Efficient Multiple Testing Adjustment for Hierarchical Inference
（广义）回归问题中的分层推理对于发现显著组甚至单个协变量是强大的，特别是在整个回归参数向量的可识别性可能是不适定的高维设置中。一般方法以完全数据驱动和自适应的方式从协变量的大到小的组或单例进行，这取决于信号强度和设计矩阵的相关结构。我们提出了一种新的分层多重检验调整，可用于与任何显着性检验的协变量组进行分层推理。我们的调整传递了某些假设的显著性水平，这些假设不能被拒绝，并被证明可以保证对家族错误率的强有力控制。我们的方法至少是强大的所谓的深度层次Bonferroni调整。它提供了一个相当大的增益，在权力比其他先前提出的继承层次的程序，如果基本的替代假设发生稀疏沿几个分支的树状结构的层次。
2021-10-21 stat.AP stat.ME
Spatial clustering of array CGH features in combination with hierarchical multiple testing
我们提出了一种新的方法聚类DNA特征使用阵列CGH数据从多个肿瘤样本。我们区分数据崩溃：将具有非常相似数据的连续DNA克隆或探针连接到区域中，来自聚类：基于极大似然原理连接连续的相关区域。基于模型的聚类算法考虑了数据中明显的空间模式。我们通过聚类稳定性得分结合交叉验证来评估聚类结果的随机性。此外，我们认为，聚类真正抓住了空间基因组的依赖性，显示独立区域的巧合聚类是非常不可能的。使用区域和聚类信息，我们将这些与临床变量相关性的检验结合在一个分层的多重检验方法中。这允许解释区域和聚类的重要性，同时控制族级错误率。我们证明，在置换测试和置换不变的集群的上下文中，它是允许执行聚类和测试相同的数据集。我们的程序说明了两个癌症数据集。
2010-12-19 stat.AP stat.ME
Hierarchical EM algorithm for estimating the parameters of Mixture of Bivariate Generalized Exponential distributions
本文提出了一种基于二元广义指数分布的混合建模框架。我们研究了这种混合分布的不同性质。提出了求解参数估计的分层期望最大化算法。该算法需要非常大的样本量的工作，因为它包含了许多阶段的近似。数值结果提供了更多的说明。
2018-04-01 stat.CO stat.ME
Deciphering hierarchical organization of topologically associated domains through change-point testing
背景资料：真核细胞的细胞核在空间上将染色体包装成一个分层的和独特的分离，在维持转录调控中起着关键作用。染色体构象捕获的高通量方法，如Hi-C，已经揭示了拓扑相关结构域（TADs），这些结构域由它们内部的偏向染色质相互作用定义。结果：在这里，我们介绍了一种新的方法，HiCKey，破译Hi-C数据中的层次结构，并在样本之间进行比较。我们首先推导出一个广义似然比（GLR）检验，用于检测遵循负二项分布或一般混合分布的相互作用矩阵中的变点。然后，我们采用几种最佳的搜索策略来破译层次TAD与GLR测试计算的p值。大规模的仿真数据验证表明，HiCKey在召回已知的TAD方面具有良好的精度，并且对染色质相互作用的随机碰撞噪声具有鲁棒性。通过将HiCKey应用于七种人类细胞系的Hi-C数据，我们发现其中存在多层的细胞组织，但绝大多数细胞的细胞组织不超过四层。特别是，我们发现，在活跃的染色体区域相比，抑制的区域，显着丰富的边界，表明精确的基因转录调控的活性区域更精细的层次结构。结论：HiCKey针对处理由高分辨率Hi-C实验构建的大型矩阵进行了优化。GLR检验的方法和理论结果为相似的染色质相互作用实验数据的显著性检验提供了一个一般框架，这些数据可能不完全遵循负二项分布，而是更一般的混合分布。
2021-04-19 stat.AP stat.ME
Generalized Direct Sampling for Hierarchical Bayesian Models
本文提出了一种不使用马尔可夫链蒙特卡罗的分层模型后验分布抽样的新方法。这种方法是重要性抽样思想的一种变体，通常适用于涉及大数据集的高维模型。样本是独立的，所以它们可以并行收集，我们不需要关心链收敛和自相关等问题。此外，该方法可用于计算边际似然。
2012-08-09 stat.CO stat.ME
Multi-label Classification under Uncertainty: A Tree-based Conformal Prediction Approach
本文提出一种基于树的保形预测多标签分类方法，通过分层聚类构建标签集树，结合多重假设检验和分层Bonferroni程序控制族错误率，并验证了预测集覆盖的理论保证与实证效果。
2024-04-30 stat.ME
Generalized Exponential smoothing in prediction of hierarchical time series
Shang和Hyndman（2017）提出了一种分组函数时间序列预测方法，作为使用广义最小二乘法获得的个体预测的组合。我们修改他们的方法，使用广义指数平滑技术的最分解的功能时间序列，以获得更强大的预测。我们讨论了我们的建议的基础上，通过模拟研究和分析，在2016年在澳大利亚的电力需求的预测相关的实际数据获得的结果的一些属性。
2018-03-23 stat.AP stat.CO stat.ME
A hierarchical prior for generalized linear models based on predictions for the mean response
在统计分析中使用先验信息的兴趣越来越大。例如，在罕见疾病中，由于样本量较低，仅基于前瞻性研究的数据可能难以确定治疗疗效。为了克服这个问题，可以引出处理效应的信息先验。我们对Chen和Ibrahim（2003）的共轭先验进行了一种新的扩展，使从业者能够对广义线性模型的平均响应进行先验预测，并将预测视为随机的。我们将分层先验称为分层预测先验。为了i.i.d.设置和正常的线性模型，我们推导出的情况下，超先验是共轭先验。我们还开发了一个扩展的HPP的情况下，从以前的研究汇总统计，绘制与功率之前的比较。HPP允许基于个体水平预测的质量进行折扣，具有提供效率增益的潜力（例如，较低的MSE），其中预测与数据不兼容。提出了一种有效的马尔可夫链蒙特卡罗算法。应用表明，HPP下的推理是更强大的先验数据冲突相比，选定的非分层先验。
2021-07-23 stat.ME
Hierarchical Ensemble Kalman Methods with Sparsity-Promoting Generalized Gamma Hyperpriors
本文介绍了一种计算框架，将灵活的正则化技术集成卡尔曼方法的非线性反问题。所提出的方法近似的最大后验概率（MAP）估计的分层贝叶斯模型，其特征在于由一个条件高斯先验和广义伽玛超先验。选择合适的超参数会产生稀疏促进正则化。我们提出了一种迭代算法的MAP估计，它交替更新未知的集合卡尔曼方法和更新超参数的正则化，以促进稀疏性。我们的方法的有效性证明在几个计算实例，包括压缩传感和地下水流逆问题。
2022-05-19 cs.NA math.NA math.OC
Robust testing in generalized linear models by sign-flipping score contributions
广义线性模型由于过度离散、异方差和忽略干扰变量等原因，常常被误定。现有的拟似然方法在错误指定的模型测试往往不能提供令人满意的第一类错误率控制。我们提供了一种新的半参数检验，基于符号翻转的个人得分贡献。允许被测参数为多维甚至高维。我们的测试往往是强大的对上述形式的错误规范，并提供更好的第一类错误控制比它的竞争对手。当估计干扰参数时，我们的基本测试变得保守。我们将展示如何考虑滋扰估计，以获得一个渐近精确的测试。我们提出的测试是渐近等价的参数对应。
2020-05-08 stat.ME
Multiple Testing in Generalized Universal Inference
针对多重假设检验中标准 e 值依赖分布假设的问题，本文将广义通用推断框架与 e-BH 程序结合，在风险最小化目标下控制频率学派错误率，并通过分位数回归模拟验证其有效性与功效。
2024-12-01 stat.ME
Model Testing for Generalized Scalar-on-Function Linear Models
标量-函数线性模型通常用于对标量响应的函数预测因子进行回归。然而，函数模型比传统的线性模型更难以估计和解释，并且对于数据应用来说可能是不必要的复杂。假设检验可用于通过确定功能预测器是否必要来指导模型选择。使用惩罚样条和方差分量检验的混合效应表示，我们提出了一个测试函数线性模型与指数族分布的响应的框架。该方法可以适应密集和稀疏的功能数据，并用于测试功能预测的无效果和效果的形式。我们通过仿真研究表明，所提出的方法达到了标称水平，具有高功率，我们证明了其实用性与两个数据应用。
2019-06-12 stat.ME
Testing equivalence to binary generalized linear models with application to logistic regression
ERGO Group AG（ERGO集团）
研究如何测试观测数据与二元广义线性模型的等价性，核心方法是用最小距离法构建检验统计量，用于协变量均为分类变量的情况，通过渐近近似或自助法算临界值，在真实数据集上应用并经模拟研究有限样本性能。
2026-07-17 stat.ME
Bayesian inference on hierarchical nonlocal priors in generalized linear models
具有非局部先验的变量选择方法在线性回归模型中得到了广泛的研究，其理论和经验性能都有报道。然而，在高维广义线性回归中，对于分层非局部先验的关键模型选择性质却很少被研究。本文考虑了高维逻辑斯谛回归模型的分层非局部先验分布，并研究了其后验分布的理论性质。具体地说，一个产品的时刻（pmoment）的非局部先验施加在回归系数与逆伽玛先验的调谐参数。在标准的规律性假设下，我们在高维环境中建立了强模型选择一致性，其中允许协变量的数量随着样本量以亚指数速率增加。我们实现了拉普拉斯近似计算的后验概率，并提出了一种改进的鸟枪随机搜索过程，有效地探索模型空间。我们证明了所提出的方法的有效性，通过模拟研究和RNA测序数据集分层疾病风险。
2022-03-14 math.ST stat.ME stat.TH
On testing for independence between generalized error models of several time series
United Arab Emirates University（阿联酋大学）；Université de Montréal（蒙特利尔大学）；HEC Montréal（蒙特利尔高等商学院）
本文提出用于检验广义误差模型间独立性的统计量，扩展了之前关于随机波动模型的结果，并通过数值实验和实际应用展示方法的有效性。
2026-05-14 stat.ME
Goodness-of-fit testing in high-dimensional generalized linear models
我们提出了一个家庭的测试来评估的拟合优度的高维广义线性模型。我们的框架是灵活的，可用于构建一个综合测试或针对测试特定的非线性和相互作用的影响，或用于测试组的变量的意义。该方法是基于提取剩余信号的残差从初始拟合的广义线性模型。这可以通过使用现代灵活回归或机器学习方法（例如随机森林或提升树）从残差预测该信号来实现。在广义线性模型正确的原假设下，残差中没有信号，并且我们的检验统计量具有高斯极限分布，转化为第一类错误的渐近控制。在本地替代方案下，我们建立了对测试功率的保证。我们通过测试逻辑斯谛回归模型的拟合优度来说明该方法在模拟和真实数据示例上的有效性。R软件包“GRPtests”中有执行这一方法的软件。
2019-11-12 math.ST stat.ME stat.TH
PoolTestR: An R package for estimating prevalence and regression modelling with pooled samples
合并检测（也称为组检测），即对合并样本进行诊断检测，在动物和人类疾病监测中具有广泛的应用。一个日益普遍的使用案例是分子异种监测（MX），通过捕获和测试大量病媒（如蚊子）来监测病媒传播的疾病。R软件包PoolTestR的开发是为了满足日益庞大和复杂的分子异种监测调查的需求，但也可以应用于分析涉及合并测试的任何数据。PoolTestR包括简单灵活的工具，用于估计患病率，并在频率论和贝叶斯框架中为汇总数据拟合固定和混合效应广义线性模型。混合效应模型允许用户考虑调查中经常采用的分层抽样设计，包括MX。我们证明了实用的PoolTestR通过将其应用到一个大型的合成数据集，模拟MX调查与分层抽样设计。
2020-12-10 stat.CO stat.ME stat.OT
Estimation of An Infinite Dimensional Transition Probability Matrix Using a Generalized Hierarchical Stick-Breaking Process
本文提出广义层次化断棍先验的贝叶斯非参数框架，用于估计无限维转移概率矩阵，应对稀疏、高维及未观测状态空间挑战。
2025-07-10 stat.AP stat.ME
Generalized Multivariate Signs for Nonparametric Hypothesis Testing in High Dimensions
Data Science and AI Research（数据科学与人工智能研究院）；AT&T Chief Data Office（美国电话电报公司首席数据办公室）；University of Minnesota Twin Cities（明尼苏达大学双城分校）
高维数据，其中特征空间的维度远大于样本量，出现在许多统计应用中。在这种情况下，我们构造了广义多元符号变换，定义为一个向量除以其范数。对于范数函数的不同选择，所得到的变换向量适应于数据分布的某些几何特征。在此基础上，利用这些广义符号向量，得到了高维数据均值向量的单样本和双样本检验方法。这些测试是基于U-统计使用内核内积，不需要禁止的假设，并服从于一个快速的随机化为基础的实现。通过实验，在一些数据设置，我们表明，使用广义符号的测试显示更高的功率比现有的测试，同时保持标称第一类错误率。最后，我们提供了MNIST和明尼苏达双胞胎研究基因组数据的示例应用程序。
2021-07-02 cs.LG stat.ME stat.ML
Large-Scale Multiple Hypothesis Testing with the Normal-Beta Prime Prior
我们重新审视的问题，同时测试的手段，$n$独立的正常观测稀疏。我们采取贝叶斯方法来解决这个问题，通过引入一个规模混合先验称为正常β素数（NBP）先验。当将贝塔素密度用作贝叶斯分层模型中的尺度参数时，我们首先推导出新的浓度性质。为了检测数据中的信号，我们提出了一种基于NBP先验下的后验收缩权重阈值的假设检验。以损失函数的预期数量的误分类测试，我们表明，我们的测试过程渐近达到最佳贝叶斯风险时，信号的比例$p$是已知的。当$p$是未知的，我们引入了一个经验贝叶斯变量的测试，也渐近达到贝叶斯甲骨文的风险在整个范围内的稀疏参数$p \propto n^{-ε}, ε\in (0, 1)$。最后，我们还考虑了限制性边际极大似然（REML）和层次贝叶斯方法估计的NBP先验的关键超参数，并在这些框架下检查多重检验。
2019-04-30 stat.ME
A Generalized Benjamini-Hochberg Procedure for Multivariate Hypothesis Testing
Benjamini和Hochberg提出的错误发现率（FDR）引起了人们对开发在各种环境中控制FDR的方法的极大兴趣。然而，大多数现有的方法，解决FDR控制的情况下，一个适当的单变量检验统计量是可用的。另一方面，现代假设检验和数据集成应用程序通常涉及多变量检验统计量。在这种情况下，目标是将每个假设的证据结合起来，并获得更大的力量，同时控制错误发现的数量。本文考虑基于多元检验统计量（z值）构建嵌套拒绝区域的数据自适应方法。它被证明是可以控制的FDR适当构造的拒绝区域，即使该区域依赖于数据，因此是随机的。然后利用这种灵活性来开发更高维度的最佳多重比较程序，其中非空z值的分布是未知的。使用模拟和真实数据的结果进行说明。
2016-06-08 stat.ME
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
Generalized Hierarchical Conformal Prediction
University of Pennsylvania（宾夕法尼亚大学）
针对分组数据预测中标准分层共形预测无法利用少量初始观测的问题，提出广义分层共形预测（GHCP）方法，通过分配随机参考组大小恢复对称性并提升非一致性分数，经模拟和美国社区调查数据集验证性能。
2026-08-18 stat.ME stat.ML
Generalized Permutation Framework for Testing Model Variable Significance
针对高维小样本数据中变量显著性检验难题，提出一种非参数置换框架，可排序并检验变量及交互显著性，并在鸢尾花和RNA数据上验证。
2023-10-12 stat.ME
Marginal Inference for Hierarchical Generalized Linear Mixed Models with Patterned Covariance Matrices Using the Laplace Approximation
本文基于拉普拉斯近似和Newton-Raphson更新，为具有复杂模式化协方差结构的分层广义线性混合模型开发了完整的边际推断方法，支持六种分布并经模拟与真实数据验证了有效性。
2023-05-04 math.ST stat.ME stat.TH
MUCE: Bayesian Hierarchical Modeling for the Design and Analysis of Phase 1b Multiple Expansion Cohort Trials
针对1a期剂量递增后开展的新型1b期多扩展队列首次人体研究，提出基于贝叶斯分层模型的MUCE方法，可跨组自适应借信息，基于后验概率辅助选组决策。
2020-06-17 stat.AP stat.ME
Cost-aware Generalized $α$-investing for Multiple Hypothesis Testing
University of Massachusetts（马萨诸塞大学）；University of Rhode Island（罗德岛大学）；Bryant University（布莱恩特大学）
针对带数据收集成本的序贯多重假设检验问题，提出成本感知广义$\alpha$-投资决策规则，通过博弈建模优化预期$\alpha$-财富收益，自适应分配样本预算，在固定与非固定样本量及真实生物数据集上均表现更优。
2023-11-03 cs.LG stat.ME
Efficiency combined with simplicity: new testing procedures for Generalized Inverse Gaussian models
广义逆高斯（GIG）族（也称为Hüssen Type A族）中的标准有效检验过程是似然比检验，因此依赖于GIG的三个参数的极大似然（ML）估计。GIG密度的特殊形式，涉及修改的贝塞尔函数，防止一般从ML估计，这是在复杂的数值逼近方法的代价获得的封闭形式的表达。相反，矩量法（MM）估计允许简洁的表达式，但测试的基础上，这些估计遭受缺乏效率相比，似然比检验。这就是为什么近年来，ML和MM估计之间的权衡已经被提出，导致更简单但不完全有效的估计和测试。在本文中，我们没有提出这样的权衡，而是两种方法的最佳组合，我们的测试继承效率从ML样的建设和简单性的滋扰参数的MM估计。这一目标将通过从一个新的角度，即通过Le Cam方法来解决问题来实现。除了提供简单有效的测试方法外，该方法的理论背景还允许我们为测试写出显式的功率表达式。蒙特卡罗模拟研究表明，在小样本量下，我们的简单程序至少与复杂的似然比检验一样好。最后，我们将我们的研究结果应用于两个真实的数据集。
2013-12-24 math.PR 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
Testing for Treatment Effect in Covariate-Adaptive Randomized Clinical Trials with Generalized Linear Models and Omitted Covariates
尽管在临床试验中广泛使用，但在协变量自适应随机化下，统计推断的有效性仍受到关注。在文献中，协变量自适应随机化下的推断性质主要针对连续响应进行了研究;特别是，众所周知，处理效应的常用双样本t检验通常是保守的，在这个意义上，实际检验大小小于标称水平。这种无效检验的现象也在没有调整协变量的广义线性模型中发现，有时由于膨胀的第一类错误而更令人担忧。本研究的目的是检查广义线性模型和协变量自适应随机化下处理效应的未校正检验。对于一大类协变量自适应随机化方法，我们得到了在原假设下检验统计量的渐近分布，并导出了检验是保守的、有效的或反保守的条件.详细讨论了几种常用的广义线性模型，如逻辑斯谛回归和泊松回归。还提出了一种调整方法，以实现一个有效的大小的渐近结果的基础上。数值研究证实了理论研究结果，并证明了所提出的调整方法的有效性。
2021-05-02 math.ST stat.ME stat.TH
The dynamic generalized covariance measure for conditional independence testing with nonstationary time series
Carnegie Mellon University（卡内基梅隆大学）；Queen Mary University of London（伦敦大学玛丽女王学院）
本文提出首个适用于非平稳非线性过程单次实现的条件独立性检验框架，通过时变非线性回归等技术解决线性模型难以捕捉非线性动态的问题，为相关领域的随机过程关系识别提供了新工具。
2026-10-22 math.ST stat.ME stat.ML
