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
On the expected runtime of multiple testing algorithms with bounded error
考虑在所有假设的p值未知的情况下测试多个假设,因此必须使用Monte Carlo模拟进行近似。在文献中发表的一类算法,这种情况下,通过计算所有近似p值的置信度声明,提供了保证其测试结果的正确性。本文主要关注这类算法的预期运行时间,并推导出各种有限和无限的预期运行时间结果。
2020-06-12 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
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
Multiple testing via relative belief ratios
一些大规模的推理问题被认为是基于使用相对置信比作为统计证据的措施。这种方法适用于多重测试问题。这一点的一个特殊应用是关于评估稀疏性。稀疏性的方法有几个优点,因为它是基于证据的测量,不需要以任何方式限制先验。
2016-09-21 math.ST stat.TH
Uncertainty quantification for robust variable selection and multiple testing
我们研究的问题,确定一组\emph{active}变量,在文献中称为\emph{variable selection}或\emph{multiple hypothesis testing},根据追求的标准。对于一般的非正态,可能依赖的观察和广义概念的\emph{active set}的\emph{robust setting},我们提出了一个程序,同时用于两个任务,变量选择和多重测试。该过程基于\emph{risk hull minimization}方法,但也可以作为经验贝叶斯方法或惩罚策略的结果获得。我们通过各种标准来解决其质量问题:汉明风险、FDR、FPR、FWER、NDR、FNR和各种\emph{multiple testing risks},例如,MTR=FDR+NDR;并讨论了所得结果的一个弱最优性。最后,我们介绍和研究,第一次,\emph{uncertainty quantification problem}在变量选择和多重测试的背景下,在我们的稳健设置。
2021-09-23 math.ST 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
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
On spike and slab empirical Bayes multiple testing
本文探讨了经验贝叶斯后验分布和错误发现率(FDR)控制之间的联系。在高斯序列模型中,这项工作表明,经验贝叶斯校准的尖峰和板后验分布允许一个正确的FDR控制下稀疏。这样做,它提供了一个频率论的理论验证的经验贝叶斯方法的背景下,多重测试。我们的理论结果与数值实验说明。
2019-06-15 math.ST stat.TH
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 ]}) $上界。这一界的影响,广义差错率控制在统计高维多假设检验问题,这是随后讨论。
2021-07-22 math.ST stat.TH
Closure properties of classes of multiple testing procedures
统计发现往往是通过多重假设检验获得的。存在各种程序来评估多个假设,例如Benjamini-Hochberg,Bonferroni,Holm或Sidak的假设。我们特别感兴趣的是多个测试程序与两个所需的属性:(仅)单调和行为良好的程序。本文探讨在何种程度上的类(单调或良好的行为)多个测试程序,特别是所谓的步升和步降程序的子类,是封闭的基本集合操作,特别是工会,交叉,差异和补充组拒绝或非拒绝的假设。本文证明了两个主要结果:第一,取任意(单调的或良好行为的)多个测试程序的并或交,得到单调但不良好行为的新程序,而取其补或差一般都不保持这两个性质。第二,这两类(单调的或良好的)步升和步降过程在取并或交时是封闭的,但在取补或差时不是封闭的。
2017-04-30 math.ST stat.TH
Permutation-based multiple testing when fitting many generalized linear models
本文针对高维数据中并行拟合多个广义线性模型的多重检验问题,提出将符号翻转检验与置换多重检验程序相结合的新方法,扩展至多元环境以自适应未知响应相关结构,并在存在相关性时显著提升检验功效。
2024-10-04 math.ST stat.TH
Bayesian Multiple Testing Under Sparsity for Polynomial-Tailed Distributions
本文研究了稀疏条件下多项式尾分布满足单调似然比性质的贝叶斯多重检验问题。这类分布包括学生t分布、帕累托分布和许多其他分布。我们证明了固定和随机阈值下的一些一般的渐近最优性结果。作为这些一般性结果的例子,我们建立了贝叶斯渐近最优的几个多个测试程序在文献中适当选择的错误发现率水平。我们还通过模拟表明,Benjamini-Hochberg过程的错误发现率水平与渐近最优的不同,可以导致高贝叶斯风险。
2016-07-28 math.ST stat.TH
Optimal Rates and Tradeoffs in Multiple Testing
多重假设检验是统计学中的一个中心话题,但是尽管对错误发现率(FDR)和相应的被称为错误未发现率(FNR)的第二类错误概念进行了大量的研究,但对多重检验的基本限制的细粒度理解尚未得到发展。我们的主要贡献是推导出一个精确的非渐近FNR和FDR之间的权衡广义高斯序列模型的一个变体。我们的分析是灵活的,足以允许分析的设置,其中的问题参数随假设$n$的数量,包括各种稀疏和密集的制度(与$o(n)$和$\mathcal{O}(n)$信号)。此外,我们证明了Benjamini-Hochberg算法以及Barber-Candès算法都是速率最优的常数在这些制度。
2017-05-15 math.ST stat.AP stat.ME
Some Asymptotic Results on Multiple Testing under Weak Dependence
Interdisciplinary Statistical Research Unit, Indian Statistical Institute(印度统计学院交叉统计研究单元);Institute for Statistics, University of Bremen(不来梅大学统计研究所)
本文研究了在弱相关正态设置下多重检验的渐近行为,证明了Bonferroni和Sidak程序在假设数量趋于无穷大时能精确控制FWER,并通过模拟验证了其渐近精确性。
2026-02-24 math.ST stat.ME stat.TH
Sequential multiple testing with generalized error control: an asymptotic optimality theory
在两个广义误差度量下研究了序贯多重检验问题。在第一种情况下,至少控制任何类型的$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
Testing for Structural Breaks via Ordinal Pattern Dependence
我们提出了新的概念,以分析和建模之间的依赖结构的两个时间序列。我们的方法完全依赖于数据点的顺序结构。因此,该方法在时间序列的单调变换下是稳定的,并且对小扰动或测量误差是鲁棒的。有序模式依赖性可以由四个参数来表征。我们提出了这些参数的估计,我们计算他们的渐近分布。此外,我们推导出一个测试的依赖结构内的结构断裂。所有的结果都补充了模拟研究和实证例子。对于获得不同值的三个连续数据点,有六种可能性可以对其值进行排序。这些可能性称为有序模式。我们的第一个想法是简单地计算两个时间序列中模式的重合次数,并将其与独立情况下的预期次数进行比较。如果我们检测到很多重合的模式,这意味着上下行为是相似的。因此,我们的概念可以被看作是一种衡量非线性“相关性”的方法。在最后一节中,我们展示了如何推广这个概念,以捕获各种其他类型的依赖。
2015-01-29 math.PR math.ST 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
Rejoinder to "Multiple Testing for Exploratory Research"
对“探索性研究的多重检验”的反驳。Solari [arXiv:1208.2841].
2012-08-16 stat.ME
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
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
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
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
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
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
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
Discussion of "Multiple Testing for Exploratory Research" by J. J. Goeman and A. Solari
对J. J. Goeman和A. Solari [arXiv:1208.2841].
2012-08-16 stat.ME
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
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
Discussion of "Multiple Testing for Exploratory Research" by J. J. Goeman and A. Solari
对J. J. Goeman和A. Solari [arXiv:1208.2841].
2012-08-16 stat.ME
Non-parametric Archimedean generator estimation with implications for multiple testing
在多重检验中,族间误差率在一定条件下可以由检验统计量的copula来界定。假设这个Copula是阿基米德的,我们考虑两个非参数阿基米德生成估计。更具体地说,我们使用Genest et al.(2011)的非参数估计量及其略微修改。在模拟中,我们将得到的多个测试与Bonferroni测试和来自真实生成器的多个测试作为基线进行比较。
2019-03-27 stat.ME
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
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
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 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
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
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
Dynamic Algorithms for Online Multiple Testing
我们推导出新的算法在线多重检验,可证明控制错误发现的不确定性(FDX),同时实现数量级以上的权力比以前的方法。这种统计学上的进步是通过新算法思想的发展实现的:早期的算法更“静态”,而我们的新算法允许根据算法积累的财富量动态调整测试水平。我们证明了我们的算法在各种合成实验中实现了更高的功率。我们还证明了SupLORD可以为FDR和FDX提供错误控制,并在停止时间控制FDR。停止时间是特别重要的,因为它们允许实验者任意早地结束实验,同时保持对FDR的期望控制。SupLORD是第一个非平凡的算法,据我们所知,可以控制FDR在停止时间在线设置。
2021-06-02 math.ST stat.ME stat.ML
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
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
Testing Multiple Linear Regression Systems with Metamorphic Testing
回归是最常用的统计技术之一。然而,测试回归系统是一个巨大的挑战,因为缺乏测试预言一般。在本文中,我们表明,变形测试是一种有效的方法来测试多个线性回归系统。在此过程中,我们确定内在的数学性质的线性回归,然后提出11个变形关系用于测试。他们的有效性进行检查,使用突变分析与一系列不同的回归程序。我们进一步研究如何以更有效的方式采用测试。我们的工作是适用于检查预测系统的可靠性的基础上回归,已被广泛应用于经济,工程和科学,以及统计用户操纵的回归计算。
2021-08-17 cs.SE stat.ME
Dealing with multiple testing: To adjust or not to adjust
由于需要捕获或传达具有更多变量的更多信息,科学研究中自然会出现多重检验问题。文献是巨大的,但重点主要是方法,提供了许多方法与他们的数学理由和实际执行。我们的目的是突出的逻辑问题,涉及应用多重检验调整。
2020-10-04 stat.OT
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
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
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 game-theoretic probability: pictures and questions
本文探讨博弈论概率中由多个预测者输出预测时的多重检验问题,发现略微放宽族系有效性可显著提升检验效率,并报告初步模拟结果与未来研究方向。
2024-03-18 stat.ME
Distribution-free Multiple Testing
我们研究了一个程式化的多重检验问题,其中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。我们首先证明,在正态均值模型中,检验统计量是正态Z分数,著名的方法(Benjamini和Hochberg,1995)是最佳的在某种渐近意义上。然后,我们证明了这也是Foygel-Barber和Candès(2015)最近提出的一种无分布方法的情况。该方法是无分布的,因为它对零分布是不可知的-它只要求零分布是对称的。我们将这些最优性结果扩展到其他位置模型,其基础分布具有快速衰减的尾部。
2016-04-26 math.ST stat.TH