BONuS: Multiple multivariate testing with a data-adaptive test statistic
Peking University(北京大学);UC Berkeley(加州大学伯克利分校);Stanford University(斯坦福大学);UT Austin(德克萨斯大学奥斯汀分校)
本研究提出BONuS自适应经验贝叶斯多重检验方法,可控制FDR并提升功效,经多场景验证有效。
2026-11-11 math.ST stat.ME stat.TH
Closure properties of classes of multiple testing procedures
统计发现往往是通过多重假设检验获得的。存在各种程序来评估多个假设,例如Benjamini-Hochberg,Bonferroni,Holm或Sidak的假设。我们特别感兴趣的是多个测试程序与两个所需的属性:(仅)单调和行为良好的程序。本文探讨在何种程度上的类(单调或良好的行为)多个测试程序,特别是所谓的步升和步降程序的子类,是封闭的基本集合操作,特别是工会,交叉,差异和补充组拒绝或非拒绝的假设。本文证明了两个主要结果:第一,取任意(单调的或良好行为的)多个测试程序的并或交,得到单调但不良好行为的新程序,而取其补或差一般都不保持这两个性质。第二,这两类(单调的或良好的)步升和步降过程在取并或交时是封闭的,但在取补或差时不是封闭的。
2017-04-30 math.ST stat.TH
STRAW: Structure-Adaptive Weighting Procedure for Large-Scale Spatial Multiple Testing
针对信号空间分布不均的大规模多重检验问题,提出完全数据驱动的STRAW加权程序,利用核平滑Lfdr估计局部稀疏水平并实现FDR控制。
2023-09-27 math.ST stat.ME stat.TH
A Scan Procedure for Multiple Testing
在多重检验框架中,我们提出了一种方法,该方法识别具有最高估计错误发现率的P值的区间,并拒绝相应的零假设。与Benjamini-Hochberg方法不同的是,该方法做同样的事情,但在原点处有一个端点的区间上,新程序“扫描”所有区间。在并行与\citep*{storey2004strong},我们表明,这种扫描过程提供了强大的控制渐近错误发现率。此外,我们研究了它的渐近假不发现率,推导出的条件下,它优于Benjamini-Hochberg过程。例如,在幂律定位模型中,扫描过程是优越的。
2018-08-02 math.ST stat.TH
Asymptotically Optimal Sequential Multiple Testing Procedures for Correlated Normal
本研究针对现有多重检验未覆盖相关数据流序贯框架的空白,在等相关高斯序贯均值检验场景下提出序贯检验程序,证明其在错误概率趋近于0时渐近达到最优期望样本量,且调整临界值后对多种多重检验错误度量均具渐近最优性。
2025-03-20 math.ST stat.ME stat.TH
Some Asymptotic Results on Multiple Testing under Weak Dependence
Interdisciplinary Statistical Research Unit, Indian Statistical Institute(印度统计学院交叉统计研究单元);Institute for Statistics, University of Bremen(不来梅大学统计研究所)
本文研究了在弱相关正态设置下多重检验的渐近行为,证明了Bonferroni和Sidak程序在假设数量趋于无穷大时能精确控制FWER,并通过模拟验证了其渐近精确性。
2026-02-24 math.ST stat.ME stat.TH
Asymptotically optimal, sequential, multiple testing procedures with prior information on the number of signals
假设数据是从独立的数据流中顺序收集的,我们考虑了在两个一般设置下多个二元假设的同时检验;当信号的数量(正确的选择)是事先已知的,当我们只有一个下限和一个上界。在这些设置中,我们提出了可行的程序,控制,没有任何分布假设,类型I和类型II的族错误概率低于给定的用户指定的水平。然后,在i.i.d.的情况下,观察在每个流中,我们表明,所提出的程序实现最佳的预期样本量,在每一个可能的信号配置,渐近的两个错误概率消失在任意速率。一个模拟研究是在一个完全对称的情况下,并支持从我们的渐近结果,如事实上,知识的确切数量的信号大约一半的预期数量的观察相比,没有先验信息的情况下获得的见解。
2016-07-20 math.ST stat.ME stat.TH
The sequential rejection principle of familywise error control
封闭测试和划分被认为是族级差错控制的基本原则。在本文中,我们认为,顺序拒绝可以被视为同样基本的多重测试的一般原则。我们提出了一个一般的顺序拒绝多重测试程序,并表明,许多著名的familywise错误控制方法可以构造为这个程序的特殊情况下,其中的Holm,Shaffer和Hochberg的程序,并行和串行看门程序,现代程序的多重测试图,重采样为基础的多重测试程序,甚至封闭的测试和分区程序本身。我们还给出了一个一般的证明,顺序拒绝多重测试程序强烈控制familywise错误,如果他们满足简单的标准的单调性的临界值和有限形式的弱familywise差错控制在每一个单一的步骤。序贯拒绝原则为许多著名的多重检验程序提供了一个新的理论视角,强调了序贯方面。它的主要实际用途是为零假设开发多个测试程序,可能在逻辑上相关,结构化在一个图中。我们说明了这一点,提出了一个统一的改进,最近公布的程序。
2012-11-14 math.ST stat.TH
A New Step-down Procedure for Simultaneous Hypothesis Testing Under Dependence
本文考虑了当单个检验统计量不一定独立时的假设的同时检验问题。具体地说,我们考虑的问题,同时测试点零假设对双边的替代品的平均参数的正态分布随机变量。我们假设有条件地给定均值向量,这些随机变量共同遵循具有已知但任意的协方差阵的多元正态分布。我们考虑一个贝叶斯框架,其中每个未知的平均参数是通过两个组件的“尖峰和平板”混合先验建模。这样,无条件地,检验统计量共同具有多元正态分布的混合。利用检验统计量之间的相关性,提出了一种新的检验方法。这个过程足够通用,可以应用于非正态数据。一个决策理论的理由,有利于所提出的测试程序已被证明,不像许多传统的p值为基础的逐步程序,这种新方法具有一定的“凸属性”,这使得它允许相对于一个向量风险函数,捕捉风险的个人测试问题。提出的检验统计量的另一种表示也已建立,从而大大简化了计算复杂性。它表明,通过广泛的模拟,对于各种形式的依赖和广泛的稀疏性水平,所提出的测试程序相比,相当有利的几个现有的多个测试程序在文献中提供的整体误分类概率。
2018-07-15 math.ST stat.TH
Empirical Bayes cumulative $\ell$-value multiple testing procedure for sparse sequences
在稀疏序列模型中,我们考虑一个流行的贝叶斯多重检验程序,并首次从频率论的角度研究其行为。给定在高维稀疏未知参数上的尖峰和厚片先验,可以容易地计算来自尖峰的后验概率,其对应于众所周知的局部fdr值,也称为$\ell$值。钉和板的重量参数校准的经验贝叶斯的方式,使用边际最大似然。所研究的多重检验程序(此处称为累积$\ell$值程序)根据经验$\ell$值和阈值对坐标进行排序,以使累积排序和不超过用户指定的水平$t$。我们验证了使用这种方法从多个测试的角度来看:适当的大信号强度的替代品,假发现率(FDR)的程序收敛到目标水平$t$,而其假阴性率(FNR)去$0$。我们补充这项研究,提供收敛速度的方法。此外,我们证明了$q$值多重检验程序在该模型中具有相似的收敛速度。
2022-03-28 math.ST stat.TH
New testing procedures for Structural Equation Modeling
我们介绍和评估一类新的假设检验程序的时刻结构。该方法在弱假设下是有效的,包括著名的Satorra-Bentler平差作为特例。建议的程序也适用于嵌套模型之间的差异检验。我们证明了我们方法的一致性。我们引入了一个自举选择机制,为给定的样本最佳地选择一个p值近似。此外,我们提出了自举程序评估的渐近稳健性(AR)的正常理论的最大似然检验,并为关键假设的Satorra-Bentler调整(Satorra-Bentler一致性)。模拟研究表明,我们的新的p值近似执行良好,即使在严重的非正态性和现实的样本量,但我们的测试AR和Satorra-Bentler一致性需要非常大的样本量工作良好。
2016-10-07 math.ST stat.TH
Asymptotic Theory of Dependent Bayesian Multiple Testing Procedures Under Possible Model Misspecification
研究了贝叶斯多重检验的渐近性质,给出了一般相依结构下强相合性的充分条件。我们还考虑了一种新的贝叶斯多重检验程序和相关的误差措施,连贯地占模型中存在的依赖结构。我们提倡后验版本的FDR和FNR作为适当的差错率,并表明其渐近收敛率直接与Kullback-Leibler发散从真实的模型。我们的研究结果,即使假设模型的类是错误的。我们说明了我们的结果在一个自回归响应变量的变量选择问题,并比较新的贝叶斯过程与一些现有的方法,通过广泛的模拟研究中的变量选择问题。优越的性能相比,其他的新程序证明,适当利用多种测试方法的依赖结构确实是重要的。此外,我们获得了令人鼓舞的结果,在一个真正的玉米数据的背景下,我们选择有影响力的标记变量。
2020-05-14 math.ST stat.TH
Testing Heteroskedasticity in High-Dimensional Linear Regression
提出了一种新的高维线性回归异方差检验方法,其中协变量个数可以大于样本量。我们的测试程序是基于Lasso的残差。我们证明了我们的检验统计量具有渐近正态性下的原假设的同性。仿真结果表明,该方法可以获得准确的经验大小和功率。我们还介绍了实际经济数据应用的结果。
2022-10-31 math.ST stat.TH
A five-decision testing procedure to infer on unidimensional parameter
统计检验可以被看作是根据观察到的数据产生决策的过程,其中一些决策包括拒绝假设(产生显著性结果),而另一些则不包括,并且其中一个控制在某些预先指定的显着性水平进行错误拒绝的概率。传统的假设检验只涉及两种可能的决策(拒绝或不拒绝原假设),而Kaiser的定向双侧检验以及最近引入的Jones和Tukey的检验程序涉及三种可能的决策来推断一维参数。后一种程序假设点原假设是不可能的(例如,两种治疗方法不可能具有完全相同的效果),从而获得统计功效。然而,在某些情况下,一个点假设确实是合理的,例如当考虑从爱因斯坦的理论得出的假设时。在这篇文章中,我们介绍了一个五决策规则测试程序,它结合了Kaiser(没有假设点假设是不可能的)和Jones和Tukey(更高的权力)的测试程序的优点,允许一个不可忽略的(通常为20%)减少的样本量需要达到一个给定的统计权力,以获得一个显着的结果,相比传统的方法。
2017-10-18 math.ST stat.TH
On Asymptotic Behaviors of Stepwise Multiple Testing Procedures
逐步多重检验程序几十年来吸引了许多统计学家,由于其技术简单,也很受统计用户的欢迎。Bonferroni程序是最早和最突出的控制族差错率(FWER)的测试规则之一。最近的一篇文章建立了Bonferroni方法的FWER渐近(即,当假设的数量变得任意大时)在任何正等相关的多元正态框架下接近于零。然而,类似的结果FWER的一般逐步程序的极限行为是不存在的。目前的工作解决了这个差距,在一个统一的方式,通过研究相关的正常设置的几个逐步测试规则的FWER的限制行为。具体来说,我们表明,限制FWER接近零的任何降压规则(例如,Holm方法),前提是相关性的下确界是严格正的。我们还建立了类似的限制零结果对FWER的其他流行的多重测试规则,例如,Hochberg和Hommel手术。然后,我们将这些结果扩展到真和假零假设的任何配置。结果表明,在我们选择的渐近框架内,Benjamini-Hochberg方法可以在等相关正态性下渐近地将FWER保持在严格正的水平。最后,我们讨论各种程序的限制权力。
2023-02-18 math.ST stat.TH
Testing whether a Learning Procedure is Calibrated
学习过程将数据集作为输入,并对被假设为产生数据集的模型的参数$θ$执行推断。在这里,我们考虑学习过程,其输出是一个概率分布,表示在看到数据集后关于$θ$的不确定性。贝叶斯推理是这种过程的一个主要例子,但也可以构建其他返回分布输出的学习过程。本文研究了学习过程被视为已校准的条件,从这个意义上说,真正的数据生成参数作为其分布输出的样本是合理的。如果一个学习过程的推理和预测系统性地过度自信或自信不足,那么它就无法被校准。另一方面,被校准的学习过程不需要是统计上有效的。一个假设测试框架的开发,以评估,使用模拟,是否校准的学习过程。本报告介绍了几个小插图,以说明该框架的不同方面。
2022-06-16 math.ST stat.TH
Simultaneous inference for generalized linear models with unmeasured confounders
Carnegie Mellon University(卡内基梅隆大学)
针对含未测量混杂的多元广义线性模型大规模检验问题,提出整合线性投影、lasso 联合估计与偏差校正的统一推断框架,并证明错误控制、功效及单细胞 RNA-seq 应用优势。
2025-03-15 cs.LG q-bio.GN stat.ME
Goodness-of-fit testing from observations with multiplicative measurement error
Ruprecht-Karls-Universität Heidelberg(海德堡大学)
本文提出了一种基于 Mellin 变换二次泛函的非参数拟合检验方法,用于处理乘法测量误差下的密度检验问题,并通过模拟研究验证了其有效性。
2025-12-01 math.ST stat.TH
Sharp Asymptotic Minimaxity of the Gavrilov-Benjamini-Sarkar Step-Down Testing Procedure in Sparse Gaussian Sequence Models
Department of Statistics, Texas A&M University(德克萨斯农工大学统计学系)
研究稀疏高斯序列模型中GBS逐步多重检验程序的尖锐渐近极小极大性,通过移位顺序统计不等式等方法,证明其在特定损失下是渐近极小极大的,还建立了相关风险上界,扩展了渐近极小极大性理论。
2026-10-27 math.ST stat.TH
Inference for Low-rank Models without Estimating the Rank
本文针对高维低秩矩阵线性泛函推断提出一种对秩错误设定稳健的方法,利用多样化投影估计低秩空间,并证明只要预设秩不小于真实秩,中心极限定理即成立。
2024-10-17 econ.EM stat.ME
Multiple testing with optimal individual tests in Gaussian graphical model selection
考虑高斯图模型选择问题。浓度图的识别是基于个体检验的多决策过程。构造了最优无偏个体检验。最优检验等价于样本偏相关检验。并将联合多重决策过程与标准过程进行了比较。
2016-04-23 math.ST stat.TH
Asymptotic optimality of the Westfall--Young permutation procedure for multiple testing under dependence
检验统计量在大规模的多重检验应用中往往具有很强的相关性。大多数多重性校正对于相关检验统计量过于保守,导致检测真阳性的把握度降低。我们表明,Westfall-Young置换方法具有渐近最优的功率为广泛的一类测试问题的块依赖性和稀疏结构之间的测试,当测试的数量趋于无穷大。
2012-03-19 math.ST stat.TH
Empirical Bayes large-scale multiple testing for high-dimensional binary outcome data
针对稀疏高维二分类结果数据的多重检验问题,提出基于尖峰-板条后验的经验贝叶斯新流程,解决了默认共轭先验ℓ值流程FDR估计过于保守的问题,给出严格理论保证与实验验证,首次得到该场景下的一致FDR控制结果。
2025-06-13 math.ST stat.TH
High-dimensional Asymptotic Theory of Bayesian Multiple Testing Procedures Under General Dependent Setup and Possible Misspecification
本文研究了一般相依情形下,当样本量和假设个数均趋于无穷大时,贝叶斯多重检验的渐近性质。具体来说,我们调查的程序和渐近性质的不同版本的虚假发现和虚假的非发现率的高维设置下的强一致性。我们特别关注一种新的贝叶斯非边际多重检验程序及其相关的差错率在这方面。我们的研究结果表明,差错率的渐近收敛率与真实模型的Kullback-Leibler发散直接相关,并且即使假设的模型类是错误的,结果仍然成立。为了说明我们的高维渐近理论,我们考虑贝叶斯变量选择问题的时变协变量选择框架,自回归响应变量。我们特别关注假设数量以比样本量更快的速度增加的设置,这就是所谓的超高维情况。
2020-04-30 math.ST stat.TH
Fisher, Neyman-Pearson or NHST? A Tutorial for Teaching Data Testing
尽管经常有人呼吁对原假设显著性检验(NHST)进行彻底改革,但这一有争议的程序在行为、社会和生物医学教学和研究中仍然无处不在。一旦程序在研究人员的思想和当前实践中根深蒂固,几乎不可能改变;因此,这种改变的最佳机会是在教授程序的时候,无论是在本科还是研究生阶段。本文介绍了一个教程的教学数据检验程序,通常被称为假设检验理论。第一个程序介绍的是方法,以数据检验其次是费雪(检验的显着性);第二个是方法其次是内曼和皮尔逊(检验的验收);最后的程序是不一致的组合前两个理论到目前的方法(NSHT)。对于那些坚持后者的研究人员,关于如何改进NHST的两个折衷解决方案结束了本教程。
2016-03-24 math.ST stat.OT stat.TH
Adaptive minimax testing for circular convolution
在非渐近框架下,考虑了受可加性测量误差污染的圆形随机变量的观测值的极大极小最优拟合优度检验问题。我们提出了直接和间接的测试程序,使用投影方法。最优检验的结构取决于模型的正则性和不适定性参数,这些参数在实际中是未知的。因此,自适应测试策略,同时进行了广泛的规律性和不适定性类的最佳。考虑到多个测试程序,我们得到自适应,即无干扰的程序,并分析其性能。与非自适应检验相比,它们的检验半径面临对数因子的恶化。我们表明,测试的均匀性,这种损失是不可避免的,通过提供一个下界。考虑索伯列夫空间和普通或超光滑误差密度的结果示出。
2020-07-13 math.ST stat.TH
False discovery and false nondiscovery rates in single-step multiple testing procedures
错误发现率(FDR)和错误的非发现率(FNR)的结果开发的单步多测试程序。除了验证理想的属性FDR和FNR的差错率的措施,这些结果扩展了以前已知的结果,提供进一步的见解,特别是在依赖,到FDR和FNR和相关措施的概念。首先,考虑真和假零假设的固定配置,得到不等式来解释如何FDR或FNR控制单步程序,如Bonferroni或uSidák程序,可以潜在地改进。两个家庭的程序,然后构建,一个修改的FDR控制和其他修改的FNR控制uSidák程序。这些被证明控制FDR或FNR下的独立性不太保守,比相应的家庭修改FDR或FNR控制Bonferroni程序。数值研究结果的性能的修改uSidák FDR程序超过其竞争对手。其次,考虑到混合模型,不同的配置的真和假的零假设被假定为具有一定的概率,结果也来自延伸的一些层的工作的依赖情况。
2006-05-23 math.ST stat.TH
Admissibility of Adaptive Monotone Step-Down Multiple Testing Procedures Under Arbitrary Covariance Dependence
Texas A&M University(德克萨斯农工大学);Indian Statistical Institute(印度统计研究所)
针对任意协方差依赖下多元正态均值的同步检验问题,建立了一类基于残差的自适应单调逐步下降多重检验程序的可容许性定理,证明其关于向量值损失函数是可容许的。
2026-05-28 math.ST stat.TH
Sharp multiple testing boundary for sparse sequences
本研究在稀疏序列模型中确定了多重检验的尖锐极小极大风险边界,并提供了达到该边界的自适应程序(如调整水平的Benjamini--Hochberg和经验贝叶斯局部FDR),发现FNR在边界处占主导,并扩展至分类损失和大信号情形。
2023-08-30 math.ST stat.TH
Adaptive FDR control under independence and dependence
在多假设检验的背景下,真实零假设在待检验的假设池中的比例$π_0$通常起着至关重要的作用,尽管它通常是先验未知的。为了提高效率而使用该量的隐式或显式估计的测试过程称为自适应。在本文中,我们专注于错误发现率(FDR)的控制问题,我们提出了新的自适应多测试程序与FDR的控制。首先,在假设独立的$p$值的情况下,我们提出了两个新的程序,并给出了一个统一的审查其他现有的自适应程序,已证明控制FDR。我们报告了大量的模拟结果比较这些程序和测试其鲁棒性时,违反独立性假设。拟议的新程序似乎与现有程序具有竞争力。不过,据报道,总体上最好的是Storey的估计量,但参数设置似乎以前没有考虑过。其次,我们提出了自适应版本的升压程序,证明控制FDR下的正依赖和未指定的依赖的$p$值,分别。虽然模拟只显示了在有限的情况下,非自适应程序的改进,这些是我们的知识,在第一个理论上成立的自适应多个测试程序,控制FDR时,$p$值是不独立的。
2009-02-17 math.ST stat.TH
B-Value and Empirical Equivalence Bound: A New Procedure of Hypothesis Testing
在这项研究中,我们提出了一个两阶段的程序假设检验,其中第一阶段是传统的假设检验,第二阶段是一个等价性检验过程中引入的经验等价界。2016年,美国统计协会发布了一份关于P值的政策声明,以澄清正确的使用和解释,以回应对科学发现中可重复性和可复制性的批评。在统计假设检验中提高再现性和透明度的最新解决方案是将具有实际或科学意义的P值(或置信区间)整合。类似的想法已经通过等价性检验提出,其目标是在参数不平等的假设(空)下推断相等。然而,在这些测试程序中,科学显著性/等效性的定义可能是主观的。为了克服这个缺点,我们引入了一个B值和经验等价界,这两个都是从数据中估计的。执行第二阶段等效性检验,我们的程序提供了一个机会,以纠正假阳性发现,并提高跨研究结果的重现性。
2019-12-30 stat.ME
A new multiple testing method in the dependent case
最流行的多重检验程序是基于$P$的逐步程序--单个检验统计量的值。其中包括Benjamini-Hochberg [J. Roy.中央集权主义者Soc.Ser.B57(1995)289- 300]及其后代。即使对于需要相关数据的模型,也使用基于边缘分布的$P$值。与这些方法不同,新方法在所有阶段都考虑了依赖性。此外,$P$ -值过程往往缺乏一个直观的凸性,这是必要的容许性。此外,新方法在计算上是可行的。如果测试的数量很大,而真正的替代方案的比例小于小于,比如说25%,那么模拟就表明人们明显倾向于新的方法。应用程序详细的模型,如测试治疗对照(或任何组内相关模型),测试变化点和测试时,相关性是连续的手段。
2009-06-17 math.ST stat.TH
Two-stage Estimators for Spatial Confounding with Point-Referenced Data
本文针对点参考数据空间混杂问题,提出基于高斯过程和Matèrn协方差的两阶段半参数估计量DSR,证明其渐近性质并在模拟中展示其优于标准空间回归的偏差校正和覆盖率表现。
2025-04-09 stat.ME
Compound p-Value Statistics for Multiple Testing Procedures
许多多重检验程序利用来自各个假设检验对的p值,并且如果p值统计量在零假设下是独立且均匀分布的,则是有效的。然而,最近已经表明,这些类型的多重检验程序是低效的,因为这样的p值不依赖于所有可用的数据。本文提供了构建复合p值统计量的工具,这些统计量依赖于所有可用数据,但在零假设下仍然满足独立性和一致性条件。作为一个例子,一类复合p值统计量的位置偏移的测试。它表明,无论是分析和通过模拟,多重检验程序往往拒绝更多的虚假零假设时,这些复合p值,而不是通常的p值,并在同一时间仍然保证所需的第一类错误率控制。复合p值与两种不同的多重检验方法结合用于分析真实的微阵列数据集。将任一多重检验方法应用于复合p值,而不是通常的p值,可增强其功效。
2011-08-24 stat.ME
Asymptotic Bayes Optimality Under Sparsity of the Gavrilov-Benjamini-Sarkar Step-Down Testing Procedure
Texas A&M University(德克萨斯农工大学);Indian Statistical Institute(印度统计研究所)
研究加夫里洛夫 - 本雅明尼 - 萨卡尔(GBS)逐步多重检验程序在稀疏高斯序列模型中的渐近贝叶斯最优性,通过直接分析贝叶斯风险,结合新不等式和信号交叉论证得出其最优性。
2026-10-27 math.ST stat.TH
Targeted maximum likelihood estimation of vaccine effectiveness and immune correlates in test-negative design studies with missing data
University of Washington(华盛顿大学);Fred Hutchinson Cancer Center(弗雷德·哈钦森癌症中心)
本文提出了一种针对测试阳性设计研究中缺失暴露变量数据的靶向最大似然估计方法,通过半参数逻辑回归模型估计症状性疾病的因果条件风险比,以实现灵活的数据驱动混杂控制和有效的因果推断。
2026-05-20 stat.AP stat.ME stat.ML
Robust Discrimination between Long-Range Dependence and a Change in Mean
在本文中,我们介绍了一个强大的离群值Wilcoxon变点检验程序,用于区分短期相关的时间序列与变化的平均值在未知的时间和平稳的长期相关的时间序列。本文建立了$L_1$近时相依过程在原假设下检验统计量的渐近分布,并证明了其在备择假设下的相合性。Wilcoxon型检验程序类似于Berkes、Horváth、Kokoszka和Shao(2006)的随机变量型检验程序,需要估计可能的变点位置,然后使用前和后中断子样本来区分短期和长期相关性。一项模拟研究探讨了标准情况下的Wilcoxon型检验程序的经验大小和功率,并与异常值的干扰。它表明,在标准的情况下,Wilcoxon型测试程序的行为同样好的CRAMUM型测试程序,但优于它存在离群值。我们还将这两种检验方法应用于水文数据。
2020-07-04 stat.ME
The Bottom-Up Approach for Powerful Testing with FWER Control
Tel Aviv University(特拉维夫大学)
针对多重检验中FWER控制与功效及计算效率的平衡问题,提出自下而上方法构建一致闭合检验程序,在层次结构各层设计检验时考虑整体功效目标,所生成程序计算实用且在模拟和真实数据中功效显著提升。
2025-11-17 stat.ME
Robust Sensitivity Analysis via Augmented Percentile Bootstrap under Simultaneous Violations of Unconfoundedness and Overlap
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);University of Chicago(芝加哥大学)
本文提出一种统一且灵活的敏感性分析框架,在放宽无混杂性和重叠性假设的基础上,通过线性规划计算最坏情况界限,并引入增强百分位自助法进行统计推断,以稳健地估计重叠加权平均处理效应。
2025-09-16 stat.ME
Multiple Testing for Exploratory Research
受探索性研究实践的启发,我们制定了一种多重检验方法,该方法颠倒了用户和多重检验程序的传统角色。传统上,用户选择错误准则,并且过程产生被拒绝的集合。相反,我们建议让用户自由选择被拒绝的集合,并让多重检验过程返回一个关于错误拒绝数量的置信度声明。在我们的方法中,这样的信心声明是同时为所有的选择被拒绝的集合,所以事后的选择被拒绝的集合不会损害其有效性。所提议的角色互换只需要回顾一下熟悉的封闭式测试程序,但重点是这个程序所产生的非辅音拒绝。我们建议几个捷径,以避免与封闭测试相关的计算问题。
2013-10-02 stat.ME
Multiple testing with discrete data: proportion of true null hypotheses and two adaptive FDR procedures
当p值具有离散和异质零分布时,我们考虑具有错误发现率(FDR)控制的多重检验。我们提出了一个新的估计比例的真实零假设,并证明它是向上偏少比Storey的估计和其他两个估计。新的估计器包括两个自适应过程,即,自适应Benjamini-Hochberg(BH)过程和自适应Benjamini-Hochberg-Heyse(BHH)过程。我们证明了自适应BH过程是保守的非渐近。通过模拟研究,我们表明,这些程序通常是更强大的比他们的非自适应同行和自适应BHH程序通常是更强大的自适应BH程序和基于随机p值的程序。自适应程序应用于HIV疫苗效力的研究,其中它们在相同FDR水平下比BH程序识别更多差异多态性位置。
2017-08-31 stat.ME
Statistical testing procedure for the interaction effects of several controllable factors in two-valued input-output systems
假设通过设定几个可控因素的水平,设计了几个二值输入输出系统。针对这种情况,田口方法提出了将可控因素分配到正交表中,并使用ANOVA模型进行标准化SN比,这是评估每个输入输出系统性能的自然措施。虽然该方法简单实用,但当标准信噪比的估计标准误不平衡时,其结果可能不可靠。本文将多个可控因子的完全析因或部分析因设计的数据处理为高维列联表的频数,并提出了一种通用的可控因子主效应或交互效应检验方法。
2007-06-20 stat.ME
Capturing the Severity of Type II Errors in High-Dimensional Multiple Testing
在推导一个多重检验程序时,第二类错误的严重性经常被忽略,即使正确地使用它可以极大地帮助做出正确的决定。本文提出了一个理论背后的发展多重检验程序,可以将第二类错误的严重性,是最佳的意义上最小化的措施,控制措施的错误发现的所有程序中的错误的非发现。该理论是在一个通用模型下开发的,允许任意依赖,通过采取复合决策理论的方法,多重检验的损失函数,将第二类错误的严重程度。我们提出了这个最佳的程序在其甲骨文的形式,并提供了数值证据,其优越的性能超过相关的竞争对手。
2014-03-22 stat.ME
A Factor-Adjusted Multiple Testing Procedure with Application to Mutual Fund Selection
在这篇文章中,我们提出了一个因素调整的多重检验(FAT)程序的基础上,因素调整的p值的线性因子模型,涉及一些可观察和不可观察的因素,选择熟练的基金在实证金融的目的。通过主成分法提取潜在的共同因素后,获得因子调整的p值。在一定的条件下,即使允许特殊错误在单位间弱相关,也可以一致地估计错误发现比例。此外,通过适当地设置一系列接近零的阈值,所提出的FAT过程享有模型选择的一致性。广泛的模拟研究和真实的数据分析,在美国金融市场上选择熟练的资金来说明所提出的方法的实际效用。本文的补充材料可在网上查阅。
2019-03-01 stat.ME
A Rejection Principle for Sequential Tests of Multiple Hypotheses Controlling Familywise Error Rates
我们提出了一个统一的方法,顺序(或流)数据的多重检验程序,通过给一个顺序的多重检验程序,以控制familywise错误率(FWER)的充分条件,扩展到顺序域的工作Goeman和Solari(2010年)谁完成了这一固定样本量程序。我们把这些条件统称为“序贯试验的拒绝原则”,然后将其应用于一些现有的序贯多重检验程序,以简化对FWER控制的理解。其次,应用该原理推导出两个新的具有可证明FWER控制的序贯多重检验程序,一个用于按序检验假设,另一个用于封闭检验假设。这些新的程序的例子是通过将它们应用到染色体畸变数据集,并找到最大的安全剂量的治疗。
2015-02-24 stat.AP stat.ME
False discovery rate control for multiple testing based on p-values with càdlàg distribution functions
对于基于càdlàg分布函数的p值的多重检验,我们提出了一个具有证明保守性的FDR程序“BH+”。BH+在应用于超一致p值时至少与BH过程一样强大。此外,当应用于中间p值时,BH+比应用于常规p值更强大。这是一个容易验证的必要和充分条件。BH+可能是第一个适用于中间p值的保守FDR程序。BH+应用于甲基化研究、HIV研究和临床安全性研究中基于离散p值的多重检验,在这些研究中,BH+比BH程序有更多的发现。
2018-03-16 stat.ME
A Multiple kernel testing procedure for non-proportional hazards in factorial designs
Otto-von-Guericke University Magdeburg(马格德堡奥托·冯·格里克大学);Universidad Adolfo Ibáñez(阿道夫·伊巴涅斯大学);Universidad de Valparaíso(瓦尔帕莱索大学)
在本文中,我们提出了一个多核测试程序来推断生存数据时,几个因素(如不同的治疗组,性别,病史)和他们的相互作用是同时感兴趣的。我们的方法是能够处理复杂的数据,可以被看作是一种替代无所不在的Cox模型时,假设,如比例不能证明。我们的方法结合了生存分析,机器学习和多重检验的知名概念:不同加权对数秩检验,核方法和多重对比检验。通过这种方式,可以检测到超出经典比例风险设置的复杂风险替代方案。此外,通过充分利用单个测试过程的依赖结构来进行多重比较,以避免功率损失。总之,这导致了一个灵活的和强大的程序因子生存设计的理论有效性证明了鞅参数和$V$ -统计理论。我们评估我们的方法在一个广泛的模拟研究的性能,并说明它通过一个真实的数据分析。
2022-06-15 cs.LG stat.ME
AdaPT: An interactive procedure for multiple testing with side information
我们考虑的问题,多个假设检验与通用的边信息:对于每个假设$H_i$,我们观察到的p值$p_i$和一些预测$x_i$编码上下文信息的假设。对于大规模的问题,自适应地将力量集中在更有希望的假设上(那些更有可能产生发现的假设)可以产生更强大的多重检验程序。我们提出了一个通用的迭代框架,这个问题,称为自适应p值的抑制保持(AdaPT)过程,自适应估计贝叶斯最优p值拒绝阈值和控制的错误发现率(FDR)在有限的样本。在程序的每次迭代中,分析师提出一个拒绝阈值,观察部分删失的p值,估计低于阈值的错误发现比例(FDP),然后停止拒绝或提出另一个阈值,直到估计的FDP低于$α$。我们的程序在非常强的意义上是自适应的,允许分析师使用她选择的任何统计或机器学习方法来估计最佳阈值,并在每次迭代时随着信息的积累在不同模型之间切换。我们证明了良好的性能的AdaPT通过比较它的国家的最先进的方法在五个实际应用和两个模拟研究。
2018-07-25 stat.ME
Testing Biased Randomization Assumptions and Quantifying Imperfect Matching and Residual Confounding in Matched Observational Studies
观察性研究设计的一个中心目标是使用统计匹配将非实验数据嵌入近似的随机对照试验中。尽管实证研究者的最佳意图和努力,以创造高质量的匹配样本,剩余的不平衡,由于观察到的协变量没有很好地匹配往往持续存在。尽管已经开发了统计检验来检验随机化假设及其影响,但由于观察到的协变量在匹配样本中不匹配,因此很少有统计检验提供量化残留混杂水平的方法。在这篇文章中,我们开发了两个通用类的精确的统计检验有偏的随机化假设。我们的测试框架的一个重要副产品是称为残余敏感性值(RSV)的量,它提供了一种方法来量化由于匹配样本中观察到的协变量的不完全匹配而导致的残余混杂水平。我们主张在下游主要分析中考虑RSV。所提出的方法是说明重新审查一个著名的观察性研究有关的影响,右心导管插入术(RHC)在重症患者的初步护理。实施该方法的代码可在补充材料中找到。
2022-06-20 stat.ME
Multiple testing via successive subdivision
海因里希,巴赫和Kornmeier最近推出的顺序多重检验程序允许“放大”,从而确定区域与零假设的高度显着偏离。本注释的目的是以一般形式陈述此程序的同源,并证明其控制族系错误。两个可能的应用程序简要说明。
2009-04-30 stat.ME
Optimal and Maximin Procedures for Multiple Testing Problems
多重检验问题是现代统计分析的主要问题。多重检验程序的基本目标是拒绝尽可能多的虚假零假设(即,最大化某些功效概念),并控制错误发现的总体度量,如族错误率(FWER)或错误发现率(FDR)。在本文中,我们制定多重检验的简单假设作为一个无限维的优化问题,寻求最强大的拒绝政策,保证强有力的控制所选择的措施。从这个意义上说,我们的方法是对单个假设的最优Neyman-Pearson检验的推广。我们表明,可交换的假设,FWER和FDR和相关概念的权力,这些问题可以制定为无限的线性规划,并可以在原则上解决任何数量的假设。我们还描述了复杂的替代品的最大最小规则,并表明,这样的规则可以在实践中找到,从而改善现有的替代品相比,实际的程序。我们得到明确的最佳测试FWER或FDR控制三个独立的正常手段。我们发现,在所有的设置检查的自然竞争对手的权力增益是实质性的。最后,我们将我们的最优最大极小规则应用于Cochrane图书馆系统评价中的亚组分析,从而增加了发现的数量,同时保证了对单侧替代方案的强大FWER控制。
2020-11-25 stat.ME
Interpretable Sensitivity Analysis for Balancing Weights
本文为平衡权重估计器开发了基于百分位自助法的敏感性分析框架,证明其可生成有效置信区间,并提出放大方法实现可解释的敏感性参数,通过真实数据验证了方法的实用性。
2023-08-31 stat.ME
Validation of credit default probabilities via multiple testing procedures
我们应用多重检验程序来验证信用评级系统中估计的违约概率。我们的目标是确定评级类别的违约概率估计不准确,同时仍然保持一个预定义的水平,犯第一类错误的家庭的错误率(FWER)和错误发现率(FDR)的测量。对于FWER,我们还考虑采取可能的离散数据的程序。考虑检验统计量。这些方法的性能示出在模拟设置和经验的默认数据。
2010-06-25 q-fin.ST stat.AP
Adjusted inference for multiple testing procedure in group sequential designs
针对成组序贯设计中同时调整多重假设检验与多次分析的研究空白,提出调整序贯p值及交集假设序贯p值,通过加权Bonferroni和加权参数检验控制族系I类错误率进行推断。
2023-11-27 stat.ME