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
Asymptotic Theory of Dependent Bayesian Multiple Testing Procedures Under Possible Model Misspecification
研究了贝叶斯多重检验的渐近性质，给出了一般相依结构下强相合性的充分条件。我们还考虑了一种新的贝叶斯多重检验程序和相关的误差措施，连贯地占模型中存在的依赖结构。我们提倡后验版本的FDR和FNR作为适当的差错率，并表明其渐近收敛率直接与Kullback-Leibler发散从真实的模型。我们的研究结果，即使假设模型的类是错误的。我们说明了我们的结果在一个自回归响应变量的变量选择问题，并比较新的贝叶斯过程与一些现有的方法，通过广泛的模拟研究中的变量选择问题。优越的性能相比，其他的新程序证明，适当利用多种测试方法的依赖结构确实是重要的。此外，我们获得了令人鼓舞的结果，在一个真正的玉米数据的背景下，我们选择有影响力的标记变量。
2020-05-14 math.ST stat.TH
Testing Heteroskedasticity in High-Dimensional Linear Regression
提出了一种新的高维线性回归异方差检验方法，其中协变量个数可以大于样本量。我们的测试程序是基于Lasso的残差。我们证明了我们的检验统计量具有渐近正态性下的原假设的同性。仿真结果表明，该方法可以获得准确的经验大小和功率。我们还介绍了实际经济数据应用的结果。
2022-10-31 math.ST stat.TH
A five-decision testing procedure to infer on unidimensional parameter
统计检验可以被看作是根据观察到的数据产生决策的过程，其中一些决策包括拒绝假设（产生显著性结果），而另一些则不包括，并且其中一个控制在某些预先指定的显着性水平进行错误拒绝的概率。传统的假设检验只涉及两种可能的决策（拒绝或不拒绝原假设），而Kaiser的定向双侧检验以及最近引入的Jones和Tukey的检验程序涉及三种可能的决策来推断一维参数。后一种程序假设点原假设是不可能的（例如，两种治疗方法不可能具有完全相同的效果），从而获得统计功效。然而，在某些情况下，一个点假设确实是合理的，例如当考虑从爱因斯坦的理论得出的假设时。在这篇文章中，我们介绍了一个五决策规则测试程序，它结合了Kaiser（没有假设点假设是不可能的）和Jones和Tukey（更高的权力）的测试程序的优点，允许一个不可忽略的（通常为20%）减少的样本量需要达到一个给定的统计权力，以获得一个显着的结果，相比传统的方法。
2017-10-18 math.ST stat.TH
On Asymptotic Behaviors of Stepwise Multiple Testing Procedures
逐步多重检验程序几十年来吸引了许多统计学家，由于其技术简单，也很受统计用户的欢迎。Bonferroni程序是最早和最突出的控制族差错率（FWER）的测试规则之一。最近的一篇文章建立了Bonferroni方法的FWER渐近（即，当假设的数量变得任意大时）在任何正等相关的多元正态框架下接近于零。然而，类似的结果FWER的一般逐步程序的极限行为是不存在的。目前的工作解决了这个差距，在一个统一的方式，通过研究相关的正常设置的几个逐步测试规则的FWER的限制行为。具体来说，我们表明，限制FWER接近零的任何降压规则（例如，Holm方法），前提是相关性的下确界是严格正的。我们还建立了类似的限制零结果对FWER的其他流行的多重测试规则，例如，Hochberg和Hommel手术。然后，我们将这些结果扩展到真和假零假设的任何配置。结果表明，在我们选择的渐近框架内，Benjamini-Hochberg方法可以在等相关正态性下渐近地将FWER保持在严格正的水平。最后，我们讨论各种程序的限制权力。
2023-02-18 math.ST stat.TH
Goodness-of-fit testing from observations with multiplicative measurement error
Ruprecht-Karls-Universität Heidelberg（海德堡大学）
本文提出了一种基于 Mellin 变换二次泛函的非参数拟合检验方法，用于处理乘法测量误差下的密度检验问题，并通过模拟研究验证了其有效性。
2025-12-01 math.ST stat.TH
Sharp Asymptotic Minimaxity of the Gavrilov-Benjamini-Sarkar Step-Down Testing Procedure in Sparse Gaussian Sequence Models
Department of Statistics, Texas A&M University（德克萨斯农工大学统计学系）
研究稀疏高斯序列模型中GBS逐步多重检验程序的尖锐渐近极小极大性，通过移位顺序统计不等式等方法，证明其在特定损失下是渐近极小极大的，还建立了相关风险上界，扩展了渐近极小极大性理论。
2026-10-27 math.ST stat.TH
Multiple testing with optimal individual tests in Gaussian graphical model selection
考虑高斯图模型选择问题。浓度图的识别是基于个体检验的多决策过程。构造了最优无偏个体检验。最优检验等价于样本偏相关检验。并将联合多重决策过程与标准过程进行了比较。
2016-04-23 math.ST stat.TH
Asymptotic optimality of the Westfall--Young permutation procedure for multiple testing under dependence
检验统计量在大规模的多重检验应用中往往具有很强的相关性。大多数多重性校正对于相关检验统计量过于保守，导致检测真阳性的把握度降低。我们表明，Westfall-Young置换方法具有渐近最优的功率为广泛的一类测试问题的块依赖性和稀疏结构之间的测试，当测试的数量趋于无穷大。
2012-03-19 math.ST stat.TH
Empirical Bayes large-scale multiple testing for high-dimensional binary outcome data
针对稀疏高维二分类结果数据的多重检验问题，提出基于尖峰-板条后验的经验贝叶斯新流程，解决了默认共轭先验ℓ值流程FDR估计过于保守的问题，给出严格理论保证与实验验证，首次得到该场景下的一致FDR控制结果。
2025-06-13 math.ST stat.TH
Multiple testing procedures under confounding
虽然多重检验程序一直是许多统计研究的焦点，但问题的一个重要方面是如何处理可能的混杂。遗传学和统计学的作者已经开发了程序。在本章中，我们将介绍这些建议。我们提出了两个新的多重检验方法在这个框架内。第一种方法将敏感性分析方法与错误发现率估计方法相结合。第二个涉及利用混合模型进行多重检验的收缩估计的建设。说明与应用程序的基因表达谱实验在前列腺癌的程序。
2008-05-15 math.ST stat.ME stat.TH
High-dimensional Asymptotic Theory of Bayesian Multiple Testing Procedures Under General Dependent Setup and Possible Misspecification
本文研究了一般相依情形下，当样本量和假设个数均趋于无穷大时，贝叶斯多重检验的渐近性质。具体来说，我们调查的程序和渐近性质的不同版本的虚假发现和虚假的非发现率的高维设置下的强一致性。我们特别关注一种新的贝叶斯非边际多重检验程序及其相关的差错率在这方面。我们的研究结果表明，差错率的渐近收敛率与真实模型的Kullback-Leibler发散直接相关，并且即使假设的模型类是错误的，结果仍然成立。为了说明我们的高维渐近理论，我们考虑贝叶斯变量选择问题的时变协变量选择框架，自回归响应变量。我们特别关注假设数量以比样本量更快的速度增加的设置，这就是所谓的超高维情况。
2020-04-30 math.ST stat.TH
A factor-adjusted multiple testing of general alternatives
因子调整多重检验用于处理强相关检验。由于大多数以前的作品控制稀疏的替代品下的错误发现率，我们开发了一个两步的方法，即AdaFAT，对于任何真实的错误比例。在本文中，所提出的程序进行调整的潜在因素负荷。在解释变量存在的条件下，给出了因子载荷估计的一致收敛性。我们还表明，AdaFAT的力量与控制错误发现率一起达到1。通过对中国A股市场的模拟，检验了所提出的方法的性能。
2020-11-02 math.ST stat.TH
Adaptive minimax testing for circular convolution
在非渐近框架下，考虑了受可加性测量误差污染的圆形随机变量的观测值的极大极小最优拟合优度检验问题。我们提出了直接和间接的测试程序，使用投影方法。最优检验的结构取决于模型的正则性和不适定性参数，这些参数在实际中是未知的。因此，自适应测试策略，同时进行了广泛的规律性和不适定性类的最佳。考虑到多个测试程序，我们得到自适应，即无干扰的程序，并分析其性能。与非自适应检验相比，它们的检验半径面临对数因子的恶化。我们表明，测试的均匀性，这种损失是不可避免的，通过提供一个下界。考虑索伯列夫空间和普通或超光滑误差密度的结果示出。
2020-07-13 math.ST stat.TH
False discovery and false nondiscovery rates in single-step multiple testing procedures
错误发现率（FDR）和错误的非发现率（FNR）的结果开发的单步多测试程序。除了验证理想的属性FDR和FNR的差错率的措施，这些结果扩展了以前已知的结果，提供进一步的见解，特别是在依赖，到FDR和FNR和相关措施的概念。首先，考虑真和假零假设的固定配置，得到不等式来解释如何FDR或FNR控制单步程序，如Bonferroni或uSidák程序，可以潜在地改进。两个家庭的程序，然后构建，一个修改的FDR控制和其他修改的FNR控制uSidák程序。这些被证明控制FDR或FNR下的独立性不太保守，比相应的家庭修改FDR或FNR控制Bonferroni程序。数值研究结果的性能的修改uSidák FDR程序超过其竞争对手。其次，考虑到混合模型，不同的配置的真和假的零假设被假定为具有一定的概率，结果也来自延伸的一些层的工作的依赖情况。
2006-05-23 math.ST stat.TH
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
Admissibility of Adaptive Monotone Step-Down Multiple Testing Procedures Under Arbitrary Covariance Dependence
Texas A&M University（德克萨斯农工大学）；Indian Statistical Institute（印度统计研究所）
针对任意协方差依赖下多元正态均值的同步检验问题，建立了一类基于残差的自适应单调逐步下降多重检验程序的可容许性定理，证明其关于向量值损失函数是可容许的。
2026-05-28 math.ST stat.TH
Sharp multiple testing boundary for sparse sequences
本研究在稀疏序列模型中确定了多重检验的尖锐极小极大风险边界，并提供了达到该边界的自适应程序（如调整水平的Benjamini--Hochberg和经验贝叶斯局部FDR），发现FNR在边界处占主导，并扩展至分类损失和大信号情形。
2023-08-30 math.ST stat.TH
Adaptive FDR control under independence and dependence
在多假设检验的背景下，真实零假设在待检验的假设池中的比例$π_0$通常起着至关重要的作用，尽管它通常是先验未知的。为了提高效率而使用该量的隐式或显式估计的测试过程称为自适应。在本文中，我们专注于错误发现率（FDR）的控制问题，我们提出了新的自适应多测试程序与FDR的控制。首先，在假设独立的$p$值的情况下，我们提出了两个新的程序，并给出了一个统一的审查其他现有的自适应程序，已证明控制FDR。我们报告了大量的模拟结果比较这些程序和测试其鲁棒性时，违反独立性假设。拟议的新程序似乎与现有程序具有竞争力。不过，据报道，总体上最好的是Storey的估计量，但参数设置似乎以前没有考虑过。其次，我们提出了自适应版本的升压程序，证明控制FDR下的正依赖和未指定的依赖的$p$值，分别。虽然模拟只显示了在有限的情况下，非自适应程序的改进，这些是我们的知识，在第一个理论上成立的自适应多个测试程序，控制FDR时，$p$值是不独立的。
2009-02-17 math.ST stat.TH
Fisher, Neyman-Pearson or NHST? A Tutorial for Teaching Data Testing
尽管经常有人呼吁对原假设显著性检验（NHST）进行彻底改革，但这一有争议的程序在行为、社会和生物医学教学和研究中仍然无处不在。一旦程序在研究人员的思想和当前实践中根深蒂固，几乎不可能改变;因此，这种改变的最佳机会是在教授程序的时候，无论是在本科还是研究生阶段。本文介绍了一个教程的教学数据检验程序，通常被称为假设检验理论。第一个程序介绍的是方法，以数据检验其次是费雪（检验的显着性）;第二个是方法其次是内曼和皮尔逊（检验的验收）;最后的程序是不一致的组合前两个理论到目前的方法（NSHT）。对于那些坚持后者的研究人员，关于如何改进NHST的两个折衷解决方案结束了本教程。
2016-03-24 math.ST stat.OT stat.TH
A new multiple testing method in the dependent case
最流行的多重检验程序是基于$P$的逐步程序--单个检验统计量的值。其中包括Benjamini-Hochberg [J. Roy.中央集权主义者Soc.Ser.B57（1995）289- 300]及其后代。即使对于需要相关数据的模型，也使用基于边缘分布的$P$值。与这些方法不同，新方法在所有阶段都考虑了依赖性。此外，$P$ -值过程往往缺乏一个直观的凸性，这是必要的容许性。此外，新方法在计算上是可行的。如果测试的数量很大，而真正的替代方案的比例小于小于，比如说25%，那么模拟就表明人们明显倾向于新的方法。应用程序详细的模型，如测试治疗对照（或任何组内相关模型），测试变化点和测试时，相关性是连续的手段。
2009-06-17 math.ST stat.TH
Asymptotic Bayes Optimality Under Sparsity of the Gavrilov-Benjamini-Sarkar Step-Down Testing Procedure
Texas A&M University（德克萨斯农工大学）；Indian Statistical Institute（印度统计研究所）
研究加夫里洛夫 - 本雅明尼 - 萨卡尔（GBS）逐步多重检验程序在稀疏高斯序列模型中的渐近贝叶斯最优性，通过直接分析贝叶斯风险，结合新不等式和信号交叉论证得出其最优性。
2026-10-27 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
Multiple testing via $FDR_L$ for large-scale imaging data
多重检测过程在检测大规模成像数据的空间信号的存在方面起着重要作用。通常，空间信号是稀疏的，但是是群集的。本文提供的经验证据表明，对于一系列常用的控制水平，传统的$\operatorname {FDR}$程序可能缺乏检测统计显著性的能力，即使真正的零假设下的$p$ -值是独立和均匀分布的;更一般地说，忽略空间结构化数据的相邻信息往往会降低$\operatorname {FDR}$程序的检测效果。本文首先引入一个标量来表征$\operatorname {FDR}$过程中“缺乏识别现象”（$\operatorname {LIP}$）发生的程度。其次，我们提出了一个新的多重比较过程，称为$\operatorname {FDR}_L$，以适应相邻的$p$-值的空间信息，通过本地聚合的$p$ -值。研究了$\operatorname {FDR}_L$程序在弱$p$值依赖下的理论性质.结果表明，$\operatorname {FDR}_L$程序简化了$\operatorname {FDR}$程序的$\operatorname {LIP}$，从而大大促进了更严格的控制水平的选择。模拟评估表明，$\operatorname {FDR}_L$程序提高了$\operatorname {FDR}$程序的检测灵敏度，而检测特异性几乎没有损失。通过一个真实的脑功能磁共振成像数据集的计算简单性和检测有效性的$\…
2011-03-10 math.ST stat.TH
On Stepwise Control of the Generalized Familywise Error Rate
处理多重检验问题的经典方法是将注意力限制在控制族差错率（FWER）的程序上，即至少有一个错误拒绝的概率。在许多应用中，人们可能愿意容忍一个以上的错误拒绝，只要这种情况的数量得到控制，从而增加了该过程检测错误零假设的能力。这建议通过控制$k$或更多错误拒绝的概率来取代对FWER的控制，这被称为$k$ -FWER。本文提出了一种推导$k$ -FWER控制程序的统一方法。我们首先概括了众所周知的封闭原则的上下文中的FWER的情况下，控制的$k$ -FWER。然后，我们讨论了如何推导出$k$ -FWER控制逐步（stepdown或stepup）程序的基础上，边际$p$ -值使用这一原则。证明了在一定条件下，广义闭检验过程可归结为逐步检验过程，且任何逐步检验过程都等价于广义闭检验过程。最后，我们将著名的Hommel检验过程在两个方向上进行了推广，并证明了任何推广的Hommel检验过程都等价于一个具有相同临界值的推广的封闭检验过程.
2008-10-28 math.ST stat.TH
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
Asymptotic Bayes-optimality under sparsity of some multiple testing procedures
在贝叶斯决策理论的框架内，我们研究了一个大类的多个测试规则的渐近最优性性质。一个参数设置被认为是，其中的观察来自一个正常的规模混合模型和总损失被假定为单个测试的损失之和。我们的模型可用于测试点零假设，以及区分大信号从众多非常小的影响。如果在我们选择的渐近框架内，规则的贝叶斯风险和贝叶斯预言（最小化贝叶斯风险的规则）的比率收敛于1，则规则被定义为稀疏下渐近贝叶斯最优（ABOS）。我们的主要兴趣是在渐近计划中的比例p的“真”的替代品收敛到零。我们充分刻画类固定阈值多重测试规则，这是ABOS，从而推导出控制贝叶斯错误发现率（BFDR）的规则的渐近最优性的条件。最后，我们提供的条件下，流行的Benjamini-Hochberg（BH）和Bonferroni程序是ABOS，并表明，对于广泛的一类稀疏水平，前者的阈值可以近似为一个非随机阈值。
2012-11-21 math.ST stat.TH
A comprehensive error rate for multiple testing
对一系列检验的更高批评始于每个检验的单个未校正p值。然后，它需要一个程序来决定p值的集合是否表明存在真正的效应，如果可能的话，选择那些值得更仔细审查的。本文研究的程序中，有序的p值相比，一个任意的积极和非递减的阈值序列。
2016-02-23 math.ST stat.TH
Predictive Data Calibration for Linear Correlation Significance Testing
Forschungszentrum Jülich（于利希研究中心）；Heinrich Heine University（海因里希·海涅大学）
推断线性关系是许多实证研究的核心。线性相关性的度量应该正确地评估关系的强度，并限定它是否对总体有意义。Pearson相关系数（PCC），二元关系的\textit{de-facto}测量，在这两个方面都缺乏。由于样本量有限和数据的非正态性，估计的强度$r$可能错误。在统计显著性检验的背景下，将$p$值错误解释为后验概率会导致第一类错误--这是延伸到PCC的显著性检验的一个普遍问题。当同时测试多个假设时，这种错误会加剧。为了解决这些问题，我们提出了一种基于机器学习的预测数据校准方法，该方法本质上是将数据样本置于预期的线性关系上。使用校准的数据计算PCC产生校准的$p$值，其可以与校准的$r$估计一起被解释为后验概率，这是其他方法无法提供的期望结果。此外，随后对每个测试的独立解释可能消除对多重检验校正的需要。我们提供的经验证据有利于所提出的方法，使用几个模拟和应用到现实世界的数据。
2022-08-15 cs.LG stat.ME stat.ML
Only Closed Testing Procedures are Admissible for Controlling False Discovery Proportions
我们认为所有的多个测试方法控制的错误发现比例的尾部概率的类，无论是一个随机集或同时为许多这样的集。这类方法包括控制全家族差错率、广义全家族差错率、错误发现排除、联合差错率、同时控制所有错误发现比例等方法，以及看似无关的方法，如基因组学中的基因集测试和神经成像中的聚类推断方法。我们表明，所有这样的方法是等价于一个封闭的测试方法，或统一改进。此外，我们证明了一个封闭的测试方法是容许的方法控制尾部概率的错误发现的比例，当且仅当其所有的本地测试是容许的。这意味着，当设计这样的方法时，仅将注意力限制在封闭测试方法上就足够了。我们证明了这种设计原则的实际用途，通过构建一个统一的改进，最近提出的方法。
2022-04-29 math.ST stat.ME stat.TH
Bayesian Multiple Testing Under Sparsity for Polynomial-Tailed Distributions
本文研究了稀疏条件下多项式尾分布满足单调似然比性质的贝叶斯多重检验问题。这类分布包括学生t分布、帕累托分布和许多其他分布。我们证明了固定和随机阈值下的一些一般的渐近最优性结果。作为这些一般性结果的例子，我们建立了贝叶斯渐近最优的几个多个测试程序在文献中适当选择的错误发现率水平。我们还通过模拟表明，Benjamini-Hochberg过程的错误发现率水平与渐近最优的不同，可以导致高贝叶斯风险。
2016-07-28 math.ST stat.TH
A novel finite-sample testing procedure for composite null hypotheses via pointwise rejection
University of Kansas（堪萨斯大学）
本文提出了一种针对复合零假设的新型有限样本检验方法，通过点拒绝和膨胀显著性水平实现更准确的推断。
2026-10-09 math.ST stat.ME stat.TH
BONuS: Multiple multivariate testing with a data-adaptive test statistic
Peking University（北京大学）；UC Berkeley（加州大学伯克利分校）；Stanford University（斯坦福大学）；UT Austin（德克萨斯大学奥斯汀分校）
本研究提出BONuS自适应经验贝叶斯多重检验方法，可控制FDR并提升功效，经多场景验证有效。
2026-11-11 math.ST stat.ME stat.TH
STRAW: Structure-Adaptive Weighting Procedure for Large-Scale Spatial Multiple Testing
针对信号空间分布不均的大规模多重检验问题，提出完全数据驱动的STRAW加权程序，利用核平滑Lfdr估计局部稀疏水平并实现FDR控制。
2023-09-27 math.ST stat.ME stat.TH
Asymptotically Optimal Sequential Multiple Testing Procedures for Correlated Normal
本研究针对现有多重检验未覆盖相关数据流序贯框架的空白，在等相关高斯序贯均值检验场景下提出序贯检验程序，证明其在错误概率趋近于0时渐近达到最优期望样本量，且调整临界值后对多种多重检验错误度量均具渐近最优性。
2025-03-20 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
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
Two-Stage Testing in a high dimensional setting
针对高维回归下二阶交互作用逐一检验计算不可行、多重检验校正代价高的问题，提出含筛选与评估阶段的两阶段检验法，利用两阶段统计量渐近独立性提升功效、降低计算量，模拟验证其能控制一类错误且功效更优。
2024-06-25 math.ST stat.ME stat.TH
A General Framework for Multiple Testing via E-value Aggregation and Data-Dependent Weighting
该研究受相关等价性发现启发，提出基于E值聚合与数据依赖加权的多重检验通用框架，针对三类场景设计方法，理论证明其有限样本错误发现率控制能力，数值研究验证其有效性与优势。
2025-08-21 math.ST stat.ME stat.TH
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
Statistical inference and Bayesian optimal life-testing plans under Type-II unified hybrid censoring scheme
本文描述了定数II统一混合截尾下的贝叶斯最优寿命试验问题和推导过程。首先，给出了寿命模型中未知参数的期望失效次数、期望测试持续时间和Fisher信息矩阵的显式表达式。然后，使用这些量，贝叶斯最优寿命试验计划计算在随后的部分。建立了费用约束D-最优最优化问题，并给出了相应的求解算法，得到了最优方案。通过数值例子说明了计算过程。
2020-04-11 math.ST stat.CO stat.TH
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
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
Testing for spherical and elliptical symmetry
基于有限均值随机向量$X$具有球形分布的充要条件是对任意两个正交向量$u$和$v$，$\Ex[u^\top X | v^\top X] = 0$成立的刻画，我们构造了新的球形和椭圆形对称性检验方法.我们的测试基于Kolmogorov-Smirnov统计量，并通过球对称自举找到其拒绝区域。我们使用一般的Donsker定理，这是一些独立的利益球对称的自举检验的一致性。对于椭圆对称性检验的情况，Kolmogorov-Smirnov统计量由于估计的位置和尺度参数而具有渐近漂移项。因此，在引导过程中需要额外的标准化。在模拟研究中，我们的测试的大小和功率特性进行了评估，几个分布和性能进行比较，几个竞争的程序。
2020-04-27 math.ST stat.ME stat.TH
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
B-Value and Empirical Equivalence Bound: A New Procedure of Hypothesis Testing
在这项研究中，我们提出了一个两阶段的程序假设检验，其中第一阶段是传统的假设检验，第二阶段是一个等价性检验过程中引入的经验等价界。2016年，美国统计协会发布了一份关于P值的政策声明，以澄清正确的使用和解释，以回应对科学发现中可重复性和可复制性的批评。在统计假设检验中提高再现性和透明度的最新解决方案是将具有实际或科学意义的P值（或置信区间）整合。类似的想法已经通过等价性检验提出，其目标是在参数不平等的假设（空）下推断相等。然而，在这些测试程序中，科学显著性/等效性的定义可能是主观的。为了克服这个缺点，我们引入了一个B值和经验等价界，这两个都是从数据中估计的。执行第二阶段等效性检验，我们的程序提供了一个机会，以纠正假阳性发现，并提高跨研究结果的重现性。
2019-12-30 stat.ME
Validation of credit default probabilities via multiple testing procedures
我们应用多重检验程序来验证信用评级系统中估计的违约概率。我们的目标是确定评级类别的违约概率估计不准确，同时仍然保持一个预定义的水平，犯第一类错误的家庭的错误率（FWER）和错误发现率（FDR）的测量。对于FWER，我们还考虑采取可能的离散数据的程序。考虑检验统计量。这些方法的性能示出在模拟设置和经验的默认数据。
2010-06-25 q-fin.ST stat.AP
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
Sequential Analysis in High Dimensional Multiple Testing and Sparse Recovery
本文从序贯分析的角度研究了高维多重检验和稀疏恢复问题。在这种情况下，错误的概率是问题维度的函数。提出了一种简单的序贯测试方法。我们推导出在非序贯设置的可靠恢复的必要条件，并将它们与可靠恢复的充分条件使用建议的序贯测试程序。几个常见的模型的主要结果的应用程序表明，序贯测试可以指数更敏感的零和替代分布之间的差异（在尺寸的依赖），这意味着微妙的情况下，可以更可靠地确定使用序贯方法。
2011-06-03 cs.IT math.IT math.ST
CSPI-MT: Calibrated Safe Policy Improvement with Multiple Testing for Threshold Policies
Cornell University（康奈尔大学）；Meta
针对高风险阈值策略的安全改进问题，提出CSPI和CSPI-MT启发式方法，利用渐近最强安全测试与多重候选检验，在控制误差水平下显著提升安全策略检测率与改进幅度。
2024-08-21 cs.LG stat.ME stat.ML
Statistical inferences for complex dependence of multimodal imaging data
多模态成像数据的统计分析是一项具有挑战性的任务，因为数据涉及高维、强空间相关性和复杂的数据结构。在本文中，我们提出了严格的统计检验程序，使推论的复杂依赖的多模态成像数据。受人类连接组计划（HCP）研究中的多任务fMRI数据分析的启发，我们特别解决了三个假设检验问题：（a）检验成像模式对大脑区域的独立性，（b）检验成像模式内大脑区域之间的独立性，（c）检验不同模式下大脑区域之间的独立性。考虑到所有三种测试的一般形式，我们开发了一个全球性的测试过程和控制错误发现率的多重检验过程。我们研究了所提出的测试的理论特性，并开发了一个计算效率高的分布式算法。所提出的方法和理论对于检验具有任意相依结构的高维随机向量分量间独立性结构的许多统计问题具有普遍性和相关性。我们还说明了我们提出的方法，通过广泛的模拟和分析五个任务的功能磁共振成像对比度图在HCP的研究。
2023-03-07 math.ST stat.AP stat.ME
Robust Discrimination between Long-Range Dependence and a Change in Mean
在本文中，我们介绍了一个强大的离群值Wilcoxon变点检验程序，用于区分短期相关的时间序列与变化的平均值在未知的时间和平稳的长期相关的时间序列。本文建立了$L_1$近时相依过程在原假设下检验统计量的渐近分布，并证明了其在备择假设下的相合性。Wilcoxon型检验程序类似于Berkes、Horváth、Kokoszka和Shao（2006）的随机变量型检验程序，需要估计可能的变点位置，然后使用前和后中断子样本来区分短期和长期相关性。一项模拟研究探讨了标准情况下的Wilcoxon型检验程序的经验大小和功率，并与异常值的干扰。它表明，在标准的情况下，Wilcoxon型测试程序的行为同样好的CRAMUM型测试程序，但优于它存在离群值。我们还将这两种检验方法应用于水文数据。
2020-07-04 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
The Bottom-Up Approach for Powerful Testing with FWER Control
Tel Aviv University（特拉维夫大学）
针对多重检验中FWER控制与功效及计算效率的平衡问题，提出自下而上方法构建一致闭合检验程序，在层次结构各层设计检验时考虑整体功效目标，所生成程序计算实用且在模拟和真实数据中功效显著提升。
2025-11-17 stat.ME
