Dimension-Free Anticoncentration Bounds for Gaussian Order Statistics with Discussion of Applications to Multiple Testing
证明了下列反浓集性质。具有单位方差分量的任意相关联合高斯随机向量$X$的$k$ -顺序统计量位于长度$\varepsilon$的区间内的概率由$2{\varepsilon}k ({ 1+\mathrm{E}[\|X\|_\infty ]}) $上界。这一界的影响,广义差错率控制在统计高维多假设检验问题,这是随后讨论。
2021-07-22 math.ST 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
Permutation-based multiple testing when fitting many generalized linear models
本文针对高维数据中并行拟合多个广义线性模型的多重检验问题,提出将符号翻转检验与置换多重检验程序相结合的新方法,扩展至多元环境以自适应未知响应相关结构,并在存在相关性时显著提升检验功效。
2024-10-04 math.ST stat.TH
Bayesian Multiple Testing Under Sparsity for Polynomial-Tailed Distributions
本文研究了稀疏条件下多项式尾分布满足单调似然比性质的贝叶斯多重检验问题。这类分布包括学生t分布、帕累托分布和许多其他分布。我们证明了固定和随机阈值下的一些一般的渐近最优性结果。作为这些一般性结果的例子,我们建立了贝叶斯渐近最优的几个多个测试程序在文献中适当选择的错误发现率水平。我们还通过模拟表明,Benjamini-Hochberg过程的错误发现率水平与渐近最优的不同,可以导致高贝叶斯风险。
2016-07-28 math.ST stat.TH
Multiple testing
Econometric Institute, Erasmus University Rotterdam(伊拉斯姆斯大学鹿特丹计量经济研究所)
介绍多重假设检验,涵盖多种错误准则和检验程序,并引用相关R包,原为博士课程讲义。
2026-06-26 math.ST stat.ME stat.TH
Adjusting for selection bias in testing multiple families of hypotheses
在许多大型的多重检验问题中,假设被分成若干族。根据这些数据,选择具有真实发现证据的家族,并对其中的假设进行测试。单独控制每个族中的错误率和一起控制所有假设上的错误率都不能确保在所选族中控制错误率。我们制定这种关注的选择性推理的一般性,对于一个非常广泛的类的错误率和任何选择标准,并提出了一个调整的测试水平内的选定的家庭,保留了选定的家庭的平均错误率。
2011-06-18 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
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
When to adjust alpha during multiple testing: A consideration of disjunction, conjunction, and individual testing
科学家经常在原假设显著性检验过程中调整他们的显著性阈值(α水平),以考虑多重检验和多重比较。在科学复制危机的背景下,这种阿尔法调整变得特别重要。本文考虑的条件下,这种阿尔法调整是适当的,在哪些条件下,它是不适当的。区分三种类型的多重检验:分离检验、连接检验和单独检验。有人认为,α调整是唯一适当的情况下,分离测试,其中至少有一个测试结果必须是显着的,以拒绝相关的联合原假设。在联合检验的情况下,α调整是不合适的,其中所有相关结果必须是显著的,以便拒绝联合原假设。在个体检验的情况下,α调整也是不合适的,其中每个个体结果必须是显著的,以便拒绝每个相关的个体原假设。检查了这三种类型的多重检验中每一种的保证条件。结论是研究人员不应该自动(无意识地)假设α调整是必要的,在多重检验。提供了关于联合研究假设和联合多因素方差分析假设的说明。
2021-07-06 math.ST stat.ME stat.TH
Testing for homogeneity of several functional variables via multiple maximum variance discrepancy
本文针对希尔伯特空间上k个概率分布的同质性检验问题,提出多重最大方差差异(MMVD)及其一致估计检验统计量,推导了原假设下的渐近分布,并通过模拟验证了方法的对比表现。
2024-04-15 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
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
Recent developments towards optimality in multiple hypothesis testing
即使在测试一个假设时,也有许多不同的最优性概念。在多重测试领域,可能性的数量要大得多。本文首先将描述涉及单个参数的测试中出现的多重性问题,并将在此背景下描述一个新的最优性结果。虽然给出的例子是最小的实际重要性,它说明了至关重要的依赖最优的测试问题的精确规格。然后,本文将讨论类型的扩展的最优性准则,被认为是假设涉及多个参数时,将注意到一些新的最优性结果,并会选择相关的理论参考这些扩展的标准下的最优性考虑。
2006-10-27 math.ST stat.TH
A factor-adjusted multiple testing of general alternatives
因子调整多重检验用于处理强相关检验。由于大多数以前的作品控制稀疏的替代品下的错误发现率,我们开发了一个两步的方法,即AdaFAT,对于任何真实的错误比例。在本文中,所提出的程序进行调整的潜在因素负荷。在解释变量存在的条件下,给出了因子载荷估计的一致收敛性。我们还表明,AdaFAT的力量与控制错误发现率一起达到1。通过对中国A股市场的模拟,检验了所提出的方法的性能。
2020-11-02 math.ST stat.TH
Sequential Multiple Testing
我们研究了一个在线的多重测试问题,假设顺序到达流。检验统计量是独立的,并假设在各自的零假设下具有相同的分布。我们研究了由(Javanmard和Montanari,2015)提出的两个程序LORD和LOND,它们被证明可以在线控制FDR。在某些(静态)模型中,我们证明了LORD在某种渐近意义上是最优的,特别是在第一渐近阶上与(静态)Benjamini-Hochberg过程一样强大。我们还量化了LOND的性能。一些数值实验补充了我们的理论。
2017-05-25 math.ST 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
Effects of statistical dependence on multiple testing under a hidden Markov model
多个假设检验的性能受到所涉及的随机变量之间的统计相关性的影响。然而,对此负责的机制并不清楚。研究了有限状态隐马尔可夫模型(HMM)的依赖结构对隐状态最优多重检验的关键似然比的影响。当隐马尔可夫模型的观测值形成一个增长的长链时,得到了似然比的各种收敛结果。一阶和二阶导数的解析展开的情况下,得到的二进制状态,显式地示出的似然比的HMM的参数的影响。
2011-03-09 math.ST 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 comprehensive error rate for multiple testing
对一系列检验的更高批评始于每个检验的单个未校正p值。然后,它需要一个程序来决定p值的集合是否表明存在真正的效应,如果可能的话,选择那些值得更仔细审查的。本文研究的程序中,有序的p值相比,一个任意的积极和非递减的阈值序列。
2016-02-23 math.ST stat.TH
About the lower bounds for the multiple testing problem
给定一个观测到的随机变量,考虑在一族候选变量中恢复其分布的问题。两点不等式,Fano引理和最近Venkataramanan和Johnson(2018)的不等式允许从下面限制该族的最大错误概率。本文的目的是同时给出所有这些结果的一个非常简短的证明,并通过Venkataramanan和Johnson不等式加以改进。
2018-07-14 math.ST stat.TH
Multiple Testing in Nonparametric Hidden Markov Models: An Empirical Bayes Approach
给定一个具有两个状态的非参数隐马尔可夫模型(HMM),考虑将其中一个状态作为未知的原假设,构造有效的多重检验程序的问题.介绍了一个程序,基于非参数经验贝叶斯的想法,控制在用户指定的水平的错误发现率(FDR)。还以控制真阳性率的形式提供功率保证。在建设中的关键步骤之一,要求上确界-范数收敛的HMM的发射密度的初步估计。我们提供了这样的估计的存在性,收敛在最佳的极小极大率的情况下,一个HMM与$J\ge 2$状态,这是独立的利益。
2021-01-11 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
Distribution free testing for linear regression. Extension to general parametric regression
最近,\cite{Khm13, Khm16, Khm17}提出了一种基于酉变换的检验参数假设的无分布方法,并在\cite{Ngu17}和\cite{Rob19}中进行了进一步的研究。本文证明了在线性回归的分布自由检验中,变换的形式是极其简单的。然后将其推广到向量值协变量的一般参数回归。
2020-02-07 math.ST stat.ME stat.TH
Adversarially robust multiple testing in high dimensions
University of Oxford(牛津大学);WU Vienna University of Economics and Business(维也纳经济大学)
本文提出基于分位数缩尾技术的高维对抗鲁棒多重检验方法,可在对抗污染下近似控制家族式错误率,支持假设数量随样本量指数增长,其两样本结果的不等式扩展具有独立价值。
2026-08-03 math.ST stat.TH
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
Multiple testing of local maxima for detection of peaks on the (celestial) sphere
我们提出了一个拓扑多重测试计划检测各向同性高斯噪声下的球体上的峰值,在局部最大值的球面针变换过滤的观测场进行测试。我们的设置是不同的标准欧几里德/大相同的渐近框架,但高度相关的现实实验情况下,在天文学中的一些重要领域的应用。更准确地说,我们专注于一个单一的实现的光滑各向同性高斯随机场上的球观察的情况下,以及一些本地化的信号叠加在这样的背景场。所提出的算法,结合Benjamini-Hochberg程序阈值的p值,提供渐近强控制的错误发现率(FDR)和功率一致性的信号强度和频率的针变换得到大。这种新的多重检验方法在宇宙微波背景辐射(CMB)数据中的点源探测的模拟中得到了说明。
2016-02-29 math.ST stat.TH
Multiple testing procedures under confounding
虽然多重检验程序一直是许多统计研究的焦点,但问题的一个重要方面是如何处理可能的混杂。遗传学和统计学的作者已经开发了程序。在本章中,我们将介绍这些建议。我们提出了两个新的多重检验方法在这个框架内。第一种方法将敏感性分析方法与错误发现率估计方法相结合。第二个涉及利用混合模型进行多重检验的收缩估计的建设。说明与应用程序的基因表达谱实验在前列腺癌的程序。
2008-05-15 math.ST stat.ME stat.TH
A strong law of large numbers related to multiple testing Normal means
在相依条件下评估多重检验程序的稳定性是重要的,但也是非常具有挑战性的。即使是多重检验,其中一组正常的随机变量的平均值为零,我们称之为“正常的意思是问题”,到目前为止,缺乏一个分类的依赖类型下,强大数律(SLLN)保持拒绝和假拒绝的数量。我们引入了“主相关结构(PCS)”的概念,它表征了这种SLLN的依赖类型,并建立了法律。此外,我们表明,PCS确保SLLN的假发现比例时,总是有一个积极的零正常的手段。我们还研究了正态均值问题的两个条件多重检验程序的稳定性,并证明了当导致PCS的正态随机变量的协方差阵的分解在一定意义下是齐次时,相关的SLLN成立。我们的研究结果还提供了一个正式的方法来检查,如果“弱依赖”的假设,一个广泛使用的假设在多重测试文献中,持有的正常手段的问题。作为副产品,我们建立了Hermite多项式的一个泛界和检验二元正态随机向量的边际均值的两个p值的指示函数的协方差和向量的两个分量之间的相关性的一个泛比较结果。这些都是他们自己的利益。
2019-10-30 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
E-values: Calibration, combination, and applications
对单个假设的多重检验和对多个假设的检验通常以p值的形式进行。在本文中,我们将p值替换为它们的自然竞争者e值,e值与投注、贝叶斯因子和似然比密切相关。我们证明了e值在数学上往往更容易处理;特别是,在单个假设的多个测试中,e值可以简单地通过平均来合并。这使我们能够开发有效的程序,使用e值来测试多个假设。
2020-09-19 math.ST stat.TH
Multiple Testing of Local Extrema for Detection of Change Points
提出了一种基于微分平滑和多重检验的变点检测新方法,该方法适用于以分段常数函数和平稳遍历高斯噪声为模型的长数据序列。作为STEM算法在\citet{schwartzman2011multiple}和\citet{cheng2017multiple}中用于峰值检测的应用,该方法在平滑和区分观察序列之后检测变化点作为显著的局部最大值和最小值。该算法,结合Benjamini-Hochberg程序阈值的p值,提供了渐近强控制的错误发现率(FDR)和电源的一致性,作为序列的长度和跳跃的大小变大。仿真结果表明,FDR水平保持在非渐近条件下,并指导平滑带宽的选择。该方法在磁力计传感器数据和基因组阵列CGH数据中示出。R cran中有一个名为“dSTEM”的R包。
2019-11-19 math.ST stat.TH
Risk quantification for the thresholding rule for multiple testing using Gaussian scale mixtures
本文研究了一类大类高斯尺度混合先验的贝叶斯多重检验的渐近性质。我们研究了两种类型的多重测试风险:Bogdan等人(2011)提出的贝叶斯风险,其中数据假设来自正常值的混合,以及与Arias-Castro和Chen提出的风险类似的频率论风险(2017)。根据van der Pas et al.(2016)的工作,我们给出了先验的一般条件,使得两个风险都有界。对于贝叶斯风险,边界几乎是尖锐的。这一结果表明,在这些条件下,所考虑的连续先验类可以与通常的两组模型(例如尖峰和板先验)竞争。我们还表明,如果非零组件的参数是足够大,极大极小风险可以渐近零。获得的分离速率与从现有文献中可以推测的分离速率一致(参见van der Pas等人,2017年b)。对于这两个问题,我们然后给出的条件下,可以得到一个自适应版本的结果。
2017-11-23 math.ST stat.TH
Asymptotic Properties of Bayes Risk of a General Class of Shrinkage Priors in Multiple Hypothesis Testing Under Sparsity
考虑独立正态观测均值的同时检验问题。在贝叶斯决策理论框架下,研究了一类单组收缩先验诱导的多重检验规则的渐近最优性,其中总损失为误分类假设的个数.我们假设数据为两组正态混合模型,并考虑Bogdan等人(2011)采用的渐近框架,他在多重检验的背景下引入了稀疏下渐近贝叶斯最优性的概念。一般类的一组先验研究是丰富的,包括,除其他外,家庭的三个参数β,广义双帕累托先验,特别是马蹄铁,正常指数伽玛和Strawderman-Berger先验。我们建立,在我们所选择的渐近框架内,研究中的多个测试规则渐近达到贝叶斯甲骨文的风险的乘法因子,与常数的风险接近的甲骨文风险的常数。这与Datta和Ghosh(2013)基于Carvalho等人(2009,2010)引入的马蹄估计量的多重检验规则获得的结果相似。我们进一步证明,在对底层稀疏参数的非常温和的假设下,基于van der Pas et al.(2014)提出的相应全局收缩参数的经验贝叶斯估计的诱导决策规则,在相同的乘法因子下渐近地获得最优贝叶斯风险。我们提供了一个统一的参数适用于一般类的先验研究。在此过程中,我们解决了Datta和Ghosh(2013)关于广义双重Pareto先验最优性的一个猜想。我们的工作还表明,Datta和Ghosh(2013)的结果可以进一步改进。
2015-06-10 math.ST stat.TH
Asymptotically optimal test for dependent multiple testing set up
本文研究了多重假设检验的相关检验统计量的性质。为了简单起见,我们考虑了一个具有等相关的混合正态模型。通过简单的线性变换,将检验统计量分解为独立分量,当适当调节时,独立分量生成自变量。这些被用来构建条件检验,这被证明是渐近最优的功率一样大,使用N.P.Lemma。我们进行了广泛的模拟来支持这一说法。
2020-01-07 math.ST stat.ME stat.TH
Statistical Inference and Large-scale Multiple Testing for High-dimensional Regression Models
本文对高维回归模型(包括线性和逻辑斯谛回归)的统计推断和多重检验的最新发展进行了选择性的综述。我们检查的置信区间和假设检验的各种低维目标,如回归系数和线性和二次泛函的建设。其关键技术是为目标低维目标生成去偏和去parasized估计器,并估计其不确定性。除了涵盖这些统计方法背后的动机和直觉之外,我们还讨论了它们在高维推理背景下的最优性和自适应性。此外,我们还回顾了基于多元回归模型的统计推断的最新发展和高维回归的大规模多重检验的进展。R包SIHR已经实现了本文讨论的一些高维推理方法。
2023-01-25 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
FDR control for multiple hypothesis testing on composite nulls
多重假设检验通常涉及复合空值,即,与两个或多个分布相关联的空值。在许多情况下,假设分布上存在先验分布是合理的,尽管它是未知的。当真空值分布的数量是有限的,我们表明,在上述假设下,错误发现率(FDR)可以控制使用$p$ -值下的经验分布的意见施加的约束下计算。与使用$p$的FDR控制相比,所提出的FDR控制可以具有显著更大的功率,所述$p$值被定义为在所有空分布上的最大显着性水平。
2008-07-30 math.PR math.ST stat.TH
An Asymptotically Exact Multiple Testing Procedure under Dependence
提出一种单步多重检验程序,在等相关的多元高斯设定下利用显式插入估计量渐近精确控制族错误率,无需逐步调整,并验证了其理论性质与模拟有效性,同时扩展至块相关结构和广义FWER控制。
2025-08-13 math.ST stat.ME stat.TH
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
Sequential Analysis in High Dimensional Multiple Testing and Sparse Recovery
本文从序贯分析的角度研究了高维多重检验和稀疏恢复问题。在这种情况下,错误的概率是问题维度的函数。提出了一种简单的序贯测试方法。我们推导出在非序贯设置的可靠恢复的必要条件,并将它们与可靠恢复的充分条件使用建议的序贯测试程序。几个常见的模型的主要结果的应用程序表明,序贯测试可以指数更敏感的零和替代分布之间的差异(在尺寸的依赖),这意味着微妙的情况下,可以更可靠地确定使用序贯方法。
2011-06-03 cs.IT math.IT math.ST
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
Sequential multiple testing with generalized error control: an asymptotic optimality theory
在两个广义误差度量下研究了序贯多重检验问题。在第一种情况下,至少控制任何类型的$k$错误的概率。在第二种情况下,同时控制至少$k_1$假阳性和至少$k_2$假阴性的概率。对于每个配方,最佳预期的样本量的特点,一阶渐近近似的误差概率为0,并提出了一种新的多重检验程序,并证明是渐近有效的每个信号配置下。当各种假设的数据流是独立的并且每个局部对数似然比统计量满足某个强大数律时,这些结果成立。在i.i.d.的特殊情况下。在每个流中的观察,所提出的顺序程序超过固定样本量计划的收益进行了量化。
2018-06-18 math.ST stat.ME stat.TH
Occam's hammer: a link between randomized learning and multiple testing FDR control
我们建立了一个通用的理论工具来构建概率边界的算法,其中的输出是一个子集的对象从一个初始池的候选人(或更一般地说,一个概率分布说池)。这个通用的设备,被称为“奥卡姆锤”,作为一个Meta层时,概率界限已经知道的池中的对象单独采取,并旨在控制的比例,对象在集合输出不满足他们的个人界限。在这方面,它可以被看作是一个非平凡的推广的“联合约束与先验”(“奥卡姆剃刀”),一个熟悉的工具,在学习理论。我们应用这一原则的随机分类器(提供一个有趣的替代方法,PAC贝叶斯界限)和多重测试(它允许检索准确和扩展所谓的Benjamini-Yekutieli测试程序)。
2006-08-29 cs.LG math.ST stat.TH
On the testing of multiple hypothesis in sliced inverse regression
针对单变量响应与p维预测变量的回归框架下的多重检验问题,提出基于切片逆回归的无模型MTA方法,可渐近控制错误发现率,检验功效优于现有方法。
2023-06-16 math.ST stat.ME stat.TH
E-values as unnormalized weights in multiple testing
本文研究 p-values 与 e-values 结合的多重检验问题,证明独立 e-values 作为数据驱动权重时无需归一化,并提出可在元分析或单一数据中实现的高功效检验程序。
2023-07-18 math.ST stat.ME stat.TH
Optimal Rates and Tradeoffs in Multiple Testing
多重假设检验是统计学中的一个中心话题,但是尽管对错误发现率(FDR)和相应的被称为错误未发现率(FNR)的第二类错误概念进行了大量的研究,但对多重检验的基本限制的细粒度理解尚未得到发展。我们的主要贡献是推导出一个精确的非渐近FNR和FDR之间的权衡广义高斯序列模型的一个变体。我们的分析是灵活的,足以允许分析的设置,其中的问题参数随假设$n$的数量,包括各种稀疏和密集的制度(与$o(n)$和$\mathcal{O}(n)$信号)。此外,我们证明了Benjamini-Hochberg算法以及Barber-Candès算法都是速率最优的常数在这些制度。
2017-05-15 math.ST stat.AP stat.ME
Analysis of error control in large scale two-stage multiple hypothesis testing
当处理同时检验大量原假设的问题时,一种自然的检验策略是首先通过某种选择(筛选或过滤)过程减少被检验的假设的数量,然后同时检验所选择的假设。这种策略的主要优点是大大降低了高维的严重影响。然而,为了保持某种类型的错误控制,必须适当地考虑第一筛选或选择阶段。在本文中,我们将介绍一个选择规则的基础上的选择统计量是独立的检验统计量时,测试的假设是真的。结合这个选择规则和传统的Bonferroni程序,我们可以开发一个强大的和有效的两阶段程序。引入的过程有几个很好的属性:(i)它完全消除了选择效应;(ii)它减少了多重性效应;(iii)它不会“浪费”数据,同时进行选择和测试。渐近功率分析和仿真研究表明,该方法可以提供更高的功率相比,通常的多重检验方法,同时控制类型1的错误率。最佳选择阈值也来自基于我们的渐近分析。
2017-03-18 math.ST stat.ME stat.TH
Carefree multiple testing with e-processes
本文指出基于 $e$-value 的多重检验方法对数据收集顺序不具备不变性,提出应使用 $e$-processes 的上确界,并证明 e-BH 等方法在控制 FDR 上的不足,展示了调整器可确保 e-BH 在任意依赖下的 FDR-sup 控制。
2025-07-17 math.ST stat.ME stat.TH
Multiple testing of a function's monotonicity
University of Missouri(密苏里大学)
本文提出一种函数单调性的多重检验方法,可在多个点检验递增性,提供更细信息,并生成内外置信集,提高检验功效。
2026-09-29 econ.EM math.ST stat.ME
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
A unified treatment of multiple testing with prior knowledge using the p-filter
有大量文献介绍了将知识纳入多重检验程序以提高其功效和精度的方法。先验知识的一些常见形式包括(a)关于哪些假设为空的信念,由非均匀先验权重建模;(b)不同的假设重要性,由对错误发现的不同惩罚建模;(c)假设的多个任意划分,(可能重叠)组;和(d)假设或组之间的独立性、正相关性或任意相关性的知识,表明使用更积极或保守的程序。我们提出了一个统一的算法框架,称为p-过滤器的全球零测试和错误发现率(FDR)的控制,允许科学家将所有四种类型的先验知识(a)-(d)同时,恢复各种已知的算法作为特殊情况。
2019-08-06 math.ST stat.ME stat.ML
Confounder Adjustment in Multiple Hypothesis Testing
我们考虑同时进行数千个显著性检验的大规模研究。在其中一些研究中,潜在的混杂因素(例如批次效应和与感兴趣的主要变量(例如治疗变量、表型)和结果相关的未测量协变量)可能会导致多重检验程序出现严重偏差。在过去的十年中,许多统计方法被提出来调整假设检验中的混杂因素。我们统一这些方法在同一个框架,推广到包括多个主变量和多个讨厌的变量,并分析其统计特性。特别是,我们提供了理论保证RUV-4和LEAPP,这对应于两个不同的识别条件的框架:第一个需要一组“阴性对照”,是已知的先验遵循空分布;第二个需要真正的非空值是稀疏的。两种不同的估计,这是基于RUV-4和LEAPP,然后应用到这两种情况。我们表明,如果混杂因素是强大的,由此产生的估计可以渐近强大的预言估计,观察潜在的混杂因素。对于假设检验,我们证明了基于估计量的渐近z检验可以控制第一类错误。数值实验表明,当样本量较大时,错误发现率也受Benjamini-Hochberg过程的控制。
2016-06-20 math.ST stat.ME stat.TH
Max-Rank: Efficient Multiple Testing for Conformal Prediction
本文针对保形预测中的多重假设检验问题,提出利用检验间正相关性和秩次信息的 max-rank 校正方法,以高效控制族系错误率并优于 Bonferroni 校正。
2025-03-18 math.ST stat.ME stat.ML
False Discovery Control in Multiple Testing: A Brief Overview of Theories and Methodologies
本文综述了多重检验中错误发现率(FDR)控制方法的最新进展,并提出了一个概念框架以梳理相关文献、阐释核心思想,为研究者在方法应用与开发上提供指导。
2024-11-16 math.ST stat.AP stat.ME