Testing semiparametric model-equivalence hypotheses based on the characteristic function
针对多变量数据的三类半参数模型等价性假设检验问题,提出基于特征函数加权型距离的三种检验准则,分析其原假设下的渐近性质并通过数值研究验证有限样本性能。
2023-11-08 stat.ME
Testing Hypotheses in Particle Physics: Plots of $p_{0}$ Versus $p_{1}$
对于我们试图决定哪两个假设$H_{0}$和$H_{1}$提供了更好的描述一些数据的情况下,我们讨论了有用的图的$p_{0}$与$p_{1}$,其中$p_{i}$是$p$ -值测试$H_{i}$。它们提供了一种有趣的方式来理解排除$H_{1}$的标准方法和$CL_{s}$方法之间的差异;敏感性的Punzi定义; $p$值和似然比之间的关系;以及观察误导性证据的概率。他们还帮助说明了迭代对数定律和杰弗里斯-林德利悖论。
2014-08-26 stat.ME
A general approach to construct powerful tests for intersections of one-sided null-hypotheses based on influence functions
Novo Nordisk(诺和诺德);University of Southern Denmark(南丹麦大学)
本文提出一种基于影响函数和stacking方法构造的通用Wald型检验,用于检验单侧原假设的交集,无需额外联合行为假设,并可作为族系第一类错误控制下功效强大的封闭检验程序的基础。
2025-11-10 stat.ME
Testing over a continuum of null hypotheses with False Discovery Rate control
我们认为统计假设检验同时在一个相当普遍的,可能是无限的,一组零假设,假设一个合适的单一测试(和相应的$p$值)是已知的每个单独的假设。我们将错误发现率(FDR)的概念扩展到该设置,作为第一类错误的度量。我们的主要结果研究的具体程序的基础上观察的$p$值的过程。在标称水平的FDR的控制下,确保任意依赖的$p$值,或在假设的有限维分布的$p$值过程具有正相关的特定类型(弱PRDS)。这两种情况都推广了有限环境下已有的结果。它的兴趣表现在几个非参数的例子:测试的平均值/信号在高斯白噪声模型,测试强度的泊松过程和测试的c.d. f。关于I.I.D.随机变量。
2014-02-06 stat.ME
The Covering Principle: A New Approach to Address Multiplicity in Hypotheses Testing
在过去的三十年里,闭包和划分原则被用来建立各种多重检验程序。这两个原则的实质是基于参数空间划分。本文从样本空间中拒绝区域覆盖的角度提出了一种新的方法--覆盖原理。覆盖原理是指在假设检验中存在决策优先权时,将整个原假设族划分为几个相互重叠的子族。我们已经证明,由覆盖原理构造的多重检验程序强烈地控制了familywise错误率,只要每个子族的多重检验强烈地控制了第一类错误。我们已经说明了覆盖原理可以用来解决一般的看门问题。
2017-07-20 stat.ME
Testing for replicability in a follow-up study when the primary study hypotheses are two-sided
在后续研究中,当用双侧假设检验初步研究结果的重复性时,我们通常有兴趣发现两项研究中发现方向相同的特征。因此,可以通过初步研究来决定后续研究中每个特征的测试方向。我们证明,在这种情况下,Heller,Bogomolov和Benjamini(2014)提出的控制虚假可复制性声明的方法是有效的。具体来说,我们证明,如果我们在Heller,Bogomolov和Benjamini(2014)的程序中输入主要研究倾向的方向上的单侧p值,那么我们就可以实现对所需错误度量(家族错误率或错误发现率)的方向控制。
2015-03-08 stat.ME
Searching for local associations while controlling the false discovery rate
Stanford University(斯坦福大学);University of Southern California(南加州大学);Cheung Kong Graduate School of Business(长江商学院)
该研究提出了一种在控制假发现率的同时发现局部关联的方法,通过扩展模型-X敲击过滤器,利用现代机器学习模型揭示样本异质性和相互作用。
2026-01-09 stat.ME
Hypotheses Testing from Complex Survey Data Using Bootstrap Weights: A Unified Approach
标准的统计方法,没有考虑到调查设计的复杂性,可能会导致错误的推论时,应用于调查数据,由于不平等的选择概率,聚类,和其他设计功能。特别是,使用标准方法进行假设检验的实际第一类错误率可能远大于标称显著性水平。在检验假设时考虑调查设计特征的方法已经被提出,包括Wald检验和涉及参数估计的估计协方差阵的准得分检验。本文通过构造加权似然比似然比统计量的Bootstrap近似,给出了一种不需要计算协方差阵的统一的假设检验方法,并建立了Bootstrap检验的渐近有效性.此外,我们还考虑了分类数据的假设检验,并提出了一个bootstrap过程来检验双向表中的简单拟合优度和独立性。在仿真研究中,与朴素似然比检验和拟得分检验相比,该方法的第一类错误率更接近其名义显著性水平。一个应用程序,从教育调查的数据下的逻辑斯谛回归模型。
2021-03-03 stat.ME
A Generalization of the Savage-Dickey Density Ratio for Testing Equality and Order Constrained Hypotheses
Savage-Dickey密度比是贝叶斯因子的一个具体表达,当检验一个精确的(等式约束)假设对一个不受限制的替代方案时。该表达式大大简化了贝叶斯因子的计算,但代价是在精确假设下假设先验的特定形式作为无限制先验的函数。Verdinelli和Wasserman(1995)提出了一种推广,使得先验可以在两种假设下自由指定,同时保持计算优势。本文提出了一个扩展的推广时,假设有平等以及顺序约束的参数的兴趣。该方法用于使用JZS贝叶斯因子的约束多变量t检验和多项式模型下的约束假设检验。
2020-07-14 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
Nonparametric methods controlling the median of the false discovery proportion
Econometric Institute, Erasmus University Rotterdam(伊拉斯姆斯大学鹿特丹计量经济研究所)
本文提出了一种非参数多重检验方法,用于控制虚假发现比例的中位数,适用于多种参数假设检验场景。
2026-02-27 stat.ME
A Rejection Principle for Sequential Tests of Multiple Hypotheses Controlling Familywise Error Rates
我们提出了一个统一的方法,顺序(或流)数据的多重检验程序,通过给一个顺序的多重检验程序,以控制familywise错误率(FWER)的充分条件,扩展到顺序域的工作Goeman和Solari(2010年)谁完成了这一固定样本量程序。我们把这些条件统称为“序贯试验的拒绝原则”,然后将其应用于一些现有的序贯多重检验程序,以简化对FWER控制的理解。其次,应用该原理推导出两个新的具有可证明FWER控制的序贯多重检验程序,一个用于按序检验假设,另一个用于封闭检验假设。这些新的程序的例子是通过将它们应用到染色体畸变数据集,并找到最大的安全剂量的治疗。
2015-02-24 stat.AP stat.ME
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
Empirical phi-divergence test statistics for testing simple null hypotheses based on exponentially tilted empirical likelihood estimators
在计量经济学中,在不假设潜在分布的情况下施加限制来模拟复杂的现实是一种有价值的方法论工具。然而,如果一个子集的限制是不正确的指定,通常的测试统计量正确指定的模型往往拒绝一个简单的原假设。在这种情况下,我们可以说模型存在误设定。我们研究了Balakrishnan et al.(2015)中引入的经验φ-发散检验统计量的行为,通过使用Schennach(2007)的指数倾斜经验似然估计量,作为小样本量的显著性水平的效率和错误指定下的鲁棒性之间的良好折衷。
2015-10-27 stat.ME
FDR Controlled Multiple Testing for Union Null Hypotheses: A Knockoff-based Approach
错误发现率(FDR)控制过程为基于多假设检验的信号识别的可重复性提供了重要的统计保证。在许多研究领域,FDR控制程序用于高维(HD)分析,以发现与结果真正相关的特征。在最近的一些应用中,在多个不同的研究中独立地收集关于同一组候选特征的数据。例如,在不同的设施和不同的队列中收集基因表达数据,以鉴定多种类型癌症的遗传生物标志物。这些研究为我们提供了通过联合考虑来自不同来源(具有潜在异质性)的信息来识别信号的机会。本文研究如何为条件独立性的并零假设检验提供FDR控制保证。我们提出了一种基于敲除的变量选择方法(\textit{Simultaneous knockoffs}),以确定相互信号从多个独立的数据集,有限的样本设置下提供精确的FDR控制保证。此方法可用于非常一般的模型设置和检验统计量。我们证明了这种方法的性能与广泛的数值研究和两个实际数据的例子。
2022-10-03 stat.ME
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
A general nonparametric framework for testing hypotheses about function-valued parameters
University of Washington(华盛顿大学);Fred Hutchinson Cancer Center(弗雷德·哈钦森癌症中心)
本文提出一种非参数方法,用于检验条件分布定义的统计参数是否在条件变量上恒定,应用于治疗异质性、条件关联效应和条件均值依赖等问题,通过函数值参数的范数研究建立检验方法,并在模拟和乳腺癌试验中验证其有效性。
2026-04-21 stat.ME
Two-stage Adaptive Testing of Large-scale Mediation Hypotheses
University of Washington(华盛顿大学)
研究大规模中介假设检验问题,提出两阶段自适应检验框架,第一阶段筛选减少待检假设数,第二阶段采用多种控制方法,能渐近控制错误发现率,在多场景下功效良好。
2026-08-17 stat.ME
Rejection Odds and Rejection Ratios: A Proposal for Statistical Practice in Testing Hypotheses
许多科学都是由假设检验驱动的(不管是对是错)。即使在假设检验范式是正确的情况下,仅根据p值进行推断的常见做法也受到了50多年的强烈批评。我们建议,作为一种替代方案,使用正确拒绝原假设的几率不正确的拒绝。考虑了实验前版本(涉及把握度和第一类错误)和实验后版本(取决于实际数据)。提供的实现范围从仅取决于p值到考虑完整的贝叶斯分析。令人惊讶的是,所有的实现--甚至是完整的贝叶斯分析--都有完整的频率论理由。我们的建议版本可以实施,只需要对现有做法进行微小的修改,但克服了一些最严重的缺点。
2015-12-28 stat.ME
Randomized p-values for multiple testing and their application in replicability analysis
我们关心的是同时测试多个终点的可重复性假设。这构成了一个复合零假设的多重检验问题。传统的$p$值是在最不利的参数配置下计算的,在复合零假设的情况下过于保守。如在先前的工作中所示,这在多重检验背景下构成了严峻的挑战,特别是当统计分析的一个目标是估计真实零假设的比例$π_0$时。已提出随机化$p$值来解决此问题。在目前的工作中,我们讨论了随机$p$ -值在可重复性分析中的应用。特别是,我们介绍了一个通用类的统计模型,有效的,随机的$p$值可以很容易地计算。通过计算机模拟,我们表明,它们的使用通常会导致一个更准确的估计$π_0$。最后,我们将我们提出的方法应用于基因组学的一个真实数据示例。
2020-02-25 stat.ME
A Bottom-up Approach to Testing Hypotheses That Have a Branching Tree Dependence Structure, with False Discovery Rate Control
现代统计分析经常涉及检验大量的假设。在许多情况下,这些假设可能有一个基本的树结构,不仅有助于确定测试应该进行的顺序,而且还施加了必须考虑的测试之间的依赖性。我们的激励性例子来自于测试感兴趣的性状与已组织成操作分类单位(OTU)或扩增子序列变体(ASV)的微生物组之间的关联。给定来自每个个体OTU或ASV的关联检验的p值,我们想知道我们是否可以声明某个种、属或更高分类学分组可以被认为与该性状相关。对于这个问题,一个自下而上的测试算法,从树的最低层(OTU或ASV)开始,向上依次进行更高的分类分组(种,属,科等)。是必需的.我们开发了这样一个自下而上的测试算法,控制在树中的较高级别的决策的错误率,在树中的较低级别的调查结果为条件。我们进一步表明,该算法控制的错误发现率的基础上的全球原假设,没有类群与性状。通过模拟,我们还表明,我们的方法是更好地找到司机类群,最高级别的类群,低于有密集的关联信号。我们使用来自溃疡性结肠炎患者和健康对照组微生物组研究的数据来说明我们的方法。
2019-03-16 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
Local False Discovery Rate Based Methods for Multiple Testing of One-Way Classified Hypotheses
本文继续刘等发起的研究路线。(2016)开发了一种新的框架,用于使用特定于假设的局部错误发现率(LFDR)对以单向分类形式分组的假设进行多重检验。它是建立在标准的两类混合模型从单一到多组的扩展,定义假设特定的LFDR作为假设的条件LFDR的函数,因为它是在一个重要的组和LFDR组本身,并涉及一个新的参数,测量分组效应。这个定义比标准的两类混合模型更有效地捕捉了属于一个组的假设的潜在组结构。两个新的LFDR为基础的方法,具有有意义的最优性,产生在他们的预言形式。一个,旨在控制错误的发现在整个集合的假设,提出了一个强大的替代方案,简单地汇集所有的假设到一个单一的组,并使用常用的LFDR为基础的方法下的标准单组两类混合模型。另一个是Benjamini和Bogomolov(2014)的选择性推理方法的Lfdr模拟。它控制与选择组相关的基于Lfdr的错误发现测量,同时控制所选组内的组内错误发现比例的平均值。仿真研究和实际数据应用表明,我们提出的方法往往比他们的相关竞争对手更强大。
2022-11-20 stat.ME
Type I error rate control for testing many hypotheses: a survey with proofs
本文综述了多重检验方法中第一类错误率控制的一些最新进展。我们考虑控制$k$ -族式错误率(kFWER,使$k$错误发现或更多的概率)和错误发现比例(FDP,错误发现在发现中的比例)的问题。FDP通过其期望值(即所谓的错误发现率(FDR))或通过其上尾分布函数来控制。我们的目标是得到一般和统一的结果,简洁和简单的数学证明。此外,虽然本文主要是一个调查文件,一些新的贡献,控制kFWER和上尾分布函数的FDP。特别是,我们推导出一个新的程序的基础上的分位数的二项分布,控制FDP下的独立性。
2011-03-14 stat.ME
Adjusted inference for multiple testing procedure in group sequential designs
针对成组序贯设计中同时调整多重假设检验与多次分析的研究空白,提出调整序贯p值及交集假设序贯p值,通过加权Bonferroni和加权参数检验控制族系I类错误率进行推断。
2023-11-27 stat.ME
A Change-Point Approach to Estimating the Proportion of False Null Hypotheses in Multiple Testing
本文提出一种基于变点的 $λ$ 选择方法,通过分段线性逼近 $p$ 值图来估计虚假零假设比例,模拟显示其 RMSE 较小,并扩展至超均匀 $p$ 值情形。
2024-05-05 stat.ME
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
Large-Scale Multiple Testing of Composite Null Hypotheses Under Heteroskedasticity
针对异方差下复合零假设多重检验的功效损失与第一类错误失控问题,提出整合方差辅助信息、基于改进非参数经验贝叶斯反卷积的HAMT流程,理论证明其FDR控制渐近有效最优,仿真与移动游戏用户检测应用验证其功效更优。
2024-10-23 stat.ME
Gaining power in multiple testing of interval hypotheses via conditionalization
本文提出一种通过设定阈值过滤并放大p值后再应用多重检验程序的条件化方法,证明其在p值独立时有效,并展示在区间假设零假设p值膨胀情形下可显著提升检验功效。
2017-12-30 stat.ME
Admissible online closed testing must employ e-values
University of Bremen(不来梅大学);Carnegie Mellon University(卡内基梅隆大学)
本文提出了一种基于e值的在线闭合检验方法,通过使用任何时间有效的检验,为数据自适应选择的拒绝集中的真实发现提供下界保证。
2025-12-15 stat.ME
Testing hypotheses in the Birnbaum-Saunders distribution under type-II censored samples
双参数Birnbaum-Saunders分布已成功地用于模拟疲劳失效时间。虽然删失是典型的可靠性和生存的研究,很少有工作已发表的分析删失数据的这种分布。本文研究了在II型右删失样本下Birnbaum-Saunders分布的两个参数的检验推断问题。似然比统计量和最近提出的统计量,梯度统计量,提供了一个方便的框架,统计推断在这种情况下,因为他们不需要获得,估计或反转的信息矩阵,这是一个优点,在涉及删失数据的问题。为了研究和比较似然比和梯度检验的有限样本性能,进行了广泛的蒙特卡罗模拟研究。我们的数值结果表明,梯度测试应该是首选。三个经验的应用。
2010-09-10 stat.ME
Familial inference: tests for hypotheses on a family of centres
本文提出检验由 Huber 损失函数诱导的合理中心族(族假设),并设计贝叶斯非参数过程与逐路径优化例程进行检验,以弥合科学理论与统计实践的差距。
2024-02-20 stat.ME
Safe hypotheses testing with application to order restricted inference
University of Haifa(海法大学)
本文提出安全检验方法,用于在顺序限制推断中避免第三类错误,通过有效性证书确保推断的可靠性。
2026-02-17 stat.ME
Testing hypotheses via a mixture estimation model
我们考虑一种新的范式贝叶斯检验的假设和贝叶斯模型比较。我们的替代传统的后验概率的建设,一个给定的假设是真的,或数据来源于一个特定的模型是考虑比较的模型作为混合模型的组成部分。因此,我们取代原来的测试问题的估计一个集中在一个混合模型中的一个给定的模型的概率权重。我们分析了各种先验模型的权重的后验分布的灵敏度。我们强调,在使用这种新颖的角度来看,一个主要的吸引力是,通用的不适当的先验是可以接受的,而不是把收敛的危险。在其他功能中,这允许解决林德利-杰弗里斯悖论。当在混合权重上使用参考Beta B(a,a)先验时,我们注意到,权重的后验估计对a选择的敏感性随着样本量的增加而消失,并支持从Rousseau和Mengersen(2011)导出的默认选择a=0.5。这个容易实现的替代经典贝叶斯解决方案的另一个特征是,权重的后验平均值和相应的后验概率的收敛速度非常相似。
2018-12-31 stat.ME
Accumulation tests for FDR control in ordered hypothesis testing
现代科学应用中出现的多重检验问题可能涉及同时检验数千甚至数百万个假设,而真正的信号相对较少。在本文中,我们考虑了多重检验问题,其中先验信息是可用的(例如,从早期的研究在不同的实验条件下),这可以让我们测试的假设作为一个排名列表,以增加发现的数量。给定n个假设的有序列表,目的是选择数据相关的截止值k,并声明前k个假设在统计学上是显著的,同时限制错误发现率(FDR)。概括了几种现有的方法,我们开发了一系列“累积测试”来选择适合排名列表顶部信号量的截止k。我们介绍了一种新的方法在这个家庭中,HingeExp方法,它提供了更高的功率来检测真实的信号相比,现有的技术。我们的理论结果证明,这些方法控制有限样本上的一个修改的FDR,并在家庭中的方法的功率的特点。我们将测试应用于模拟数据,包括线性回归的高维模型选择问题。我们还比较积累测试现有的方法,多重检验的一个真实的数据问题,确定差异基因表达的剂量梯度。
2016-06-25 stat.ME
Default Bayes Factors for Testing the (In)equality of Several Population Variances
方差齐性检验是许多统计应用中的一个重要问题。我们开发了默认贝叶斯因子检验来评估两个或多个总体方差的相等性,以及总体方差是否等于特定值的检验。所得检验可用于检查常用程序(如$t$检验或ANOVA)的假设,或直接检验有关方差的实质性假设。我们表明,我们的贝叶斯因子满足一些desiderata。研究人员可能已经指导了诸如$σ_{1}^{2} > σ_{2}^{2}$之类的假设,他们可能想要扩展$\mathcal{H}_{0}$以具有空区域,或者希望将关于等式的假设与关于不等式的假设相结合,例如$σ_{1}^{2} = σ_{2}^{2} > (σ_{3}^{2}, σ_{4}^{2})$。我们扩展我们的贝叶斯因子检验,以允许这些偏离我们提出的默认值,并说明它在一些实际的例子。我们的过程是在R包$bfvartest$中实现的。
2022-07-31 stat.ME
Multiple testing with discrete data: proportion of true null hypotheses and two adaptive FDR procedures
当p值具有离散和异质零分布时,我们考虑具有错误发现率(FDR)控制的多重检验。我们提出了一个新的估计比例的真实零假设,并证明它是向上偏少比Storey的估计和其他两个估计。新的估计器包括两个自适应过程,即,自适应Benjamini-Hochberg(BH)过程和自适应Benjamini-Hochberg-Heyse(BHH)过程。我们证明了自适应BH过程是保守的非渐近。通过模拟研究,我们表明,这些程序通常是更强大的比他们的非自适应同行和自适应BHH程序通常是更强大的自适应BH程序和基于随机p值的程序。自适应程序应用于HIV疫苗效力的研究,其中它们在相同FDR水平下比BH程序识别更多差异多态性位置。
2017-08-31 stat.ME
Distributions associated with simultaneous multiple hypothesis testing
我们使用Benjamini和Hochberg(1995)的规则来控制错误发现率(FDR),从而得出具有统计学显著性的假设数量的分布。该分布具有小样本形式和同时检验许多独立假设的渐近表达式。我们提出了一个参数分布$\,Ψ_I(\cdot)\,$来近似非均匀备择假设下p值的边缘分布。当存在许多不同的备选假设并且这些假设不能单独很好地理解时,这种分布是有用的。我们将$\,Ψ_I\,$拟合到三项癌症研究的数据中,并用它来说明在这些例子中观察到的值得注意的假设数量的分布。我们使用Copula模型和潜变量方法对样本p值的依赖性进行建模。这些方法可以结合起来,说明在较小的试点研究的基础上规划大型研究的功效分析。我们发现统计学上显著的p值的数量近似表现为正态分布和Borel-Tanner分布的混合。
2018-02-25 stat.ME
Multiple testing of interval composite null hypotheses using randomized p-values
本文提出一种两阶段随机化RAND2 p值,结合一致最优势UMP p值,用于多重双单侧等价性检验,通过自适应Bonferroni程序控制族错误率,并验证其性能。
2024-01-03 stat.ME
Non-marginal Decisions: A Novel Bayesian Multiple Testing Procedure
本文考虑假设相依时的多重检验问题。在现有的大多数文献中,无论是贝叶斯还是非贝叶斯,决策规则主要集中在测试过程的有效性,而不是实际利用依赖性来提高效率。此外,关于不同假设的决定是边缘性的,因为它们不直接相互依赖。然而,在现实情况下,假设通常是相关的,因此希望联合做出有关相关假设的决策。在这篇文章中,我们开发了一种新的贝叶斯多重检验程序,连贯地考虑到这一要求。我们的方法,这是基于新的概念的错误和非错误的条款,大大提高了效率,明智地利用之间的依赖结构的假设。我们证明了我们的方法最小化与一个加性“0-1”损失函数相关的后验期望损失,我们还证明了相关错误概率的理论结果,建立了我们的方法的一致性和实用性。最佳决策配置是不是在封闭的形式,我们提出了一种新的和有效的模拟退火算法的优化,这也是一般适用于二进制优化问题。数值研究表明,在相关的情况下,我们的方法执行显着优于一些现有的流行的传统多重检验方法,在精度和功率控制。此外,我们的想法应用到一个真实的,空间数据集与放射性核素浓度在朗格拉普群岛产生了深刻的结果。
2018-07-09 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
Sequential Tests of Multiple Hypotheses Controlling False Discovery and Nondiscovery Rates
我们提出了一个通用的和灵活的程序来测试多个假设的顺序(或流)的数据,同时控制的错误发现率(FDR)和错误的非发现率(FNR)的最小假设下的数据流,可能会有所不同的分布,尺寸,并依赖。所有需要的是用于控制传统的I型和II型错误概率的每个数据流的检验统计量,并且不需要关于统计量或数据流的联合分布的信息或假设。该程序可与顺序、成组顺序、截断或其他采样方案一起使用。该程序是Benjamini和Hochberg(1995)广泛使用的固定样本量程序到顺序数据领域的自然扩展,具有序贯抽样提供的同时FDR和FNR控制的额外好处。我们证明了程序的错误控制,并给出了一些提示,在常见的测试情况下实施。
2019-01-11 math.ST stat.ME stat.TH
Testing Un-Separated Hypotheses by Estimating a Distance
在本文中,我们提出了一个贝叶斯回答测试问题时,假设没有很好地分离。该方法的思想是研究参数与我们想要检验的模型之间的差异度量的后验分布。这被证明是等效的测试损失的修改。这种方法的一个优点是,它可以很容易地适应复杂的假设测试,这是一般难以测试。的渐近性质的测试可以从差异测量的后验分布的渐近行为,并给出了可能的校准洞察。此外,可以得到分离率的测试,这确保了我们的程序的渐近频率最优性。
2017-06-27 math.ST stat.ME stat.TH
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
Optimal and Maximin Procedures for Multiple Testing Problems
多重检验问题是现代统计分析的主要问题。多重检验程序的基本目标是拒绝尽可能多的虚假零假设(即,最大化某些功效概念),并控制错误发现的总体度量,如族错误率(FWER)或错误发现率(FDR)。在本文中,我们制定多重检验的简单假设作为一个无限维的优化问题,寻求最强大的拒绝政策,保证强有力的控制所选择的措施。从这个意义上说,我们的方法是对单个假设的最优Neyman-Pearson检验的推广。我们表明,可交换的假设,FWER和FDR和相关概念的权力,这些问题可以制定为无限的线性规划,并可以在原则上解决任何数量的假设。我们还描述了复杂的替代品的最大最小规则,并表明,这样的规则可以在实践中找到,从而改善现有的替代品相比,实际的程序。我们得到明确的最佳测试FWER或FDR控制三个独立的正常手段。我们发现,在所有的设置检查的自然竞争对手的权力增益是实质性的。最后,我们将我们的最优最大极小规则应用于Cochrane图书馆系统评价中的亚组分析,从而增加了发现的数量,同时保证了对单侧替代方案的强大FWER控制。
2020-11-25 stat.ME
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
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
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
Adaptive adequacy testing of high-dimensional factor-augmented regression model
本文针对高维因子增强回归模型在密集备择假设下检验效果不佳的问题,提出二次型检验统计量及自适应检验方法,在稀疏和密集备择假设下均具功效,并通过模拟与FRED-MD数据集验证其优势。
2025-04-03 stat.ME
Testing relevant hypotheses in functional time series via self-normalization
在本文中,我们开发的方法来测试有关的假设功能时间序列的调谐自由的方式。而不是测试的确切平等,例如从两个独立的时间序列的两个平均函数的平等,我们建议测试的原假设没有相关的偏差。在两个样本问题中,这意味着两个均值函数之间的$L^2$距离小于预先指定的阈值。对于这样的假设,Shao(2010)和Shao和Zhang(2010)引入的自归一化通常用于避免估计讨厌的参数,不直接适用。我们发展了新的自规范化程序来检验单样本、双样本和变点问题中的相关假设,并研究了它们的渐近性质。通过模拟研究和数据实例说明了所提出的测试的有限样本性质。我们的主要重点是功能时间序列,但扩展到其他设置也简要讨论。
2020-02-20 math.ST stat.ME stat.TH
Discussion of "Multiple Testing for Exploratory Research" by J. J. Goeman and A. Solari
Goeman和Solari [统计学家。Sci. 26(2011)584-597,arXiv:1208.2841]已经解决了探索性研究的多重检验这一有趣的话题,并为探索性分析提供了很好的建议。他们定义了探索性分析的推理程序应该具有的属性:程序应该温和,灵活和事后。他们的推理过程给出了一个下界的数量假假设之间的选定的假设,而且只要有可能确定基本假设是假的。在各种应用中出现了估计错误假设的数量的下限的需要,并且在Biometrics 64(2008)1215-1222中为此目的开发了部分合取方法(还参见Philos.Trans.R.2008)。Soc. Lond. A 367(2009)4255-4271,以获得更多细节)。例如,在对研究同一问题的几项研究进行综合分析时,有必要给出一个关于重复该发现的研究数量的下限。我将首先说明戈曼和索拉里的方法与部分合取方法之间的关系。然后,我将讨论可能的扩展,并解决在更一般的设置探索的问题,其中本地测试可能没有预先定义或候选假设可能不知道开始。
2012-08-16 stat.ME
Sequential Tests of Multiple Hypotheses Controlling Type I and II Familywise Error Rates
本文讨论了以下一般情况:一个科学家希望进行一组实验,每个实验产生一个连续的数据流,以研究某种现象。科学家希望控制总体错误率,以便从每个实验中得出有效的结论,同时尽可能高效。流间数据可能在分布和维度上不同,但也可能高度相关,甚至在某些情况下完全重复。把每个实验作为一个假设检验,并采用familywise错误率(FWER)度量,我们给出了一个程序,顺序测试每个假设,同时控制I型和II FWER,而不管流间的相关性,只需要任意顺序检验统计量,控制一个给定的流在隔离的错误率。建议的程序,我们称之为序贯Holm程序,因为它的灵感来自Holm的(1979年)开创性的固定样本程序,显示出同时节省预期的样本量和较少保守的错误控制相对于固定样本,序贯Bonferroni,和其他最近提出的序贯程序在模拟研究。
2014-05-08 math.ST stat.ME stat.TH
Multiple Hypotheses Testing For Variable Selection
已经开发了许多方法来估计稀疏线性模型Y= XB+e中的相关变量集,其中B的维数p可以远大于Y的长度n。在这里,我们提出了两个新的方法,基于多个假设检验,无论是有序或无序的变量。我们的方法受到Baraud等人(2003)提出的测试方法的启发。新的程序被证明是强大的在一定条件下的信号和他们的性质是非渐近的。他们在估计相关变量集方面比错误发现率(FDR)和Lasso都给出了更好的结果,无论是在普通情况下(p<n)还是在高维情况下(p>n)。
2012-06-10 math.ST stat.ME stat.TH
A Complete Review of Controlling the FDR in a Multiple Comparison Problem Framework -- The Benjamini-Hochberg Algorithm
本文综述了流行的Benjamini Hochberg方法以及其他相关的多假设检验方法。这是写的目的是服务于一个简短但完整的易于理解的审查主要文章与适当的背景。论文题为“控制错误发现率-一个实用和强大的方法多重检验”由benjamini等。al. [1]提出了一种控制多假设检验问题中错误发现率的新框架。有人声称,在该文件中提出的程序的结果在功率的大幅增加,更适用的情况下,要求错误发现率(FDR)的控制,而不是家庭的错误率(FWER)的问题。所提出的方法使用一个简单的Bonferroni型FDR控制程序。
2014-06-27 stat.ME