Heterocedasticity-Adjusted Ranking and Thresholding for Large-Scale Multiple Testing
标准化已成为多重检验中广泛采用的实践,因为它考虑了抽样的变异性,并使不同研究单元的检验统计量具有可比性。然而,尽管传统的智慧相反,我们表明,有可能是一个显着的信息损失的基础上标准化的统计假设检验,而不是完整的数据。我们开发了一类新的异方差-调整的排名和阈值(HART)的规则,旨在改善现有的方法,同时利用共性和调整异质性的研究单位。HART的主要思想是绕过标准化,直接将汇总统计量及其方差纳入测试程序。一个关键的信息是,替代分布的方差结构,这是归入标准化统计,是高度信息化,可以利用,以实现更高的权力。所提出的HART过程被证明是渐近有效的,最佳的错误发现率(FDR)控制。我们的仿真结果表明,HART实现了相当大的功率增益在现有的方法在相同的FDR水平。我们通过骨髓瘤的微阵列分析来说明实施。
2020-03-06 math.ST stat.ME stat.TH
Factor-Adjusted Multiple Testing for High-Dimensional Individual Mediation Effects
School of Data Science, Fudan University(复旦大学数据科学学院);Business Division, New York University Shanghai(纽约大学上海分校商学院)
本文提出FADMT框架,通过因子调整实现高维个体中介效应的去偏推断与FDR控制,提升观测研究中对共享潜在变异驱动的虚假关联的鲁棒性。
2026-02-18 stat.ME
FarmTest: Factor-Adjusted Robust Multiple Testing with Approximate False Discovery Control
具有相关和重尾数据的大规模多重检验出现在从基因组学、医学成像到金融的广泛研究领域中。传统的估计错误发现率的方法往往忽略了重尾效应和检验统计量之间的依赖结构,导致估计效率低下甚至不一致。此外,通常强加的联合正常假设可以说是过于严格的许多应用。为了解决这些挑战,在本文中,我们提出了一个因素调整的鲁棒多重检验(FarmTest)的大规模同时推理与控制的错误发现比例的过程。我们证明了稳健的因子调整在控制FDP和提高功率方面都是非常重要的。我们确定的一般条件下,所提出的方法产生相合估计的FDP。作为一个副产品,是独立的利益,我们建立了一个指数型偏差不等式的稳健$U$型协方差估计谱范数。大量的数值实验表明,所提出的方法的优势,特别是当数据是从重尾分布产生的一些国家的最先进的方法。建议的程序在R-package FarmTest中实施。
2018-09-18 stat.ME
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
Small-sample one-sided testing in extreme value regression models
本文导出了一般极值回归模型的调整符号似然比统计量。调整减少了标准正态近似值对带符号似然比统计量分布的误差。我们使用Monte Carlo模拟来比较不同测试的有限样本性能。我们的模拟表明,有符号的似然比检验往往是自由的样本量时,并在缩小尺寸失真的调整是有效的。两个实际数据的应用程序,并进行了讨论。
2014-05-23 math.ST stat.ME stat.TH
Confounder Adjustment in Multiple Hypothesis Testing
我们考虑同时进行数千个显著性检验的大规模研究。在其中一些研究中,潜在的混杂因素(例如批次效应和与感兴趣的主要变量(例如治疗变量、表型)和结果相关的未测量协变量)可能会导致多重检验程序出现严重偏差。在过去的十年中,许多统计方法被提出来调整假设检验中的混杂因素。我们统一这些方法在同一个框架,推广到包括多个主变量和多个讨厌的变量,并分析其统计特性。特别是,我们提供了理论保证RUV-4和LEAPP,这对应于两个不同的识别条件的框架:第一个需要一组“阴性对照”,是已知的先验遵循空分布;第二个需要真正的非空值是稀疏的。两种不同的估计,这是基于RUV-4和LEAPP,然后应用到这两种情况。我们表明,如果混杂因素是强大的,由此产生的估计可以渐近强大的预言估计,观察潜在的混杂因素。对于假设检验,我们证明了基于估计量的渐近z检验可以控制第一类错误。数值实验表明,当样本量较大时,错误发现率也受Benjamini-Hochberg过程的控制。
2016-06-20 math.ST stat.ME stat.TH
A New Perspective on Robust $M$-Estimation: Finite Sample Theory and Applications to Dependence-Adjusted Multiple Testing
重尾误差会损害最小二乘估计的精度,而这可能会被单个严重偏离的观测值破坏。正如彼得·胡贝尔(Peter Huber)在1973年的开创性著作中所论证的那样[{ \it Ann. Statist.} { \bf 1}(1973)799- 821],迫切需要最小二乘法的稳健替代方法。为了实现对重尾采样分布的鲁棒性,我们重新审视了Huber估计从一个新的角度,让调谐参数涉及偏离样本量。在本文中,我们开发的非渐近浓度的结果,这样一个自适应的Huber估计,即调整参数适应样本量,尺寸,和噪声的方差的Huber估计。具体地说,我们得到了一个次高斯型偏差不等式和非渐近Bahadur表示时,噪声变量只有有限的二阶矩。非渐近结果进一步产生两个传统的正常的近似结果是独立的利益,Berry-Esseen不等式和Cramér型中度偏差。作为大规模同时推理的一个重要应用,我们将这些稳健的正态近似结果应用于分析中等重尾数据的依赖调整多重检验过程。结果表明,稳健的依赖性调整过程渐近控制总体错误发现比例在名义水平下温和的时刻条件。模拟和真实数据集上的彻底的数值结果也支持我们的理论。
2017-11-15 math.ST stat.ME stat.TH
Statistical Inference for Covariate-Adjusted and Interpretable Generalized Factor Model with Application to Testing Fairness
Faculty of Business and Economics, University of Hong Kong(香港大学工商管理学院);Department of Statistics, University of Michigan(密歇根大学统计系)
本文提出了一种具有协变量调整和可解释性的广义因子模型,用于评估教育测试的公平性,并通过实验证明了其有效性。
2026-01-09 stat.ME
Multiple Test Functions and Adjusted p-Values for Test Statistics with Discrete Distributions
当检验统计量具有离散分布时,建议使用随机化$p$值、(非随机化)中等$p$值和抽象随机化$p$值检验原假设。本文提供了一个统一的框架,这些方法,并将其扩展到多重检验设置。特别地,开发了上述$p$值和多个测试函数的多重调整版本。它表明,每当通常的非随机化和随机化的决定拒绝或保留原假设可能不同,(调整)抽象随机$p$值和测试功能应报告,特别是当测试的数量很大。结果表明,所提出的方法优于传统的随机和非随机方法的偏差和变异性。工具绘制调整后的抽象随机$p$值和计算多个测试功能的开发。最后通过实例说明了该方法,并提出了一种新的多重性调整中间$p$值.
2014-12-01 stat.CO stat.ME
New testing procedures for Structural Equation Modeling
我们介绍和评估一类新的假设检验程序的时刻结构。该方法在弱假设下是有效的,包括著名的Satorra-Bentler平差作为特例。建议的程序也适用于嵌套模型之间的差异检验。我们证明了我们方法的一致性。我们引入了一个自举选择机制,为给定的样本最佳地选择一个p值近似。此外,我们提出了自举程序评估的渐近稳健性(AR)的正常理论的最大似然检验,并为关键假设的Satorra-Bentler调整(Satorra-Bentler一致性)。模拟研究表明,我们的新的p值近似执行良好,即使在严重的非正态性和现实的样本量,但我们的测试AR和Satorra-Bentler一致性需要非常大的样本量工作良好。
2016-10-07 math.ST stat.TH
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
Multiple hypothesis testing adjusted for latent variables, with an application to the AGEMAP gene expression data
在高吞吐量设置中,我们检查大量候选变量(例如,基因)搜索与主要变量的关联(例如,表型)。由于系统效应和其他潜在变量的存在,高通量假设检验可能变得困难。众所周知,这些变量改变了测试的水平,并导致测试之间的相关性。它们还改变了假设之间显著性水平的相对顺序。糟糕的排名导致浪费和无效的后续研究。对于与主变量相关的潜变量,问题变得尖锐。我们提出了一个两阶段的分析,以对抗潜在变量的假设排名的影响。我们的方法,称为LEAPP,统计隔离的潜在变量从主要的。在模拟中,它比SVA和EIGENSTRAT等竞争方法提供了更好的假设排序。为了说明,我们转向AGEMAP研究的数据,该研究将小鼠16个组织的基因表达与年龄联系起来。LEAPP生成的排名与其他方法获得的排名相比,在组织间具有更大的一致性。
2013-01-11 stat.AP
Improved hypothesis testing in a general multivariate elliptical model
本文研究了一般多元椭圆回归模型下的改进检验推理。该模型在均值向量和色散矩阵的指定以及误差分布的选择方面是非常灵活的。允许误差项遵循椭圆分布类中的多元分布,该椭圆分布类具有多元正态分布和Student- t分布作为特例。我们得到了Skovgaard的调整后的似然比统计量和Barndorff-Nielsen的调整后的符号似然比统计量,我们进行了模拟研究。模拟表明,所提出的测试显示优越的有限样本行为相比,标准测试。两个应用程序,以说明该方法。
2016-10-31 math.ST stat.TH
Power Under Multiplicity Project (PUMP): Estimating Power, Minimum Detectable Effect Size, and Sample Size When Adjusting for Multiple Outcomes in Multi-level Experiments
针对多结局多水平随机对照试验,提出PUMP R包,用于估计考虑多重检验调整后的统计功效、最小可检测效应量和样本量,并支持多种功效定义与敏感性分析。
2023-05-15 stat.ME
NAPA: Neighborhood-Assisted and Posterior-Adjusted Two-sample Inference
提出NAPA方法结合空间平滑性与稀疏性辅助信息调整$p$-值,在控制错误发现的同时提升两样本多重检验效能,并给出理论保证与实验验证。
2023-07-31 stat.ME
Local False Sign Rate and the Role of Prior Covariance Rank in Multivariate Empirical Bayes Multiple Testing
本文研究了多元经验贝叶斯多重检验中先验协方差矩阵秩对局部错误符号率的影响,提出使用满秩协方差矩阵的调整方法以缓解低秩导致的错误符号率膨胀,从而提升高维环境下的稳健性。
2025-04-01 stat.AP stat.ME
Covariate-Adjusted Inference for Differential Analysis of High-Dimensional Networks
对应于疾病状况的生物网络之间的差异可以帮助描述潜在的疾病机制。现有的差分网络分析方法没有考虑网络对协变量的依赖性。因此,这些方法可以检测由协变量对疾病状况和网络的影响引起的虚假差分连接。为了解决这个问题,我们提出了一个通用的协变量调整测试差分网络分析。我们的方法通过测试原假设来评估差分网络连接性,即对于具有相同协变量且仅疾病状态不同的个体,网络是相同的。我们在一项模拟研究中实证表明,与不考虑协变量的朴素假设检验程序相比,协变量调整检验具有改进的第一类错误控制。我们还表明,有设置中,我们提出的方法提供了改进的功率来检测差分连接。我们说明了我们的方法,将其应用于检测乳腺癌基因共表达网络的亚型的差异。
2021-05-17 stat.ME
Use of spurious correlation for multiplicity adjustment
我们考虑一个最基本的多重检验问题,比较多变量数据的期望在几个群体。作为一个检验统计量,一个传统的(近似)$t$ -统计量被认为是,我们确定其拒绝使用一个共同的拒绝限制的区域。当检验统计量之间存在未知相关性时,多重性调整的$p$值取决于未知相关性。它们通常被替换为在任何假设下总是一致的估计值。在本文中,我们建议使用的估计,这是不一定一致的,被称为假相关,以提高统计功效。通过仿真研究,我们验证了所提出的方法渐近控制的家庭明智的错误率,显然提供了更高的统计功效比现有的方法。此外,建议和现有的方法被施加到一个真正的多重检验问题,比较各组小鼠的数量性状和结果进行比较。
2016-12-19 stat.ME
Automated Selection of r for the r Largest Order Statistics Approach with Adjustment for Sequential Testing
r最大顺序统计量方法被广泛用于极值分析,因为它可以使用更多的信息,从数据中不仅仅是块的最大值。在实践中,r的选择至关重要。如果r太大,可能会出现偏差;如果太小,估计量的方差可能会很高。r个最大顺序统计量的极限分布(用GEVr表示)扩展了块最大值的极限分布。提出了两种规格检验来顺序选择r。第一个是GEVr分布的分数检验。由于GEVr分布的特殊性,经典的卡方渐近不能使用。最简单的方法是使用参数引导,这是简单的实现,但计算昂贵。另一种快速加权引导或乘法器程序的计算效率。第二个检验使用GEVr和GEV(r-1)模型之间估计熵的差异,分别应用于r最大顺序统计量和r-1最大顺序统计量。导出了差分统计量的渐近分布。在一个大规模的模拟研究中,这两个测试都保持了它们的规模,并有很大的力量来检测各种错误的方案。一种新的方法来解决这个问题的多个,连续的假设检验是适应这种设置,以控制错误发现率或familywise错误率。极端海平面和降水数据的程序的效用证明。
2016-04-07 math.ST stat.ME stat.TH
Efficient Adjusted Joint Significance Test and Sobel-Type Confidence Interval for Mediation Effect
本文提出调整联合显著性检验和调整Sobel型置信区间,用于更高效地检验中介效应,并通过模拟和三类实际数据验证其优于传统方法。
2024-09-05 stat.AP stat.ME
On testing the class of symmetry using entropy characterization and empirical likelihood approach
该研究基于熵提出对称分布的新刻画,并构建刀切经验似然及调整刀切经验似然比对称性检验,模拟表明其优于现有方法且适用于真实数据。
2025-05-13 math.ST stat.TH
Multivariate Adjustments for Average Equivalence Testing
针对传统多变量TOST等价检验在多结局场景下效能快速下降的问题,提出考虑结局相关性的α校正多变量α-TOST方法,通过迭代算法确定校正显著性水平,经理论与模拟验证其有限样本性质更优,并在盐酸噻氯匹定生物等效性案例中得到应用。
2024-11-25 stat.ME
Statistical Testing on ASR Performance via Blockwise Bootstrap
Facebook AI(脸书人工智能实验室)
在自动语音识别(ASR)评估中提出的一个常见问题是,比较两个ASR系统,观察到的字错误率(WER)改善的可靠性如何,其中统计假设检验和置信区间(CI)可以用于判断这种改善是真实的还是仅仅由于随机机会。Bootstrap回归方法具有直观、易用的特点,在显著性分析中得到了广泛的应用。然而,这种方法无法处理语音世界中普遍存在的相关数据-例如,来自同一说话人的话语的ASR性能可能是相关的。在本文中,我们提出了分块自举方法-通过将评价话语分为不重叠的块,这种方法重新采样这些块,而不是原始数据。我们证明了在温和的条件下,两个ASR系统之间的绝对WER差的方差估计是一致的。我们还证明了分块自举方法在合成语音数据和真实语音数据上的有效性。
2020-05-20 cs.LG eess.AS stat.ML
Methods for Large-scale Single Mediator Hypothesis Testing: Possible Choices and Comparisons
由于原假设的复合结构,H 0:α * β =0(α:调整混杂因素后暴露对介质的影响; β:调整暴露和混杂因素后介质对结果的影响),大量介质的介质假设检验具有挑战性。本文综述了三类多中介假设检验方法。除了这些现有的方法,我们开发了Sobel-comp方法,它使用修正的混合参考分布的Sobel的检验统计量。我们进行了广泛的模拟研究,比较所有六种方法在原假设下的假阳性率和备择假设下的真阳性率。我们发现,这类方法使用的混合参考分布可以最好地保持在名义水平的原假设下的假阳性率和备择假设下有最大的真阳性率。我们应用所有的方法来研究DNA甲基化位点的调解机制的途径,从成人的社会经济地位糖化血红蛋白水平使用的数据来自多种族研究动脉粥样硬化(MESA)。我们还提供了指导原则,选择最佳的调解假设检验方法在实践中。
2022-03-24 stat.AP stat.ME
A randomization-based theory for preliminary testing of covariate balance in controlled trials
本文从随机化推断视角研究随机试验中先检验协变量平衡再决定是否回归调整的策略,证明两类初步检验估计量分别存在效率损失及置信区间反保守或过度保守问题,因而不推荐该做法。
2023-07-17 stat.AP stat.ME
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
Leave-one-out testing for node-level differences in Gaussian graphical models
University of Padova(帕多瓦大学)
本文提出了一种基于留一验证和巴特利特调整的检验方法,用于高斯图模型中节点级差异的相等性检验,通过模拟和案例研究验证了方法的有效性和实用性。
2026-11-17 stat.ME
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
Neyman-Pearson Hypothesis Testing, Epistemic Reliability and Pragmatic Value-Laden Asymmetric Error Risks
奈曼和皮尔逊的假设检验理论并不保证最低认知可靠性:即得出正确结论的频率高于得出错误结论的频率。该理论并不能避免错误概率的语用价值负载的不平等设置对该理论的认识可靠性可能产生的负面影响。最重要的是,在负面影响的情况下,没有方法论的调整可以抵消它,所以在这种情况下,讨论的理论的实用价值负载不可避免地妥协的目标,达到真理。
2021-07-05 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
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
How Many Significant LISA?: A multiple testing correction
Università Cattolica del Sacro Cuore(天主教撒克鲁科大学)
针对LISA假设检验中多重检验导致I类错误升高的问题,提出纳入有效样本量的校正方法,平衡错误发现率控制与统计功效,改进空间数据分析的统计推断。
2026-10-12 stat.ME
Nearly Unstable Integer-Valued ARCH Process and Unit Root Testing
本文提出了一种用于处理计数型时间序列数据的近似不稳定整数值自回归条件异方差(NU-INSIDATE)过程。证明了具有Skorohod拓扑的NU-INDUSTRY过程的适当正规化弱收敛于Cox-Ingersoll-Ross扩散。相关参数的条件最小二乘估计的渐近分布被建立为某些随机积分的泛函。基于蒙特卡罗模拟的数值实验验证了有限样本下的渐近分布的行为。这些模拟表明,几乎不稳定的方法提供了令人满意的和更好的结果比那些基于平稳性假设,即使当真正的过程是不接近非平稳。提出了一种单位根检验方法,并通过蒙特卡罗模拟检验了其第一类错误和功效。举例而言,建议的方法适用于英国每日因COVID-19死亡的人数。
2021-07-16 math.PR math.ST stat.ME
Outlier detection and a tail-adjusted boxplot based on extreme value theory
极端观测值是否是离群值,在很大程度上取决于基础分布的相应尾部行为。我们开发了一种自动的,数据驱动的方法来识别极端的尾部行为,偏离中间和中央的特点。这允许检测极端离群值或显示比大部分数据更小的散布的极端数据集。为此,我们将Bhattacharya等人2019年针对重尾模型的特定情况提出的测试方法扩展到所有最大吸引域。因此,我们提出了一个尾部调整箱形图,产生一个更准确的表示可能的离群值。几个例子和仿真结果说明了这种方法的有限样本行为。
2019-12-05 math.ST stat.ME stat.TH
Bayesian Matrix Completion for Hypothesis Testing
我们的目标是通过测定终点组合推断每种化学品的生物活性,解决毒理学数据的稀疏性。我们提出了一个贝叶斯分层框架,借用不同的化学品和检测终点的信息,促进了样品外的化学品尚未测定的活性预测,量化预测活性的不确定性,并调整多重性假设检验。此外,本文提出了一种新的尝试,在毒理学同时建模异方差误差和非参数均值函数,导致更广泛的定义的活动,其需要已被毒理学家建议。实际应用确定了最有可能对神经发育障碍和肥胖起作用的化学物质。
2022-11-06 stat.AP
A minimum Wasserstein distance approach to Fisher's combination of independent discrete p-values
Worcester Polytechnic Institute(伍斯特理工学院)
针对离散p值Fisher组合的保守性问题,提出基于最小Wasserstein距离的调整框架,用最优gamma分布替代传统卡方分布作为零近似,提升了I类错误控制和统计功效。
2024-07-12 math.ST stat.ME stat.TH
A Practitioner's Guide to Multiple Testing Error Rates
在现代研究中,研究人员要验证许多假设是很常见的。统计学(频率主义)假设检验框架并不与假设的数量成比例,因为天真地执行许多假设检验可能会产生许多错误的发现。事实上,统计学上的“显著性”是在一次测试中,而不是在大量测试中,在预期的噪声中存在信号的证据。为了保护自己免受不受控制的错误发现的影响,研究人员必须考虑他希望避免的错误类型,并为特定的错误类型和数据结构选择适当的程序。在统计问题和答案网站交叉验证(http://www.example.com)中快速搜索标签[多重比较],可以证明这项任务实际上可能导致的混淆程度。stats.stackexchange.com这也是2009年东京多重比较会议上提出的一个观点。为了提供指导,我们回顾了多重检验中可能出现的错误类型,并通过一些实际的例子来证明它们,从而澄清了形式主义。最后,我们包括一些笔记的软件实现的方法进行了讨论。这篇手稿的重点是错误率,而不是程序本身。我们确实试图在本手稿中适当地列出几个程序。由于P值调整是程序特定的,因此将不讨论P值调整。即,这是定义p值调整的过程的选择,而不是错误率本身。同时置信区间也将不予讨论。
2013-06-24 stat.ME
Hierarchical Testing in the High-Dimensional Setting with Correlated Variables
我们提出了一种方法来测试是否层次序群的潜在相关变量是显着的解释在一个高维线性模型的响应。在存在高度相关的变量,是非常常见的高维数据,它似乎是必不可少的超越的方法推断个人回归系数,我们发现,检测最小的变量组(MTD:最小的真实检测)是现实的。由于变量组之间的层次结构,强大的多重测试调整是可能的,这导致数据驱动的选择的分辨率水平的组。我们的程序,基于重复的样本分裂,渐近控制的familywise差错率,我们提供的模拟和实际数据,补充理论分析的经验结果。本文的补充材料在参考文献之后。
2014-09-03 math.ST stat.TH
Blinded sample size re-calculation in multiple composite population designs with normal data and baseline adjustments
对亚群分析的兴趣日益增加,导致在个性化医疗和靶向治疗领域开发了各种新的试验设计和分析方法。在本文中,子种群是根据不相交的种群子集的累积来定义的,因此被称为复合种群。考虑到正态分布终点和随机基线协变量,拟定的试验设计适用于任何复合人群集。通过合并在亚组水平上计算的$p$值,使用逆正态组合函数生成复合人群的检验统计量,检验复合人群的处理效应。通过应用封闭检验程序,在很强的意义上控制了同时检验的系列第一类错误率。交叉假设检验的临界值是使用多元正态分布导出的,反映了在原假设下复合总体检验统计量的联合分布。对于样本量的计算和样本量的重新计算,多元正态分布推导出来,它描述了一个假设的备择假设下的复合总体检验统计量的联合分布。模拟证明了在固定设计和重新计算设盲样本量的重新计算设计中,对总体第一类错误率的强控制。重新计算样本量后的目标把握度通常达到或接近达到。
2020-11-30 stat.ME
Robust Flow-based Conformal Inference (FCI) with Statistical Guarantee
Virginia Tech(弗吉尼亚理工大学)
共形预测的目的是利用过去的经验确定新对象预测的精确置信度。然而,通常使用的训练数据和测试数据之间的可交换的假设限制了它在处理污染测试集的使用。在本文中,我们开发了一种新的基于流的共形推理(FCI)方法来构建预测集和推断复杂和高维数据的离群值。我们利用对抗流的思想将输入数据传输到具有已知分布的随机向量。我们的往返变换可以将输入数据映射到低维空间,同时保留输入数据的条件分布,这使得我们能够构建不一致性分数用于不确定性量化。当测试数据被污染时,我们的方法是适用的和鲁棒的。我们评估我们的方法,强大的基于流的共形推理,基准数据集。我们发现,它产生有效的预测集和准确的离群值检测,是更强大的相对于竞争的方法。
2022-10-15 cs.LG stat.ML
Higher-order accuracy of multiscale-double bootstrap for testing regions
我们考虑参数空间中任意形状区域的原假设的假设检验。我们通过计算自举重复中原假设成立的次数来计算近似p值。这种频率被称为自助概率,在进化生物学中被广泛使用,但在文献中经常被报道为有偏见。基于Bootstrap置信区间的渐近理论,已有一些新的尝试通过Bootstrap概率来调整偏倚,而无需直接获取参数值。一种这样的尝试是双自举,其通过自举概率来调整偏差。另一种新的尝试是多尺度自举,它类似于m-out-of-n自举,但非常不寻常地将自举概率外推到$m=-n$。在本文中,我们同时使用这两种尝试,并称之为多尺度双引导的新过程。通过专注于多元正态模型,我们调查高阶渐近四阶精度。区域几何在渐近理论中起着重要的作用。在文献中已知,区域的边界表面的曲率决定自助概率的偏差。我们发现,曲率的曲率决定双自助的剩余偏差。多尺度bootstrap消除了这些偏差。多尺度双自助是四阶精度的覆盖概率误差只有$O(n^{-2})$,它是强大的参数估计用于生成从零分布的自助重复的计算误差。
2014-05-20 math.ST stat.ME stat.TH
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
Feedback-Enhanced Online Multiple Testing with Applications to Conformal Selection
Nankai University(南开大学);Shanghai Jiao Tong University(上海交通大学)
本文提出GAIF框架,通过动态调整阈值实现FDR控制,并扩展至在线符合检验,提高统计功效。
2026-07-21 stat.ME stat.ML
Bounds on Intrinsic Bayes Factors and Least Favorable Intrinsic Priors for General Statistical Hypothesis Testing
University of Puerto Rico(波多黎各大学);Infinite Trading LLC(无限交易有限责任公司)
研究一般统计假设检验中内在贝叶斯因子和最不利内在先验的界,通过得出随样本量自动调整的内在贝叶斯因子下界及引入新思想,在内在贝叶斯因子与相关方法间架桥,解决假设检验中P值和贝叶斯因子的问题。
2026-07-14 math.ST stat.TH
Nonparametric Empirical Bayes Estimation and Testing for Sparse and Heteroscedastic Signals
University of Pennsylvania(宾夕法尼亚大学);Temple University(天普大学);University of Michigan(密歇根大学)
现代大规模数据往往涉及高维未知参数的估计和检验。希望以准确性和错误发现控制来识别稀疏信号,“大海捞针”。然而,现代数据结构中前所未有的复杂性和异构性需要新的机器学习工具来有效地利用共性,并针对稀疏性和异构性进行鲁棒调整。此外,高维参数的估计往往缺乏不确定性量化。在本文中,我们提出了一种新的尖峰和非参数混合先验(SNP)-尖峰,以促进稀疏性和非参数结构捕获信号。与现有的方法相比,本文提出的方法同时解决了估计和检验问题,具有以下优点:1)稀疏性估计准确; 2)具有收缩/软阈值特性的点估计; 3)不确定性量化的可信区间; 4)控制错误发现率的最优多重检验过程。我们的方法在模拟数据和基因表达案例研究上都表现出很好的经验性能。
2021-11-05 cs.LG stat.ME
Significance testing for canonical correlation analysis in high dimensions
我们考虑的问题,大型随机变量集之间的线性关系的存在下,典型相关分析的后选择推理方法的基础上的测试。挑战在于调整具有最大样本相关性的线性组合的变量子集的选择。为此,我们构建了一个稳定的一步估计的欧氏范数的典型相关最大化的变量子集的预先指定的基数。这个估计量是一致的,其目标参数和渐近正态提供的维度的变量不增长太快,样本量。我们还开发了一个贪婪的搜索算法,以准确地计算估计,导致一个计算上易于处理的综合测试的全球原假设,有没有任何子集的变量之间的线性关系具有预先指定的基数。此外,我们开发了一个置信区间的目标参数,考虑到变量的选择。
2020-10-17 stat.ME
The general linear hypothesis testing problem for multivariate functional data with applications
针对多元函数型数据,提出一种广义线性假设检验的新全局检验方法,推导了渐近零分布并采用三阶累积量匹配卡方近似,引入调整系数使其在小样本下表现优异且具根号n一致性。
2025-04-21 stat.AP stat.ME
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
Hypothesis Testing for Equality of Latent Positions in Random Graphs
考虑广义随机点积图的两个顶点$i$和$j$具有相同的潜在位置的假设检验问题,可能达到缩放。该假设检验的特殊情况包括测试随机块模型或度校正的随机块模型图中的两个顶点是否具有相同的块成员向量,或者测试受欢迎度调整的块模型中的两个顶点是否具有相同的社区分配。我们提出了几个检验统计量的基础上的经验马氏距离之间的$i$和$j$行的邻接或规范化的拉普拉斯谱嵌入的图形。我们表明,在温和的条件下,这些检验统计量的限制χ 2分布下的零和本地的备择假设,我们推导出明确的表达式的非中心参数下的本地备择。利用这些极限结果,我们解决了模型选择问题,包括标准随机块模型和它的度校正变量之间的选择,ER模型和随机块模型之间的选择。我们所提出的测试的有效性,通过模拟研究和实际数据的应用。
2022-03-12 stat.ME stat.ML
Analysis of Conditional Randomisation and Permutation schemes with application to conditional independence testing
本文分析了条件随机化与条件置换两种重采样方案的渐近性质,证明其概率估计量渐近正态且经验条件互信息分布一致,并验证了置换p值的有效性,为基于重采样和调整自由度卡方分布的条件独立性检验提供了理论依据。
2023-04-12 math.ST stat.TH