において、1つのデータセットに対して多くの仮説検定を繰り返すと、偶然によって本来関係のない事象を「有意である」と誤認してしまう確率（第一種の過誤）が高まります。これを多重検定の問題と呼びます。ホルム法は、各検定のp値を大きさの順に並べ、段階的に有意水準の基準を厳しくしていくことで、この偽陽性を効果的に抑制します。同様の手法であるボンフェローニ法と比較して、より高い検出力を維持できる点が重要です。
具体例・使われ方
機械学習モデルの開発において、数千の遺伝子データや大量の特徴量の中から目的変数に影響を与える重要な要素を網羅的に探索する際、それぞれの特徴量に対して統計的検定を行います。このときにホルム法を適用することで、偶然の偏りによる偽の発見を防ぎ、信頼性の高い特徴量のみを厳選することが可能になります。
似た用語との違い
代表的な多重検定補正であるボンフェローニ法と比較されることが多いです。ボンフェローニ法が一律に厳しい基準でp値を補正するのに対し、ホルム法は段階的に補正の厳しさを緩める仕組みを持つため、ボンフェローニ法よりも検出力が高いという特徴があります。
注意点
ホルム法は偽陽性を抑えるために有効ですが、検定の数が増えるにつれて偽陰性（本来見つけるべき重要な差を見逃すエラー）の発生確率が高まる限界があります。また、適用する前提として検定間の依存関係に関する仮定があるため、データの性質を正しく把握して使用する必要があります。