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
Bringing Closure to False Discovery Rate Control: A General Principle for Multiple Testing
Carnegie Mellon University(卡内基梅隆大学);Ca’ Foscari University of Venice(威尼斯福斯卡里宫大学);University of Bremen(不来梅大学);University of Twente(特温特大学);Centrum Wiskunde & Informatica(荷兰数学与计算机科学研究中心);Leiden University Medical Center(莱顿大学医学中心)
本文提出了一种通用原则,统一了多重检验方法,可控制多种误差率,包括假发现率,并允许事后灵活选择误差度量。
2026-07-31 math.ST stat.ME stat.TH
Finding Distributions that Differ, with False Discovery Rate Control
Department of Statistics and Data Science, The Wharton School, University of Pennsylvania(宾夕法尼亚大学沃顿学院统计与数据科学系)
本文提出了一种分布无关的多重检验方法,用于识别与参考分布不同的分布,并通过模拟和实际数据验证其有效性。
2025-11-25 stat.ME
Testing partial conjunction hypotheses under dependency, with applications to meta-analysis
在许多统计问题中,假设被自然地分成组,研究者有兴趣进行组水平的推断,可能还有对单个假设的推断。我们考虑的目标是发现组包含$u$或更多的信号与组级错误发现率(FDR)控制。我们考虑部分合取$p$ -值是组内$u=1.$-值的组合的情况,并且获得关于(1)组内和组间$p$-值之间的依赖性,(2)用于获得部分合取$p$ -值的组合方法,以及(3)用于获得对部分合取发现的FDR控制的多重测试过程。我们单独考虑在荟萃分析设置中遇到的依赖性,其中多个功能在几个独立的研究中进行测试,并且每个研究中的$p$值可能是依赖的。基于这种情况下的结果,我们推广了Benjamini,Heller和Yekutieli(2009)的程序,用于评估研究中信号的可复制性,并扩展了他们关于FDR控制的理论结果。
2021-05-19 math.ST stat.TH
Estimating and Controlling the False Discovery Rate for the PC Algorithm Using Edge-Specific P-Values
PC算法允许研究人员从有限数据集估计一个完整的部分有向无环图(CPDAG),但很少有研究小组研究用于估计和控制CPDAG中边的错误发现率(FDR)的策略。在本文中,我们介绍了PC与p值(PC-p),一个快速算法,鲁棒地计算边缘特定的p值,然后估计和控制FDR的边缘。PC-p专门使用许多条件独立性检验返回的p值来上限更复杂的边缘特定假设检验的p值。然后,该算法使用有界p值和Benjamini-Yekutieli FDR程序来估计和控制FDR。对原始PC算法的修改也有助于PC-p准确地计算上界,尽管非零第二类错误率。实验表明,与其他方法相比,PC-p在各种CPDAG中产生更准确的FDR估计和边缘控制。
2017-05-10 stat.ME stat.ML
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
Multiple Hypothesis Testing in Genomics
本报告探讨了基因组学RNA-seq差异表达分析中的多重假设检验,研究BH、BY和Storey等方法以控制FDR并保持统计功效,通过模拟数据验证其有效性,为大规模基因研究提供稳健框架。
2025-06-29 stat.ME
A comparison of the Benjamini-Hochberg procedure with some Bayesian rules for multiple testing
在建模推理的精神,微阵列作为稀疏混合物的多重测试,我们提出了一个类似的方法来简化版本的数量性状基因座(QTL)定位。与微阵列的情况不同,在微阵列中测试的数量通常达到数万,在QTL扫描中进行的测试的数量通常不超过数百。然而,在典型的情况下,QTL作图的重要替代物的稀疏性$p$与微阵列的稀疏性在相同的范围内。为了方法上的兴趣,以及一些相关的应用,我们也考虑非稀疏混合。使用模拟以及理论观察,我们研究错误发现率(FDR),功率和误分类概率的Benjamini-Hochberg(BH)程序及其修改,以及各种参数和非参数贝叶斯和参数经验贝叶斯程序。我们的结果证实了Genovese和Wasserman(2002)的观察,即对于小p,BH的误分类误差在达到贝叶斯预言的意义上接近最优。这个属性是由一些考虑的贝叶斯测试规则共享的,对于大的或中等的$p$,它们通常比BH执行得更好。
2008-05-16 math.ST stat.TH
Partial Conjunction Analysis in Neuroimaging: A Comparative Study
Institute for Statistics, University of Bremen(不来梅大学统计研究所);Department of Statistical Sciences, University of Bologna(博洛尼亚大学统计科学系)
本文从神经影像学角度探讨部分联合理论假设检验问题,比较了adaFilter、CoFilter和BHY三种方法在不同γ值下的表现,评估了脑区激活模式的一致性。
2026-03-17 stat.AP stat.ME
Stepup procedures for control of generalizations of the familywise error rate
考虑检验零假设$H_1,...,H_s$的多重检验问题。处理多重性问题的经典方法是将注意力限制在控制族的差错率($\mathit{FWER}$)的过程上,即即使是一个错误拒绝的概率。但是,如果$s$很大,则对$\mathit{FWER}$的控制非常严格,使得控制$\mathit{FWER}$的过程检测错误的零假设的能力受到限制。因此,需要考虑其他差错控制措施。本文考虑了$\mathit{FWER}$的两种推广。第一种是$k-\mathit{FWER}$,在这种情况下,人们愿意容忍$k$或对某些固定的$k\geq 1$的更多错误拒绝。第二种是基于错误发现比例($\mathit{FDP}$),定义为错误拒绝数除以拒绝总数(如果没有拒绝,则定义为0)。Benjamini和Hochberg [J. Roy.中央集权主义者Soc.Ser.B57(1995)289- 300]提出了对错误发现率($\mathit{FDR}$)的控制,他们的意思是,对于固定的$α$,$E(\mathit{FDP})\leqα$。在这里,我们考虑在这个意义上的$\mathit{FDP}$的控制,对于固定的$γ$和$α$,$P\{\mathit{FDP}>γ\}\leq α$。开始与任何非递减序列的常数和$p$ -值的个别测试,我们得到的stepup程序,控制这两个措施的错误控制,而不施加任何假设的$p$ -值的依赖…
2006-11-09 math.ST stat.TH
Multiple testing with the structure adaptive Benjamini-Hochberg algorithm
在同时测试大量假设的多重检验问题中,错误发现率(FDR)控制可以用众所周知的Benjamini-Hochberg过程来实现,该过程适应于数据中存在的信号量。已经提出了对该过程的许多修改,以提高假设被组织成组或层次结构以及其他结构化设置的场景中的功效。在这里,我们介绍SABHA,“结构自适应Benjamini-Hochberg算法”,作为这些自适应测试方法的推广。SABHA结合了关于假设列表内的信号和空值的位置模式中的任何预定类型的结构的先验信息,以数据自适应的方式重新加权p值。这通过在信号似乎更常见的地区进行更多的发现来提高功率。我们的主要理论结果证明,SABHA控制FDR在一个水平,这是最多略高于目标FDR水平,只要自适应权重被充分约束,以便不过拟合太多的数据有趣的是,多余的FDR可以相关的拉德马赫复杂度或高斯宽度的类,我们选择我们的数据自适应权重。我们将这个一般框架应用于各种结构化设置,包括有序,分组和低总变差结构,并获得每个特定设置的FDR上的界限。我们还研究了SABHA对fMRI活动数据和基因/药物反应数据以及模拟数据的经验表现。
2017-09-13 stat.ME
Post-selection inference for e-value based confidence intervals
本文针对数据依赖选择导致的置信区间失效问题,提出e-BY程序,通过报告$(1-δ|S|/K)$置信区间在任意依赖结构和未知选择准则下控制FCR,适用于e-CI类区间,并在序贯场景及真实A/B测试中验证有效。
2024-02-27 math.ST stat.ME stat.TH
Selective conformal inference with false coverage-statement rate control
针对仅对测试集中被选个体报告预测区间的问题,本文提出 SCOP 选择性条件保形预测框架,在可交换性及更一般条件下提供 FCR 控制和非渐近覆盖保证,并生成更窄区间。
2024-03-12 stat.ME
Predictive Power Analysis of Multiple Test Procedures Under Arbitrary Dependence
University of Illinois-Chicago(伊利诺伊大学芝加哥分校)
本文提出了一种基于贝叶斯预测方法的新方法,用于在任意依赖情况下计算多重检验程序的统计功效和样本量,同时通过模拟方法展示了该方法在铅暴露研究中的应用。
2026-05-19 stat.ME
Improving the Benjamini-Hochberg Procedure for Discrete Tests
为了在全基因组关联研究或下一代测序数据中找到有趣的项目,关键是设计强大的错误发现率(FDR)控制程序,适当地结合离散检验(通常是二项式或Fisher检验)。特别是,最近的研究一直在努力适当的修改经典Benjamini-Hochberg(BH)升压过程,以适应离散性。然而,尽管进行了大量的尝试,这些程序并没有理论上的保证。本文件有助于填补空白:它提出了新的修改BH程序,将离散结构的数据和可证明控制FDR为任何固定数量的零假设(独立)。明显地,我们的FDR控制方法允许同时结合离散性和数据的信号量(因此对应于所谓的$π\_0$ -自适应过程)。在数值实验中,并为一些适当的真实数据集的新方法的功率优势。
2017-09-15 math.ST stat.TH
Modified estimator for the proportion of true null hypotheses under discrete setup with proven FDR control by the adaptive Benjamini-Hochberg procedure
讨论了离散设置下真零假设比例估计量($π_0$)的一些关键问题。在相同的设置下引入了$π_0$的估计器。该估计量可以看作是对$π_0$的一个非常流行的估计量的修改,该估计量最初是在连续检验统计量的假设下提出的。结果表明,自适应Benjamini-Hochberg程序保持保守与新的估计$π_0$被插入。
2020-09-08 math.ST stat.TH
Dependence correction of multiple tests with applications to sparsity
本文建立了同时检验大量相关假设的多重检验方法。特别注意的是致力于罕见的错误假设的实验。这种稀疏性假设通常用于各种基因组研究,当一部分显着的基因应该被检测到。其目的是得到总是在有限的样本量控制错误发现率(FDR)的测试。该程序进行了比较,为建立依赖和独立的$p$ -值。事实证明,FDR界限的不同之处在于依赖性因子,该因子可以用作校正量。我们提供稀疏修改和改进的依赖测试,推广Benjamini-Yekutieli测试和自适应测试的意义上的层。作为一个副产品,提前停止测试,以限制拒绝的数量。新程序对于真实基因组数据示例表现良好。
2019-09-30 math.ST stat.TH
Decision Approach and Empirical Bayes FCR-Controlling Interval for Mixed Prior Model
在本文中,我应用决策论和经验贝叶斯方法来构建置信区间为选定的人口时,真参数遵循混合先验分布。提出了一种具有两个调谐参数$k_1$和$k_2$的损失函数来处理混合先验。$k_2$的一个特定选择可以导致Qiu和Hwang(2007)中的程序; $k_2$的另一个选择提供了控制贝叶斯FCR的区间构造。分析和大量的数值模拟研究表明,新的经验贝叶斯FCR控制方法具有很大的长度减少。最后,我将不同的方法应用于微阵列数据集。结果表明,新方法的平均长度仅为Qiu和Hwang的控制同时不覆盖概率的方法的57%,以及Benjamini和Yekutieli(2005)的控制频率主义者的FCR的方法的66%。
2009-01-15 math.ST stat.TH
A Framework for Monte Carlo based Multiple Testing
我们关注的是这样一种情况,即我们希望通过检验来检验多个假设,这些检验的p值无法明确计算,但可以使用蒙特卡罗模拟进行近似计算。这种情况在实践中广泛存在。我们感兴趣的是获得与所有假设的p值可用时相同的拒绝和非拒绝。本文通过为一般的多重检验过程提供通用算法,介绍了这种情况的框架。我们建立的条件,保证通过蒙特卡罗模拟获得的拒绝和非拒绝是相同的p值。我们的框架是适用于一般类的步升和步降程序,其中包括许多既定的多重检验校正,如Bonferroni,霍尔姆,Sidak,Hochberg或Benjamini-Hochberg。此外,我们展示了如何使用我们的框架来改进文献中的算法,以便在理论上保证其结果。这些修改可以在实践中容易地实现,并且导致将多重检验结果报告为三个集合连同关于其正确性的误差界限的特定方式,使用真实生物数据集示例性地证明。
2016-01-27 stat.ME
Asymptotic Uniform False Discovery Rate Control for Inference of Time-varying Correlations
Ruhr University Bochum(鲁尔大学波鸿分校);Tsinghua University(清华大学)
本文提出通过时间变化p值控制学习时间变化相关网络的方法,结合高维高斯近似和理论保证的统计程序,用于非平稳时间序列中的虚假发现率控制。
2026-07-31 econ.EM math.ST 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
Multiple Testing of One-Sided Hypotheses with Conservative $p$-values
Seoul National University(首尔大学);National University of Singapore(新加坡国立大学);Chonnam National University(全南国立大学)
本文研究大规模单边检验问题,针对正态分布测试统计量,提出通过经验贝叶斯框架修正保守p值,提升检验效能。
2026-05-14 stat.ME