Simultaneous Control of All False Discovery Proportions in Large-Scale Multiple Hypothesis Testing
封闭检验程序通常用于族错误率（FWER）控制，但它们也可以用于获得所有假设子集中错误发现比例（FDP）的同时置信界限。在本文中，我们研究了封闭测试的特殊情况下，Simes本地测试。我们构建了一个新的快速和准确的捷径，我们用它来研究这种方法的权力时，假设的数量趋于无穷大。我们表明，如果存在最少量的信号，在任何期望的FDP水平检测假假设的平均功率不会消失。此外，我们证明了FDP的置信界是真实的FDP的相合估计量的每个非零子集。对于有限数量的假设的情况下，我们之间的连接Simes为基础的封闭测试和Benjamini和Hochberg的程序。
2017-10-23 stat.ME
Inconistent multiple testing corrections: The fallacy of using family-based error rates to make inferences about individual hypotheses
本文指出多重检验中仅对单个假设分别推断却仍校正alpha水平的不一致校正问题，分析其降低统计功效的原因，并呼吁采用基于推断的更细致校正方法。
2024-04-03 stat.ME
MMCTest - A Safe Algorithm for Implementing Multiple Monte Carlo Tests
考虑使用只能通过模拟评估的测试来测试多个假设，例如排列测试或自助测试。本文介绍了MMCTest，一种顺序算法，它以任意高的概率给出与适用于理想p值的特定多重检验程序相同的分类。该方法可以与一类多重检验程序一起使用，其中包括Benjamini & Hochberg错误发现率（FDR）程序和控制Familywise错误率的Bonferroni校正。该算法的一个关键特征是，它停止对所有已经被决定为被拒绝或未被拒绝的假设进行采样。MMCTest可以在任何阶段中断，然后返回三组假设：拒绝的，未拒绝的和未决定的假设。由实际生物数据激发的模拟研究表明，MMCTest在实践中是可用的，尽管有额外的保证，它可以比其他方法更有效的计算。
2014-02-12 stat.ME
Sequential multiple testing with multiple hypotheses and prior information on the hypothesis configuration
School of Mathematical Sciences, Tongji University（同济大学数学科学学院）
针对多个独立序贯观测数据流中每个流有多个候选假设的问题，利用假设配置的先验信息，设计了一种可靠、计算高效且渐近最优的序贯检验程序。
2026-05-30 stat.ME
Smoothed Nested Testing on Directed Acyclic Graphs
本文研究了当假设具有逻辑嵌套结构时的多重假设检验问题。当一个假设嵌套在另一个假设中时，如果内部假设为假，则外部假设必须为假。我们模型的嵌套结构作为一个有向无环图，包括链和树图作为特殊情况。图中的每个节点都是一个假设，拒绝一个节点也需要拒绝它的所有祖先。我们提出了一个通用的框架调整节点级检验统计量使用已知的逻辑约束。在这个框架内，我们研究了一个平滑过程，结合每个节点及其所有的后代，形成一个更强大的统计。我们证明了一个广泛的类的平滑策略可以使用现有的选择程序来控制familywise错误率，错误发现率，或错误发现率，只要原始的检验统计量是独立的空值。当零统计量不是独立的，但来自正相关的正常观测，我们证明控制所有三个错误率时，平滑方法是算术平均的观测。模拟和应用到一个真实的生物数据集表明，平滑导致大量的功率增益。
2021-03-15 stat.ME
Some Results on Generalized Familywise Error Rate Controlling Procedures under Dependence
本文针对不同相依性下的多重检验问题，建立了广义族错误率（k-FWER）的上界，并提出改进的检验程序，同时给出了具有独立理论价值的概率不等式。
2025-04-24 math.ST stat.ME stat.TH
Coarse-to-fine Multiple Testing Strategies
我们分析控制的familywise错误率（FWER）在一个多重检验的情况下，有很多关于高维随机变量的分布的零假设，其中只有一个非常小的部分是假的，或“活跃”。为了提高相对保守的Bonferroni界限的功率，我们探索了一个由粗到细的程序，适用于测试被划分为子集或“细胞”的情况，并且活跃的假设倾向于在细胞内聚集。我们开发了一个标准的线性模型与高斯数据和一个非参数的情况下，广义置换检验的基础上的程序，并表现出相当高的功率比Bonferroni估计在相同的FWER时，积极的假设集群。主要的技术困难来自个体和细胞水平的检验统计量之间的相关性，这增加了当包含假设的细胞被错误发现时，假设被错误发现的可能性（生存偏倚）。这需要在细胞不活动时对某些象限概率进行精确估计。
2015-09-12 stat.ME
Control of Directional Errors in Fixed Sequence Multiple Testing
在本文中，我们考虑的问题，同时测试许多双边假设时，拒绝的原假设是伴随着索赔的方向的替代。基本目标是构造控制混合方向族差错率的方法，该误差率是产生任何类型1或类型3（方向）误差的概率。特别地，注意力集中在假设被排序为$H_1 , \ldots, H_n$的情况下，使得仅当$H_1 , \ldots, H_i$先前已经全部被拒绝时才测试$H_{i+1}$。在这种情况下，可以控制通常的familywise差错率任意依赖的基本程序，测试每个假设在水平$α$，没有其他的多重调整是必要的。然而，我们表明，这是过于自由，如果一个也占方向性错误。但是，通过对检验统计量施加某些依赖性假设，可以保留基本程序。通过模拟研究和临床试验的例子，我们数值说明了良好的性能相比，现有的mdFWER控制程序所提出的程序。建议的程序也在R包FixSeqMTP中实现。
2017-03-18 math.ST stat.ME stat.TH
Bonferroni-based gatekeeping procedure with retesting option
在复杂的临床试验中，多个研究目标通常根据其固有的层次关系分组为多个目标集。因此，为解决这些目标而制定的假设被分组为有序的假设家族，从而以预定义的顺序进行测试。在本文中，我们介绍了一种新的Bonferroni为基础的多重检验过程测试层次有序的家庭的假设。建议的程序允许家庭进行连续测试一次以上更新的局部临界值。证明了在任意依赖条件下，该算法能够强有力地控制全局族错误率。使用两个例子来说明该过程的实施。最后，该程序扩展到测试多个家庭的假设与一个复杂的两层层次结构。
2016-11-10 stat.AP stat.ME
Distribution-Free Pointwise Adjusted P-Values for Functional Hypotheses
图形测试评估感兴趣的函数是否偏离在模拟零分布下生成的函数的包络。这种方法起源于空间统计学，但最近在函数数据分析中得到了一些普及。虽然这样的包络测试在综合意义上检查与函数空分布的偏差，但在某些应用中，我们希望做得更多：获得函数域中每个点的p值，调整以控制族错误率。在这里，我们得到逐点调整的p值的包络测试的基础上，并将这些与以前的方法分布假设下的功能数据。然后，我们提出了两种替代的无分布p值调整，提供更大的权力。该方法说明了年龄变化的性别对大脑皮层厚度的影响的分析。
2019-12-01 stat.AP stat.ME
Bayesian Mendelian randomization testing of interval causal null hypotheses: ternary decision rules and loss function calibration
我们的方法孟德尔随机化（MR）分析的目的是增加因果效应的“发现”的可重复性：（i）使用贝叶斯方法进行推理;（ii）用实际等效区域代替点原假设，该实际等效区域包括对于感兴趣的效应的可忽略量值的值，同时利用贝叶斯分析的能力来量化落在区域内/区域外的影响的证据;（iii）拒绝通常的二元决策逻辑，而赞成三元逻辑，其中假设检验可能导致接受或拒绝空值，同时还适应“不确定”的结果。我们提出了一种方法来校准所提出的方法，通过损失函数，我们用我们的方法与频率论的比较。我们说明的方法与援助的因果关系的影响，肥胖的青少年心肌梗死的风险的研究。
2022-08-10 stat.ME
An exhaustive ADDIS principle for online FWER control
本文提出一个穷尽的ADDIS原则，统一改进所有ADDIS程序，在保持FWER控制的同时拒绝更多假设，并证明其最优性，应用于ADDIS-Spending和ADDIS-Graph。
2024-01-27 stat.ME
Adaptive Controls of FWER and FDR Under Block Dependence
通常在多重检验中，假设出现在不重叠的块中，相关的$p$值在块内而不是块之间表现出依赖性。我们考虑适应Benjamini-Hochberg方法控制的错误发现率（FDR）和Bonferroni方法控制的familywise错误率（FWER），这样的依赖结构，而不会失去其最终控制的FDR和FWER，分别在一个非渐近设置。我们提出了传统的自适应Benjamini-Hochberg和Bonferroni方法的变种，证明了它们各自的控制FDR和FWER。数值结果表明，这些新的自适应方法可以捕捉到目前的依赖结构比相应的传统的自适应方法更有效。本文提供了一个解决方案的开放性问题，构建自适应FDR和FWER控制方法的依赖下，在非渐近设置，并提供真正的改进，相应的非自适应的。
2016-11-10 stat.ME
Properties of a confirmatory two-stage adaptive procedure for assessing average bioequivalence
我们研究了一个验证性的两阶段自适应程序来评估平均生物等效性，并提供了一些见解，其理论特性。有效地，我们执行两个单侧检验（TOST），以达到关于宣布平均生物等效性所涉及的两个传统零假设中的每一个的总体决策。基于相应的逐阶段p值对，对每个假设单独进行组合检验。该程序的特征包括内置无效性、样本量重新评估以及在控制系列错误率的同时评估多个终点的平均生物等效性的能力。为了便于在试验结束时进行推断，我们还推导出与每个单侧假设所达到的决策相匹配的总体置信限，并提供确保其适当性的理论。在计划研究的背景下通过模拟评估性能，以比较特应性皮炎生物治疗的两种不同给药。
2022-03-17 stat.ME
Optimal weighted tests for replication studies and the two-trials rule
本文提出基于原始研究结果的最优加权Bonferroni程序用于复制研究，以最大化析取功效，并证明其能显著提升功效且对效应量变化稳健。
2025-10-24 stat.ME
Interpolation and coherence in multiple testing
The University of Melbourne（墨尔本大学）；Erasmus University Rotterdam（鹿特丹伊拉斯姆斯大学）
本文研究多重检验中的插值与一致性，发现插值未必能实现完全一致，给出了插值可实现完全一致的条件，多数基于插值的多重检验方法为完全一致的。
2026-10-14 math.ST stat.ME stat.TH
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
Asymptotic Online FWER Control for Dependent Test Statistics
本文提出一种新的在线多重检验框架，可在任意相依结构下渐近控制FWER，并通过模拟验证其有限样本错误控制与功效提升。
2025-03-09 stat.ME
Sequential Selection Procedures and False Discovery Rate Control
我们考虑一个多假设检验设置的假设是有序的，只允许拒绝一个初始的连续块，H_1，\dots，H_k，假设。在此设置中的拒绝规则相当于用于选择停止点k的过程。这种设置受到许多模型选择问题的顺序性质的启发，其中选择停止点或模型相当于拒绝所有假设，直到该点，之后没有。我们提出了两个新的测试程序，并证明了他们控制的错误发现率在有序测试设置。我们还展示了如何使用最近的结果在连续模型选择设置的p值的方法可以应用到模型选择。
2015-03-23 math.ST stat.ME stat.TH
ADDIS-Graphs for online error control with application to platform trials
针对平台试验这类小规模研究对在线误差控制的灵活性、可解释性需求及p值相关、显著性水平需预先指定的挑战，提出适配该场景的ADDIS-Graphs方法，可一致改进现有FWER控制方法，并扩展了p值联合信息纳入与FDR控制版本。
2024-09-12 stat.ME
Improving the Power of Economic Experiments Using Adaptive Designs
许多经济实验的一个重要问题是实验者如何确保有足够的力量拒绝一个或多个假设。在这里，我们主要应用在临床试验领域开发的方法，用于在自适应两阶段设计中同时测试多个假设。我们的主要目标是说明如何使用这种方法来提高经济实验的能力。在简要介绍了相关理论之后，我们在开源R软件包asd的支持下进行了模拟研究，以评估一些不同设计的功率。模拟表明，可以提高拒绝至少一个假设的把握度，同时仍然确保对总体第一类错误概率的强有力控制，并且不会增加总样本量，从而不会增加研究成本。衍生的设计进一步说明了将它们应用到两个不同的现实世界的数据集，从实验经济学。
2021-08-05 stat.AP stat.ME
Asymptotics in Multiple Hypotheses Testing under Dependence: beyond Normality
本文在一般相关框架下研究多重假设检验的渐近行为，证明Bonferroni程序及逐步向下程序在广泛分布类中FWER渐近趋于零，并给出正极限的反例，推广了正态情形下的既有结果。
2024-11-18 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
Where Does the Union Bound Go? Best-Arm Identification and Strong FWER Control
University of Twente（特温特大学）；Centrum Wiskunde & Informatica（数学与计算机科学中心）
本研究探讨固定置信度最优臂识别中联合界的困惑，明确最优臂识别的两种假设定向方式，解释多重性的不同呈现形式，以跨领域术语明确其等价性。
2026-08-21 cs.LG stat.ME stat.ML
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
Adaptative significance levels in normal mean hypothesis testing
Pereira和Stern（1999）提出了精确假设的完全贝叶斯显著性检验（FBST），作为贝叶斯替代方法，而不是基于p值的传统显著性检验。FBST使用支持原假设（$H_0$）的证据，计算为最高后验密度区域的后验概率的补充，该后验密度区域与$H_0$定义的集合相切。实施《联邦调查法》的一个重要的实际问题是确定证据必须有多大才能决定是否予以驳回。在经典显著性检验中，最常用的拒绝假设的度量是p值。众所周知，p值随着样本量的增加而减小，因此通过设置单个显著性水平，通常会导致$H_0$拒绝。在FBST程序中，当样本量增加时，支持$H_0$的证据表现出与p值相同的行为。这表明定义FBST中$H_0$拒收的临界点应为样本量函数。在这项工作中，我们专注于双边正态均值假设检验的情况下，并提出了一种方法来找到一个截止值的证据在FBST通过最小化的线性组合的第一类错误概率和预期的第二类错误概率为给定的样本量。
2018-08-29 stat.ME
A Graphical Framework for Testing Hierarchically Structured Hypothesis Families
Insmed；Syndax Pharmaceuticals；New Jersey Institute of Technology（新泽西理工学院）
本文提出一种图形化方法，统一了分层假设家族的检验策略，通过图表示实现显著性水平的分配与传播，有效控制FWER并提升可解释性。
2026-04-13 stat.AP stat.ME
Single CASANOVA? Not in multiple comparisons
本文针对多组生存数据多重比较，提出基于加权 log-rank 与 CASANOVA 的两种 FWER 控制检验，模拟和真实数据显示其在非比例风险下更具效能。
2025-01-07 stat.ME
Weighted Holm Procedures: Theory, Properties, and Recommendations
AbbVie Inc.（艾伯维公司）；New Jersey Institute of Technology（新泽西理工学院）
本文比较了加权Holm程序（WHP）与加权替代Holm程序（WAP）的理论性质，证明WHP在控制家庭错误率方面更优，并提供实际应用建议。
2026-04-21 math.ST stat.ME stat.TH
Resampling-based multi-resolution false discovery exceedance control
本研究将经典maxT多重检验方法推广为多分辨率错误发现超控（FDX）方法，在保留与maxT紧密关联的同时，提升了$\gamma>0$情形下的检验效能，还能提供跨更严格阈值的同步FDP控制保证。
2025-09-02 math.ST stat.ME stat.TH
SAFFRON: an adaptive algorithm for online control of the false discovery rate
University of California, Berkeley（加州大学伯克利分校）
在在线错误发现率（FDR）问题中，观察到可能无限序列的$p$值$P_1,P_2,\dots$，每个值测试不同的零假设，并且算法必须以在线方式挑选拒绝阈值序列$α_1,α_2,\dots$，每当$P_k \leq α_k$时有效地拒绝第$k$个零假设。重要的是，$α_k$必须是过去的函数，并且不能依赖于$P_k$或任何后来看不见的$p$值，并且必须被选择以保证对于任何时间$t$，直到时间$t$的FDR小于某个预定量$α\in (0,1)$。在这项工作中，我们提出了一个强大的在线FDR控制，我们称之为SAFFRON的新框架。与旧的阿尔法投资（AI）算法一样，SAFFRON从一个名为阿尔法财富的错误预算开始，它会随着时间的推移智能地分配给不同的测试，在做出新发现时赚回一些财富。然而，与旧的方法不同，SAFFRON的阈值序列是基于一个新的估计的α分数，它分配给真正的零假设。在离线设置中，采用真空值比例估计的算法被称为自适应方法，SAFFRON可以被视为著名的离线Storey-BH自适应过程的在线模拟。正如Storey-BH在独立性下通常比Benjamini-Hochberg（BH）程序更强大一样，我们证明了SAFFRON也比它的非自适应同行（如LORD和其他广义阿尔法投资算法）更强大。此外，原始AI算法的单调版本被恢复为SAFFRON的特殊情况，通常比原始算法更稳定和强大。最后，SAFFR…
2019-07-10 cs.LG math.ST stat.ME
