Sequential FDR and pFDR control under arbitrary dependence, with application to pharmacovigilance database monitoring
本文提出在任意数据流相关性下控制FDR或pFDR的序贯多重检验程序,通过优化逐步下降检验的误差上界实现,模拟显示可节省45-65%样本量,并在英国黄卡药物警戒数据库上验证。
2024-11-26 stat.ME
FDR controlling procedures with dimension reduction and their application to GWAS with linkage disequilibrium score
本研究提出以连锁不平衡评分为协变量并结合主成分分析降维的FDR控制方法,用于GWAS中在控制假阳性的同时提高统计功效,并通过模拟和真实数据验证其有效性。
2025-07-08 stat.AP stat.ME
Online control of the false discovery rate in biomedical research
现代生物医学研究经常涉及测试多个相关假设,同时保持对适当错误率的控制。在许多应用中,错误发现率(FDR),即被拒绝的假设中假阳性的预期比例,已成为标准误标准。控制FDR的程序,例如众所周知的Benjamini-Hochberg程序,假设所有p值均可在单个时间点进行检验。然而,这忽略了许多生物医学实验的连续性,在这些实验中,一系列假设被测试,而无法获得未来的p值甚至假设的数量。最近,Javanmard和Montanari(Ann. Stat. 2018),并由Ramdas等人建立(NIPS 2017,ICML 2018)。在本文中,我们比较和对比这些建议的程序,特别侧重于设置的p值是依赖的。我们还提出了一个简单的修改程序时,有一个上限的假设进行测试的数量。使用全面的模拟场景和案例研究,我们提供了建议,在实践中使用的程序在线FDR控制。
2018-09-26 stat.AP stat.ME
On Procedures Controlling the FDR for Testing Hierarchically Ordered Hypotheses
复杂的大规模研究,例如与微阵列数据和功能磁共振成像研究相关的研究,通常涉及测试多个层次有序的假设。然而,大多数现有的错误发现率(FDR)控制程序不利用内在的层次结构之间的测试假设。在本文中,我们首先提出了一个广义的逐步程序,推广通常的逐步程序的情况下,每个假设进行了测试与一组不同的临界常数。这个过程有助于创建一个通用的框架,在这个框架下,我们的分层测试程序被开发出来。然后,我们提出了几个层次的测试程序,控制FDR下的各种形式的依赖,如正相关和块相关。我们的模拟研究表明,这些提出的方法在某些情况下可能比诸如Yekutieli的分层测试程序(Yekutieli,\emph{JASA} \textbf{103}(2008)309-316)的替代方法更强大。最后,我们将我们提出的程序应用到一个真实的数据集,涉及不同生态环境中微生物的丰度。
2016-12-14 math.ST stat.ME stat.TH
A New Approach for Large Scale Multiple Testing with Application to FDR Control for Graphically Structured Hypotheses
在许多大规模的多重检验应用中,假设通常具有已知的图形结构,例如基因表达数据中的基因本体。在多重检验程序中利用这种图形结构可以提高功效并有助于解释。然而,将该结构结合到大规模测试过程中并证明诸如错误发现率(FDR)的错误率是受控的可能是具有挑战性的。在本文中,我们介绍了一种新的通用方法,大规模的多重检验,它可以帮助开发新的程序,在各种设置与证明控制所需的错误率。这种方法对于开发FDR控制程序特别有用,它被简化为开发每族错误率(PFER)控制程序的问题。具体来说,对于有向无环图(DAG)结构的假设检验问题,利用一般方法,在假设独立的前提下,首先设计了一个特定的PFER控制过程,然后在此基础上设计了一个新的FDR控制过程,该过程能够在被拒绝的假设中保持所需的DAG结构.通过一个小的模拟研究和一个真实的数据分析,我们说明了良好的性能,提出的FDR控制程序的DAG结构的假设。
2018-12-01 math.ST stat.ME stat.TH
Controlling the FDR in variable selection via multiple knockoffs
Barber和Candes最近引入了一种称为knockoff+的特征选择方法,该方法控制经典线性回归问题中所选特征之间的错误发现率(FDR)。Knockoff+使用原始特征和人工创建的仿制品特征之间的竞争来控制FDR [1]。我们推广Barber和Candes的仿制品构造以生成多个仿制品,并将其与最近开发的基于多个竞争的FDR控制的一般框架结合使用[9]。我们证明,使用我们的初始多敲除建设的组合过程严格控制有限样本设置中的FDR。因为这种构造的实用性有限,我们引入了一种启发式方法,我们称之为“启发式”,它显著提高了我们的多重敲除程序的能力。最后,我们结合了一个新的上下文相关的reservation计划,取代通用reservation计划中使用的一般多竞争设置的批量仿冒品。我们使用模拟,由此产生的“多敲除选择”的程序经验控制FDR在有限设置的变量选择问题,同时往往提供更多的权力比敲除+。
2019-11-22 stat.ME
A Two-stage Online Monitoring Procedure for High-Dimensional Data Streams
先进的计算技术和数据采集技术使得许多领域的高维数据流采集成为可能。高效的在线监测工具,可以正确地识别任何异常的数据流,这些数据是非常抢手的。然而,大多数现有的监控程序直接应用错误发现率(FDR)控制程序的数据在每个时间点,并在每个时间点的FDR(逐点FDR)是由用户指定或由控制(IC)的平均游程长度(ARL)确定。如果逐点FDR是由用户指定的,则产生的过程缺乏对全局FDR的控制,并且使用户在IC-ARL方面处于黑暗中。如果逐点FDR由IC-ARL确定,则所得到的过程不给予用户选择他们在识别异常数据流时可以容忍的假警报(第一类错误)的数量的灵活性,这通常使得过程过于保守。为了解决这些限制,我们提出了一个两阶段的监测程序,可以控制在用户指定的水平的IC-ARL和第一类错误。因此,所提出的程序允许用户不仅选择当所有数据流都是IC时他们期望任何假警报的频率,而且还可以选择当识别异常数据流时他们可以容忍多少假警报。有了这种额外的灵活性,我们提出的两阶段监测程序在模拟研究和实际数据分析中显示优于现有的方法。
2017-12-14 stat.ME
Treatment Effect Detection with Controlled FDR under Dependence for Large-Scale Experiments
在过去的几十年里,在线控制实验(也称为A/B测试)一直被视为大型数据驱动型公司的黄金标准。许多公司采用的最常见的A/B测试框架使用“平均处理效应“(ATE)作为统计数据。然而,在将“错误发现率“(FDR)控制在预定水平的同时提高检测ATE的能力仍然是公司的难题。最流行的FDR控制算法之一是BH方法,但BH方法仅已知在具有保守界的限制性正相关假设下控制FDR。在本文中,我们提出了统计方法,可以系统地,准确地识别ATE,并演示了他们如何能够与受控的低FDR,但更高的功率使用模拟和真实世界的实验数据鲁棒工作。此外,我们详细讨论了可扩展性问题,并将我们的范例与其他最近的FDR控制方法进行了比较,例如,仿制品、AdaPT程序等。
2021-10-14 stat.AP stat.ME
A New Procedure for Controlling False Discovery Rate in Large-Scale t-tests
研究了大规模多重测试问题中的错误发现率控制问题。本文首先提出了一种新的数据驱动检验方法,用于控制单样本均值问题大规模t检验中的FDR。无论检验次数或样本量如何,当总体是对称的时,所提出的方法在有限样本设置中实现了精确的FDR控制。与现有的自举方法FDR控制相比,所提出的方法是计算效率。我们表明,所提出的方法可以控制FDR渐近不对称的人口,即使检验统计量是不独立的。我们进一步表明,所提出的程序与一个简单的校正是准确的自举方法的二阶度,可能是更有效的比现有的正常校准。我们将所提出的方法推广到双样本均值问题.实验结果表明,所提出的程序有更好的FDR控制比现有的真实的替代假设的比例不太低,同时保持合理的良好的检测能力。
2020-02-28 math.ST stat.ME stat.TH
A more practical approach for the Benjamini-Hochberg FDR controlling procedure for huge-scale testing problems
我们解决了大规模数据分析中的一个常见问题,特别是遗传学领域,即大规模测试问题,其中数百万到数十亿个假设一起测试,从而产生了执行多个假设测试程序的计算挑战。作为一种解决方案,我们提出了一种替代算法,以及使用线性逐步上升过程的Benjamini和Hochberg(1995)。我们的算法需要线性时间,不需要任何p值排序。它允许将大规模的测试问题任意地分成计算上可行的集合或块。来自块的结果由我们的算法组合以产生与整个测试集上的控制过程相同的结果,从而即使当p值被任意划分时也控制全局错误发现率。实际的存储器使用也可以由可用存储器的大小任意确定。
2015-01-21 stat.ME
Online FDR Controlling procedures for statistical SIS Model and its application to COVID19 data
提出一种基于条件局部FDR的在线FDR控制方法,用于离散且具有复杂依赖性的传染病数据集,在SIS模型下通过动态贝叶斯网络实现高检测功效的FDR控制。
2026-06-16 stat.ME
Online multi-layer FDR control
本文针对流式假设检验中多层级分组的需求,提出在线同时控制多个划分FDR的程序,并给出理论证明与模拟验证。
2025-06-03 stat.ME
Testing composite null hypotheses with high-dimensional dependent data: a computationally scalable FDR-controlling procedure
Duke University(杜克大学);Texas A&M University(德克萨斯农工大学);University of Wisconsin-Madison(威斯康星大学麦迪逊分校)
针对高维相关数据检验复合零假设的难题,开发四状态隐马尔可夫模型并基于此提出多重检验程序控制错误发现率,引入新e值框架解决扩展性问题,模拟和应用表明该方法功效高,能识别新的可重复信号。
2026-07-20 stat.ME
False discovery rate controlling procedures for discrete tests
Benjamini和Hochberg(1995)提出了错误发现率(FDR)作为多重检验问题中族错误率的替代,并提出了控制FDR的方法。对于离散数据,该过程可能是高度保守的。我们调查替代,更强大的程序,利用离散性的测试,并有FDR水平接近所需的标称水平的幅度。此外,我们开发了一种新的降压过程,占主导地位的降压过程Benjamini和刘(1999)的离散数据。我们考虑应用于药物警戒自发报告系统,用于早期发现上市药物的不良反应。
2014-01-27 stat.ME
Improving online FDR procedures via online analogs of e-closure and compound e-values
Carnegie Mellon University(卡内基梅隆大学);University of Bremen(不来梅大学)
本文提出一种改进在线多重检验方法的框架,通过在线e-closure原理和新型复合e值定义,实现严格功率提升并保持FDR控制,算法在O(log t)时间内完成决策,并在合成和真实数据上表现更优。
2026-07-09 math.ST stat.ME stat.TH
Adaptive Storey's null proportion estimator
针对Storey零比例估计量超参数固定则功效不足、数据驱动则损害FDR控制的问题,提出一类自适应超参数及最大化拒绝数的配置,证明其FDR控制性质与收敛性,实验显示在弱非零比例高或零分布保守时功效显著提升。
2023-10-10 stat.AP stat.ME
The Benjamini--Hochberg Procedure Can Fail to Control the FDR for Correlated Two-Sided Gaussian Tests
Department of Statistics and Data Science, University of Pennsylvania(统计与数据科学系,宾夕法尼亚大学)
研究表明本杰明尼-霍奇伯格程序在相关双边高斯检验中可能无法控制FDR,构建因子模型证明在α = 0.01时FDR > 0.0104,反驳了一个二十年的猜想,蒙特卡罗实验与理论相符,证明由GPT - 5.6 Pro获得并经作者检查。
2026-07-15 cs.AI math.ST stat.ME
Local False Discovery Rate Estimation with Competition-Based Procedures for Variable Selection
多重假设检验已被广泛应用于处理高维数据的问题,例如,选择重要变量并控制选择错误率。在多重假设检验中使用的错误率的最普遍的度量是错误发现率(FDR)。近年来,局部错误发现率因其在评估个体假设可信度方面的优势而受到广泛关注。然而,大多数方法通过p值或具有已知零分布的统计量来估计FDR,这些方法有时不可用或不可靠。采用基于竞争的程序的创新方法,例如,在knockoff滤波器的基础上,提出了一种新的局部错误发现率估计方法TDfdr,该方法不需要p值或已知的零分布。仿真结果表明,TDFDR可以准确地估计FDR与两个竞争为基础的程序。在实际数据分析中,TDfdr对变量选择的能力在两个生物数据集上得到了验证。
2022-06-06 stat.ME
Sequential resetting procedures and false discovery rate
Georgia State University(佐治亚州立大学);University of Waterloo(滑铁卢大学);Massachusetts Institute of Technology(麻省理工学院)
针对序贯数据中的多重检验问题,提出基于e值和检验超鞅的序贯重置程序,在FDR控制下定位失效区间,并给出两种设置下的明确界限,应用于LLM水印检测和金融回测。
2026-10-14 math.ST stat.AP stat.ME
FDR Control for Online Anomaly Detection
针对在线异常检测中经典多重检验方法无法适用、缺乏FDR控制的问题,提出基于mFDR局部控制的在线多重检验策略,结合校准数据集基数调优实现全序列FDR控制,并通过理论与仿真验证了性能。
2024-12-16 stat.ME
The p-filter: multi-layer FDR control for grouped hypotheses
在使用错误发现率(FDR)的多个假设检验的许多实际应用中,给定的假设可以自然地划分成组,并且人们可能不仅想要控制错误发现的数量(错误地拒绝了零假设),而且错误发现的假设组的数量(如果一个组中至少有一个假设被拒绝,我们说这个组被错误地发现,而实际上这个组只包含空值)。本文介绍了p-滤子,它是Benjamini和Hochberg的标准FDR方法和Simes的全局零检验方法的统一和推广。我们首先证明,我们提出的方法可以同时控制整体FDR在最好的水平(个别假设单独处理)和组FDR在粗糙的水平(当这些组是用户指定的)。然后,我们进一步推广p-过滤程序来处理假设的多个分区,因为这在许多应用中可能是自然的。例如,在神经科学实验中,我们可能对大脑中的每个(离散化的)位置和每个(离散化的)时间点都有一个假设:刺激是否与刺激出现后时间t时位置x的活动相关?在这种情况下,人们可能希望按地点和时间对假设进行分组。重要的是,我们的过程可以处理多个非层次的分区(即一个分区可以按体素排列p值,另一个分区按时间点排列p值;两者都不嵌套在另一个分区内)。我们证明,我们的程序控制FDR同时跨越这些多个层,在文献中的标准假设:我们不需要的假设是独立的,但需要一个非负相关的条件称为PRDS。
2016-10-29 stat.ME stat.ML
Adaptive False Discovery Rate Control for Heterogeneous Data
努力开发更有效的多个假设检验程序的错误发现率(FDR)控制的重点是纳入真实的零假设的比例估计(这种程序被称为自适应)或利用异质性通过一些最佳的加权方案测试。本文结合这些方法使用加权自适应多决策函数(WAMDF)的框架。导出了一个灵活随机效应模型的最优权值,并给出了在原假设下,当检验统计量独立时,控制任意加权方案FDR的WAMDF.渐近和数值评估表明,弱相关下,建议WAMDFs提供更有效的FDR控制,即使最佳的权重是错误的。所提出的方法的鲁棒性和灵活性,有利于开发更有效的,但实际的,FDR程序的异构数据。为了说明,两种不同的加权自适应FDR方法的异质样本量的开发和应用数据。
2017-02-10 stat.ME
A Unified View of False Discovery Rate Control: Reconciliation of Bayesian and Frequentist Approaches
本文探讨了贝叶斯错误发现率(FDR)控制过程和频率论控制过程之间的内在联系。我们试图提供一个统一的观点,FDR控制内和外的设置测试可交换的假设。在标准两组模型和Oracle条件下,我们证明了贝叶斯和频率论方法可以在任意水平上实现渐近等价的FDR控制。基于这一结果,我们进一步说明,严格的后拟合模型诊断是必要的和有效的,以确保强大的FDR控制参数贝叶斯方法。此外,我们表明,贝叶斯FDR控制方法是连贯的,自然扩展到设置超越测试交换假设。特别是,我们说明,$p$值不再是自然的统计工具,最佳频率FDR控制在测试不可交换的假设。最后,我们说明了由我们的理论结果激励的简单数值配方可以有效地检查贝叶斯和频率论程序中通常假设的一些关键模型假设(例如,零假设)。
2018-03-14 stat.ME
Setwise Hierarchical Variable Selection and the Generalized Linear Step-Up Procedure for False Discovery Rate Control
Department of Mathematics and Statistics, Dalhousie University(达尔豪斯大学数学与统计系)
本文提出了一种基于集的分层变量选择方法,结合广义线性逐步提升程序,有效控制FDR并提升预测性能。
2026-03-02 stat.ME
Auto-Encoding Knockoff Generator for FDR Controlled Variable Selection
一种新的统计程序(Model-X \cite{candes2018})提供了一种使用任何控制FDR的监督学习方法来识别重要因素的方法。这一研究领域显示出巨大的潜力,可以将机器学习方法的视野扩展到预测任务之外,以满足科学研究对可解释发现的更广泛需求。然而,缺乏一个实用的和灵活的方法来产生仿制品仍然是广泛应用的Model-X程序的主要障碍。本文填补了空白,提出了一个无模型的敲除生成器,通过潜变量表示近似的特征之间的相关性结构。我们证明了我们提出的方法可以实现FDR控制和更好的功率比两个现有的方法在各种模拟设置和一个真实的数据例子,发现与HIV-1患者的耐药性相关的突变。
2018-09-27 stat.ME
Adaptive procedures for boundary FDR control
Duke University(杜克大学);University of Chicago(芝加哥大学)
本文提出自适应版支持线程序,通过两步法估计真实空假设数量并调整阈值,以控制边界拒绝的FDR,同时在正依赖条件下保持误差控制并提升统计功效。
2026-08-11 stat.ME
Improved null proportion estimators for multiple discrete tests with plug-in FDR control
AgroParisTech(巴黎高等师范学院);European University of Technology(欧洲技术大学)
本文提出了一种改进的空假设比例估计器,用于离散检验中的FDR控制,通过引入信息关于空分布函数来缓解保守性问题,提升效率。
2026-06-27 stat.ME
A generalized e-value feature detection method with FDR control at multiple resolutions
School of Statistics and Mathematics, Zhejiang Gongshang University(浙江工商大学统计与数学学院);School of Management, University of Science and Technology of China(中国科学技术大学管理学院);Department of Statistics and Data Science, Southern University of Science and Technology(南方科技大学统计与数据科学系)
本文提出SFEFP方法,通过统一广义e值和稳定处理,在多分辨率下实现FDR控制,提升特征检测的灵活性和稳定性。
2025-12-21 stat.ME
Two-stage Hypothesis Tests for Variable Interactions with FDR Control
在许多情况下,如全基因组关联研究,变量之间的依赖性通常存在,它往往是感兴趣的是推断模型中的相互作用效应。然而,在复杂和高维数据中测试数百万个变量之间的成对相互作用受到低统计功效和巨大计算成本的影响。为了解决这些挑战,我们提出了一个两阶段的测试程序与错误发现率(FDR)的控制,这是一个不太保守的多重测试校正。从理论上讲,FDR控制的困难在于两个阶段的检验统计量之间的数据依赖性,以及第二阶段进行的假设检验的数量取决于第一阶段的筛选结果。通过使用Cramér型中偏差技术,我们证明了在允许模型被错误指定的广义线性模型(GLM)中,我们的方法渐近地将FDR控制在期望的水平.此外,FDR控制程序的渐近功率被严格地建立。我们通过全面的模拟研究表明,我们的两阶段的程序是计算效率比经典的BH程序,具有可比或改进的统计功效。最后,我们将所提出的方法应用于来自dbGaP的膀胱癌数据,其中科学目标是识别膀胱癌的遗传易感性位点。
2022-08-31 math.ST stat.ME stat.ML
Anytime-valid FDR control with the stopped e-BH procedure
本文指出停止的e-BH程序在序贯多重检验中,因全局停止时间导致信息泄漏而无法普遍控制FDR,并提出一个排除过去未观测混杂的因果条件,在该条件下可保证FDR控制,适用于基因组学等场景。
2025-08-05 math.ST stat.ME stat.TH
Anchored multiple testing: a transparent use of e-closure to improve FDR procedures
该研究提出锚定技术,利用现有FDR证明的松弛性改进多重检验程序,得到的e-闭包透明保留基线发现并控制FDR,且在多种场景下优于对应基线程序。
2026-10-30 math.ST stat.ME stat.TH
A Generalized Benjamini-Hochberg Procedure for Multivariate Hypothesis Testing
Benjamini和Hochberg提出的错误发现率(FDR)引起了人们对开发在各种环境中控制FDR的方法的极大兴趣。然而,大多数现有的方法,解决FDR控制的情况下,一个适当的单变量检验统计量是可用的。另一方面,现代假设检验和数据集成应用程序通常涉及多变量检验统计量。在这种情况下,目标是将每个假设的证据结合起来,并获得更大的力量,同时控制错误发现的数量。本文考虑基于多元检验统计量(z值)构建嵌套拒绝区域的数据自适应方法。它被证明是可以控制的FDR适当构造的拒绝区域,即使该区域依赖于数据,因此是随机的。然后利用这种灵活性来开发更高维度的最佳多重比较程序,其中非空z值的分布是未知的。使用模拟和真实数据的结果进行说明。
2016-06-08 stat.ME
Dynamic adaptive procedures that control the false discovery rate
在具有独立检验的多重检验问题中,经典线性逐步上升过程将错误发现率(FDR)控制在$π_0α$水平,其中$π_0$是真零假设的比例,$α$是目标FDR水平。自适应过程可以通过合并$π_0$的估计来提高功率,所述估计通常依赖于调谐参数。固定的自适应程序在看到数据之前设置其调谐参数,并且可以显示为在有限样本中控制FDR。我们开发的动态自适应程序,其调整参数的数据确定的理论结果。我们表明,如果调谐参数选择根据从左到右的停止时间规则,相应的动态自适应过程控制有限样本的FDR。例子包括最近提出的右边界程序和广泛使用的最低斜率程序等。仿真结果表明,在独立和弱相关条件下,右边界方法比其他动态自适应方法更有效。
2019-08-28 math.ST stat.ME stat.TH
On Benjamini-Hochberg procedure applied to mid p-values
离散p值的多重检验经常出现在各种科学研究中。然而,程序,包括控制Benjamini-Hochberg(BH)程序的错误发现率(FDR),通常用于这种设置,最初是为具有连续分布的p值开发的,过于保守,因此可能不像人们希望的那样强大。因此,通过适当地使其适应离散p值而不失去其FDR控制来改进BH过程是当前研究的重要路径。本文研究了BH过程的FDR控制,当它被应用于中间p值时,并导出了它是保守的条件。我们的模拟研究表明,适用于中间p值的BH程序可能是保守的,在更一般的设置下,比在这项工作中所描述的,并且适用于中间p值的BH程序的自适应版本与基于随机p值的现有自适应程序一样强大。
2019-06-04 stat.ME
Multiple competition-based FDR control for peptide detection
基于竞争的FDR控制在计算质谱领域已经普遍使用了十多年(Elias和Gygi,2007)。最近,在Barber和Candes(2015)在包括特征选择问题在内的更一般的环境中奠定了理论基础之后,该方法在其他领域获得了极大的普及。在这两种情况下,竞争是基于观察到的分数和相应的诱饵/仿制品之间的头对头比较。Keich和Noble(2017 b)最近证明了在解决将肽序列分配给观察到的质谱的问题时使用多个而不是单个诱饵的一些优势。在这项工作中,我们考虑了一个相关的问题-检测肽的基础上收集的质谱-我们开发了一个新的框架,基于竞争的FDR控制使用多个空分数。在这个框架内,我们提供了几种方法,所有这些方法都是基于一个新的程序,严格控制有限样本设置中的FDR。使用真实数据来研究肽检测问题,我们表明,相对于现有的单一诱饵方法,我们的方法可以增加发现的肽的数量高达50%,在小FDR阈值。
2019-11-13 stat.AP stat.ME
Simultaneous false discovery rate control in location families
University of Southern California(南加州大学);University of Pennsylvania(宾夕法尼亚大学);University of Cambridge(剑桥大学)
本文提出在位置族中同时控制FDR的方法,扩展Benjamini-Hochberg过程以控制FDR曲线,展示标准方法也同时控制整个FDR曲线。
2026-05-10 stat.ME
Incorporation of Sparsity Information in Large-scale Multiple Two-sample $t$ Tests
大规模多个两样本{ \em Student}的$t$检验问题经常出现在科学数据的统计分析中。为了检测在两个均值向量之间具有不同值的分量,公知的过程是应用Benjamini和Hochberg(B-H)方法和双样本{ \em Student}的$t$统计量来控制错误发现率(FDR)。在许多应用中,期望均值向量是稀疏的或渐近稀疏的。在处理此类数据时,{ \em是否可以在控制FDR的同时获得比标准程序(例如使用Student $t$统计量的B-H方法)更高的功效?}答案是肯定的。通过利用平均向量中可能的稀疏信息,我们提出了一种基于不相关筛选的(US)FDR控制方法,该方法比B-H方法更强大。美国检验程序依赖于一种新的筛选统计量构造,该统计量与双样本{ \em Student}的$t$统计量渐近不相关。US测试程序不同于一些现有的{筛选后的\em测试}方法(Reiner等人,二○ ○七年; Yekutieli,2008年),其中筛选和检测之间的独立性对于控制FDR至关重要,而独立性通常需要额外的数据或样本分割。不适当的样本分割可能导致统计功效的损失而不是提高。相反,不相关的筛选US基于原始数据,不需要分割样本。理论结果表明,美国的测试程序控制所需的FDR渐近。数值研究表明,所提出的程序工作得很好。
2014-10-16 stat.ME
Asymptotically optimal sequential FDR and pFDR control with (or without) prior information on the number of signals
我们调查渐近最优的多重检验程序的顺序数据流的背景下,先验信息的数量假零假设(“信号”)。我们表明,最近提出并由Song和Fellouris(2017,Electron. J. Statist.)对于控制第1类和第2类族误差率(FWE)是渐近最优的,当适当调整它们的临界值时,对于控制FDR/FNR也是渐近最优的。推广这一结果,我们表明,这些程序,再次适当调整的临界值,是渐近最优的控制任何多重检验误差度量,在一定意义上的FWE的倍数之间的界限。这类指标包括FDR/FNR,但也包括pFDR/pFNR、每个比较和每个系列的错误率以及假阳性率。我们的分析包括渐近制度,其中零假设的数量接近$\infty$,因为1型和2型错误度量接近$0$。
2020-05-01 math.ST stat.ME stat.TH
A grouped, selectively weighted false discovery rate procedure
结构化假设检验中的错误发现率控制是同时推理中的一个重要课题。大多数现有的方法,旨在利用组结构之间的假设,要么采用groupwise混合模型或加权所有p值或假设。因此,当分组混合模型不合适或大多数组仅包含真零假设时,可以提高它们的功效。出于这一动机,我们提出了一个分组的,选择性加权的FDR程序,我们称之为“sGBH”。具体而言,在不采用分组混合模型的情况下,sGBH识别感兴趣的假设组,仅对每个这样的组中的p值进行加权,并且仅使用加权的p值来测试所选择的假设。sGBH包含标准分组加权FDR程序,我们将其称为“GBH”。我们提供了简单的条件,以确保sGBH的保守性,连同经验证据,其大大提高了GBH的权力。新的程序应用于基因表达研究。
2019-08-14 stat.ME
Discovering the Network Granger Causality in Large Vector Autoregressive Models
本文针对高维向量自回归模型,提出了基于去偏lasso和自助法的两种多重检验程序以控制FDR并发现网络Granger因果性,理论分析与实证均验证了其有效性。
2024-11-13 stat.ME
Asymptotic Results on Adaptive False Discovery Rate Controlling Procedures Based on Kernel Estimators
错误发现率(FDR)是多测试问题中常用的I类差错率。它被定义为预期的假发现比例(FDP),即被拒绝的假设中假阳性的预期比例。当假设是独立的,Benjamini-Hochberg程序实现FDR控制在任何预先指定的水平。通过构造,FDR控制在功率或II类误差方面不提供保证。已经开发了一些替代程序,包括插件程序,旨在通过纳入真实零假设的比例估计来获得功率。在本文中,我们研究的渐近行为的一类插件程序的基础上的核估计的密度的$p$ -值,作为数量$m$的测试假设增长到无穷大。在一个设置的假设测试是独立的,我们证明,这些程序是渐近更强大的两个方面:(i)一个更严格的渐近FDR控制的任何目标FDR水平和(ii)更广泛的目标水平产生积极的渐近功率。我们还表明,这种增加的渐近功率是以较慢的价格,非参数收敛速度的FDP。这些比率的形式为$m^{-k/(2k+1)}$,其中$k$由$p$值分布的密度的规律性确定,或等效地由检验统计量分布的密度的规律性确定。这些结果适用于单侧和双侧检验统计的高斯和拉普拉斯位置模型,并为学生模型。
2013-04-20 math.ST physics.data-an q-bio.QM
False Discovery Rate and Localizing Power
The University of Texas Rio Grande Valley(德克萨斯大学里奥格兰德河谷分校);University of Oxford(牛津大学);University of South Carolina(南卡罗来纳大学)
本文提出通过选择性推断和BKY方法改进FDR控制,以更准确地处理双尾检验中的方向性推断问题。
2025-12-14 stat.AP stat.ME
An Optimal False Discovery Rate Controlling Procedure for Changepoint Detection
Stanford University(斯坦福大学)
针对独立观测序列变点检测问题,提出LBD-FDR方法,可控制错误发现率,在高斯序列等场景下达最优检测性能,模拟中与五种现有方法对比验证有效性。
2026-08-04 stat.ME
False Discovery Rate Adjustments for Average Significance Level Controlling Tests
University of Southern California(南加州大学)
研究在平均显著性水平控制下,Benjamini-Hochberg过程仍能渐近控制FDR,并证明某些依赖调整在有限样本中有效,为高维非参数设置提供FDR控制方法。
2026-06-12 stat.ME
False Discovery Rate Control via Frequentist-assisted Horseshoe
针对马蹄形先验在频率学派FDR控制上的空白,提出频率学派辅助的马蹄形方法,通过极小极大估计全局参数并保留全贝叶斯结构,实现高维正态均值检验等场景的有限样本FDR控制,且优于现有方法,还为复杂模型推广提供方向。
2025-02-17 math.ST stat.ME stat.ML
A powerful procedure that controls the false discovery rate with directional information
本文提出signed-knockoff程序,利用检验统计量的符号方向信息在有限样本中控制FDR,并通过模拟和实际应用证明其功效优势。
2025-07-21 stat.ME
Nullstrap: A Simple, High-Power, and Fast Framework for FDR Control in Variable Selection for Diverse High-Dimensional Models
提出Nullstrap框架,通过生成合成零数据并并行估计,在不破坏原始数据的前提下实现高维模型变量选择中的FDR控制与高功效。
2025-07-15 q-bio.QM stat.ME
A General Stability Approach to False Discovery Rate Control
Department of Statistics & Data Science, SOE, Xiamen University(厦门大学经济学院统计与数据科学系);Faculty of Business and Economics, University of Hong Kong(香港大学商学院);MOE Lab of Econometrics and WISE, Xiamen University(厦门大学经济计量学教育部重点实验室和WISE)
本文提出FDR稳定器方法,通过聚合特征重要性统计量和稳定化e值,提升FDR控制的稳定性和可重复性,理论证明其在渐近上控制FDR且无功效损失。
2025-12-19 stat.ME
Inference for microbe--metabolite association networks using a latent graph model
针对现有FDR控制方法在微生物-代谢物关联网络推断中检验效能低的问题,提出基于二部随机块潜图模型的推断流程,结合变分期望最大化算法,兼具FDR控制与模块聚类功能,经模拟和细菌性阴道病数据验证有效。
2025-06-13 stat.ME
Model-free controlled variable selection via data splitting
本文提出一种基于数据切分的无模型变量选择方法,在充分降维框架下通过最小二乘变换和对称性统计量实现高维数据中的FDR控制,兼具有限样本与渐近保证,且功效优于现有方法。
2024-04-22 stat.ME
Online Rules for Control of False Discovery Rate and False Discovery Exceedance
University of Southern California(南加州大学);Stanford University(斯坦福大学)
多重假设检验是统计推断中的一个核心问题,几乎在各个科学领域都有出现。Benjamini和Hochberg在给定一组零假设$\mathcal{H}(n) = (H_1,\dotsc, H_n)$的情况下,引入了假发现率(FDR),即被拒绝的零假设中假阳性的预期比例,并提出了一种将FDR控制在预先指定的显着性水平以下的检验方法。FDR是目前大规模多重假设检验的首选准则。在本文中,我们考虑的问题,控制FDR在一个“在线的方式”。具体地说,我们考虑一个有序的-可能是无穷序列的零假设$\mathcal{H} = (H_1,H_2,H_3,\dots )$,在每一步$i$,统计学家必须决定是否拒绝假设$H_i$只能访问以前的决定。这个模型是由Foster和Stine提出的。我们研究了一类“广义阿尔法投资”的程序,并证明,在这个类中的任何规则控制在线FDR,提供$p$ -值对应于真正的空值是独立于其他$p$ -值。(早期的工作仅建立了mFDR控制。接下来,我们得到的条件下,广义α投资控制FDR在一般$p$值的依赖关系的存在。最后,我们开发了一套修改后的程序,也可以控制错误发现的比例(尾部的错误发现)。数值模拟和分析结果表明,在线程序不会招致大量的损失,在统计功率相对于离线的方法,如Benjamini-Hochberg。
2017-07-06 cs.LG math.ST stat.AP
Derandomized knockoffs: leveraging e-values for false discovery rate control
本文提出一种去随机化model-X knockoffs的方法,通过聚合多次实现的e值,在无需额外条件下保证FDR控制,并显著降低选择变异性,同时保持相当功效。
2023-08-31 stat.ME
Discovering findings that replicate from a primary study of high dimension to a follow-up study
我们考虑的问题,确定是否复制的结果从一个研究的高维度到另一个,当主要的研究指导选择的假设进行检查,在后续的研究,以及当没有分工的主要和后续的研究。我们表明,现有的荟萃分析方法是不适合这个问题,并提出新的方法,而不是。我们证明,我们的多重检验程序控制适当的错误率。建议的FWER控制程序是有效的任意依赖之间的检验统计量在每个研究。一个更强大的程序,建议FDR控制。我们证明,如果检验统计量在初步研究中是独立的,并且在后续研究中独立或具有PRDS类型的依赖性,则该程序控制FDR。对于主要研究中的任意依赖性,以及随访研究中的任意依赖性或PRDS类型依赖性,程序的简单保守修改控制FDR。我们证明了这些程序的有用性,通过模拟和真实数据的例子。
2013-05-24 math.ST stat.AP stat.ME
Tiny but uniform improvements of adaptive BH procedures via compound e-values
University of Chicago(芝加哥大学);University of Waterloo(滑铁卢大学);Carnegie Mellon University(卡内基梅隆大学)
本文通过复合e值视角揭示现有适应性FDR程序的不足,提出统一改进方法,并设计新的同时t检验FDR控制方法。
2026-10-20 math.ST stat.ME stat.TH