Shared kernel Bayesian screening
这篇文章涉及测试组之间的分配平等。我们专注于筛选具有共同分布特征的变量，如共同支持，偏度模式和模式。我们提出了一种贝叶斯测试方法，使用内核混合物，通过共享内核和组差异的共同概率，通过借用不同变量和组的信息来提高性能。在有限混合中包含共享内核，权重上具有Dirichlet先验，这导致了一个简单的测试框架，可以很好地扩展高维数据。我们提供了封闭的渐近形式的后验概率的等价性在两个组，并证明了一致性下的模型误设定。该方法适用于从乳腺癌研究的DNA甲基化阵列数据，并比较有利的竞争对手时，通过排列估计第一类错误。
2016-02-17 stat.ME
Semi-Quantitative Group Testing for Efficient and Accurate qPCR Screening of Pathogens with a Wide Range of Loads
提出自适应半定量分组检测（SQGT）方案，通过两阶段qPCR检测量化Ct值并动态调整阈值，在保持极低假阴性率的同时将检测次数减少24%。
2023-08-02 cs.IT math.IT q-bio.QM
Cross-screening in observational studies that test many hypotheses
我们讨论的观察性研究，测试许多因果假设，无论是关于许多结果或许多治疗的假设。一项检验许多因果假设的观察性研究要想可信，就必须证明其结论既不是多重检验的伪影，也不是非随机治疗分配的小偏倚。在某种需要仔细定义的意义上，隐藏在非随机分配的敏感性分析中的是对多重检验的巨大修正：在没有偏倚的情况下，单独的多重检验极不可能产生对中度偏倚不敏感的关联。我们提出了一种新的策略，称为“交叉筛选”，不同的，但最近的工作的Bogomolov和海勒的可复制性的动机。交叉筛选将数据随机分成两半，使用前半部分计划在后半部分进行的研究，然后使用后半部分计划在前半部分进行的研究，并报告两项研究中更有利的结论，使用Bonferroni不等式进行校正。如果这两项研究碰巧一致，那么它们就实现了博戈莫洛夫-海勒可复制性;然而，重要的是，可复制性并不是强有力地控制家族错误率所必需的，任何一项研究都足以得出坚定的结论。在假设较少的随机化研究中，与传统的多重性控制方法相比，交叉分裂筛选不是一种有吸引力的方法，但当在观察性研究中对数百或数千个假设进行敏感性分析时，交叉分裂筛选可能会变得有吸引力。我们通过比较食用大量鱼类与很少或没有鱼类的个体中的46种生物标志物来说明该技术。
2017-03-06 stat.AP stat.ME
Incorporation of Sparsity Information in Large-scale Multiple Two-sample $t$ Tests
大规模多个两样本{ \em Student}的$t$检验问题经常出现在科学数据的统计分析中。为了检测在两个均值向量之间具有不同值的分量，公知的过程是应用Benjamini和Hochberg（B-H）方法和双样本{ \em Student}的$t$统计量来控制错误发现率（FDR）。在许多应用中，期望均值向量是稀疏的或渐近稀疏的。在处理此类数据时，{ \em是否可以在控制FDR的同时获得比标准程序（例如使用Student $t$统计量的B-H方法）更高的功效？}答案是肯定的。通过利用平均向量中可能的稀疏信息，我们提出了一种基于不相关筛选的（US）FDR控制方法，该方法比B-H方法更强大。美国检验程序依赖于一种新的筛选统计量构造，该统计量与双样本{ \em Student}的$t$统计量渐近不相关。US测试程序不同于一些现有的{筛选后的\em测试}方法（Reiner等人，二○ ○七年; Yekutieli，2008年），其中筛选和检测之间的独立性对于控制FDR至关重要，而独立性通常需要额外的数据或样本分割。不适当的样本分割可能导致统计功效的损失而不是提高。相反，不相关的筛选US基于原始数据，不需要分割样本。理论结果表明，美国的测试程序控制所需的FDR渐近。数值研究表明，所提出的程序工作得很好。
2014-10-16 stat.ME
A method for comparing non-nested models with application to astrophysical searches for new physics
对未知物理的解释和在相互竞争的天体物理模型之间解释数据的决定都依赖于统计假设检验。寻找新物理现象的常用方法是基于统计似然比检验（LRT）及其渐近性质。在通常情况下，当比较的两个模型都不是另一个模型的特例时，即，当假设为非嵌套时，该检验不适用。在天体物理学中，当要比较两个位于不同参数空间的模型时，就会出现这个问题。一个重要的例子是最近报道的天体物理$γ$射线的过量发射，以及它的起源是已知的天体物理还是暗物质的问题。我们开发和研究一种新的，简单的，普遍适用的，频率论的方法，并验证其统计特性，使用一套模拟研究。我们将它放在费米-LAT $γ$射线卫星的真实模拟数据上，其中非嵌套假设检验出现在粒子暗物质的搜索中。
2016-02-19 astro-ph.HE hep-ex hep-ph
Conditional Testing based on Localized Conformal p-values
本文基于conformal inference框架定义了局部化conformal p值，并将其应用于条件异常点检测、条件标签筛选和两样本条件分布检验等问题，在控制FDR和FWER的同时验证了其优越性能。
2024-09-25 stat.ME stat.ML
Planning for gold: Hypothesis screening with split samples for valid powerful testing in matched observational studies
University of Pennsylvania（宾夕法尼亚大学）；World Bank（世界银行）
本文提出了一种通过分割样本进行假设筛选的方法，以在匹配观察研究中实现有效且有力的检验，以应对未测量混杂因素的影响。
2025-10-15 math.ST stat.AP stat.ME
Predictive Performance Test based on the Exhaustive Nested Cross-Validation for High-dimensional data
King Abdullah University of Science and Technology (KAUST)（阿卜杜拉国王科技大学）；University of California, Irvine（加州大学尔湾分校）
本文提出基于穷尽嵌套交叉验证的预测性能测试方法，用于高维数据中评估模型预测性能的可靠性与有效性。
2025-11-24 stat.ME stat.ML
Structure-aware combinatorial group testing: a new method for pandemic screening
组合成组测试（CGT）用于通过将一组项目分组在一起并对这些组执行少量测试来从一组项目中识别缺陷项目。最近，群体测试已被用于设计有效的COVID-19测试，以便在识别所有感染个体的同时节省资源。由于测试等待时间的原因，重点是非自适应CGT，其中组是先验设计的，所有测试都可以并行完成。组的设计可以使用无覆盖族（Cover-Free Families，CFF）完成。CFF背后的主要假设是少量$d$阳性随机分布在$n$个体群体中。然而，对于传染病，可以合理地假设感染出现在高度接触的人群中（学校同一教室的儿童，社区内的家庭，大学内学习相同课程的学生，体育场内相互坐得很近的人）。这些社区的一般结构可以使用超图来建模，其中顶点是要测试的项目，边表示包含高接触的集群。我们考虑具有非重叠边和重叠边的超图（分别是前两个例子和后两个例子）。我们给我们所谓的结构感知CFF，它使用的结构的基础超图的建设。我们重新审视旧的CFF结构，通过考虑超图结构来提高他们可以识别的缺陷数量。我们还提供了新的构造超图参数的基础上。
2022-02-17 cs.DM math.CO stat.ME
Good, great, or lucky? Screening for firms with sustained superior performance using heavy-tailed priors
本文考察了93个国家的53,038家上市公司在过去45年中的ROA（资产回报率）历史模式。我们的目标是筛选那些ROA轨迹表明他们随着时间的推移系统性地优于同行群体的公司。这样一个项目至少面临三个统计困难：相关协变量的调整，大量的多重性和纵向依赖性。我们的结论是，一旦考虑到这些困难，明显优越的性能似乎是相当罕见的。我们比较我们的研究结果与其他最近的管理研究相同的主题，并与流行的文学对企业的成功。我们的方法的贡献是提出了一个新的类的先验用于大规模的同时测试。这些先验是基于超几何的倒β族，并有两个主要的吸引力的特点：重尾和计算的易处理性。该族是正态/逆β先验的四参数推广，并且是分层正态模型中收缩系数的自然共轭先验。我们的研究结果强调了这些重尾先验在大型多重测试问题中的有用性，因为它们在边缘似然$m(y)$中具有温和的尾衰减率--这是一种长期被认为在测试中很重要的属性。
2012-03-22 stat.AP stat.ME
Selective Inference via Marginal Screening for High Dimensional Classification
选择后推断是一种统计技术，用于在模型或变量选择后确定显着变量。近年来，选择性推理作为一种后选择推理框架，受到了统计学和机器学习界的广泛关注。通过以特定的变量选择过程为条件，选择性推理可以适当地控制所谓的选择性第一类错误，其是以变量选择过程为条件的第一类错误，而不施加过多的额外计算成本。虽然选择性推理可以提供有效的假设检验过程，但迄今为止主要关注的是高斯线性回归模型。在本文中，我们开发了一个选择性推理框架的二元分类问题。考虑了一个基于边缘筛选的变量选择后的逻辑斯谛回归模型，得到了选择后估计量的高维统计性质。这使我们能够渐近控制选择性第一类错误的目的假设检验后，变量选择。我们进行了几个模拟研究，以确认测试的统计功效，并比较我们提出的方法与数据分裂和其他方法。
2019-06-26 stat.ME
An optimal design for hierarchical generalized group testing
对于那些对资源有限的疾病筛查感兴趣的从业者来说，选择一个最佳的分层组测试策略是一个重要的问题。例如，在大规模人群中筛查传染病时，重要的是使用算法，以最大限度地降低潜在昂贵的检测成本。Black等人（2015）将其描述为一个棘手的问题，除非筛选的个体数量很少。他们提出了一个近似的最佳策略，这是很难实现的大人口规模。在这篇文章中，我们开发了一个最优设计的预期总测试数，可以使用一种新的动态规划算法。我们表明，该算法比Black等人提出的方法更有效。（2015）。此外，我们比较了两种设计的不完美的测试。R代码是为实践者提供的。
2020-02-26 stat.ME stat.OT
Bayesian decision theory for tree-based adaptive screening tests with an application to youth delinquency
以早期干预为基础的预防犯罪战略取决于用于识别高危青年的准确风险评估工具。在这种情况下，重要的是，这些工具应便于管理，这尤其意味着它们还应相当简短;适应性筛选试验可用于这一目的。使用分类和回归树构建的自适应测试正在成为传统项目反应理论（IRT）自适应测试方法的流行替代方案。然而，基于树的自适应测试缺乏终止测试的原则性标准。本文开发了一个贝叶斯决策理论框架，用于衡量简洁性和准确性之间的权衡，当考虑基于树的自适应筛选测试的不同长度。我们还提出了一种新的方法来设计基于树的自适应测试，这个框架的动机。该框架和相关的自适应测试方法证明通过应用到青年犯罪风险评估在洪都拉斯，它表明，自适应测试需要一个主题回答不到10个问题，可以确定高风险的青年几乎一样准确的一个完整的调查包含173个项目。
2022-06-28 stat.AP 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
Group design in group testing for COVID-19 : A French case-study
分组测试是一种筛选策略，涉及将人群分为几个不相关的受试者组。在其最简单的实施方式中，在第一阶段中用单个测试来测试每个组，而在第二阶段中，仅阳性组中的受试者（如果有的话）需要再次单独测试。在本文中，我们解决的问题组测试设计，其目的是确定一个分区成组的有限人口的基数约束的大小，每个组的约束和预期的测试总数得到满足，同时最小化的线性组合的预期数量的假阴性和假阳性分类。首先，我们证明了Aprahmian等人引入的性质和模型可以扩展到组测试设计问题，然后将其建模为特定图上的约束最短路径问题。我们设计并实现了一个ad hoc算法来解决这个问题。在基于Santé Publique France Covid-19筛查测试数据的实例上，计算实验的结果非常有希望。
2020-11-13 math.OC stat.ME
Testing One Hypothesis Multiple times
在应用环境中，假设检验（其中滋扰参数仅在备选方案下可识别）通常简化为一个假设多次检验（TOHM）。具体而言，指定不可识别参数的空间的精细离散化，并且针对一组子备择假设来测试原假设，每个子备择假设用于离散化的每个点。然后将得到的子检验统计量组合以获得全局p值。在本文中，我们讨论了一个计算效率高的推理工具，以执行TOHM在严格的意义要求，如那些通常需要在物理科学，（例如，p值$<10^{-7}$）。由此产生的程序导致一个通用的方法来执行推断非标准条件下，包括非嵌套模型的比较。
2019-05-18 stat.ME
Sample-Efficient Multiple Testing with Adaptive Data Collection
University of Pennsylvania（宾夕法尼亚大学）
本文提出基于e值的后验采样程序，在自适应多重检验中控制错误发现率并保证嵌套拒绝集，通过理论界和实验验证其样本高效性。
2026-09-23 stat.ME
Estimating the null distribution for conditional inference and genome-scale screening
在解决多重检验问题的一种新方法中，Efron（2004; 2007）制定了适用于对数千个未受影响的基因、非相关单核苷酸多态性或其他生物学特征的数据建模的零分布下的检验统计量或标称p值的分布估计。零分布的估计不仅可以改进经验贝叶斯方法，而且可以改进许多其他多重比较方法。这样的估计作为建议的多重比较程序的基础上，最近的频率最小化后的预期损失的方法，举例说明了一个非加性的损失函数设计的基因组筛选，而不是验证。估计零分布的优点是检查的有利位置，条件推理的其余部分的文件。在基因组规模多重检验的模拟研究中，将估计的零分布作为近似从属统计量，对观察到的置信水平进行条件化处理，显著改善了条件推断。为了使研究人员能够确定是否依赖于一个特定的估计零分布进行推理或决策，提供了一个信息理论得分，量化了条件反射的好处。作为辅助程度和推理关联程度的总和，得分反映了条件作用在两个冲突项之间的平衡。基因表达微阵列数据的应用程序说明了所介绍的方法。
2009-10-05 math.ST stat.ME stat.TH
Phi-Divergence test statistics for testing the validity of latent class models for binary data
本文的主要目的是提出新的检验统计量族，用于研究某些数据对二进制数据的潜在类模型的拟合优度问题。引入的检验统计量族是基于φ-散度测度的，φ-散度测度是极大似然的自然扩展。我们还处理的问题，测试嵌套序列的二进制数据的潜在类模型。对于这些统计量，我们得到了它们的渐近分布。我们将考虑Felipe et al（2014）中介绍的用于解决估计问题的相合估计量。最后，进行了模拟研究，以比较的效率，在这个意义上的水平和权力，本文考虑的新的统计量的样本量是不够大，适用于渐近结果。
2014-07-08 stat.ME
Tissue-specific predictive performance: A unified estimation and inference framework for multi-category screening tests
针对多癌早期检测测试，提出统一估计与推断框架，提供癌症特异性指标及置信区间，支持临床决策与试验设计。
2025-05-27 stat.ME
Testing linear combinations of multiple variance components
Department of Statistics and Actuarial Science, University of Waterloo（统计学与精算科学系，滑铁卢大学）
本文提出一种基于参数Bootstrap的方法，用于检验高斯方差成分模型中多个方差成分线性组合等于零的假设，改进了牛顿法并提供了高效的优化和采样方法，适用于嵌套和交叉设计。
2026-04-28 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
Correlation Improves Group Testing: Modeling Concentration-Dependent Test Errors
本研究证明在浓度依赖性检测误差下，相关混合比朴素混合在Dorfman分组检测中实现更高灵敏度，但可能降低效率，并提出新度量以支持感染控制。
2025-03-31 physics.soc-ph q-bio.QM stat.AP
On optimal two-stage testing of multiple mediators
在高维环境中的中介分析通常涉及在大量测量变量中识别潜在的中介。为此，最近提出了一种称为ScreenMin的两步家庭错误率程序（Djordjilović et al. 2019）。在ScreenMin中，变量首先被筛选，只有那些通过筛选的变量才被测试。建议的阈值选择已被证明，以保证渐近familywise错误率。在这项工作中，我们研究了选择阈值对有限样本familywise错误率的影响。我们推导出一个功率最大化选择阈值，并表明它可以很好地近似于Wang et al.（2016）的自适应阈值。我们说明了调查程序的病例对照研究检查鱼类摄入量对结直肠腺瘤的风险的影响。
2020-07-06 stat.ME
Optimal two-stage testing of multiple mediators
在高维环境中的中介分析通常涉及在大量测量变量中识别潜在的中介。为此，最近提出了一种称为ScreenMin的两步族错误率（FWER）程序（Djordjilović et al. 2019）。在ScreenMin中，变量首先被筛选，只有那些通过筛选的变量才被测试。建议的阈值选择已被证明，以保证渐近FWER。在这项工作中，我们调查的选择阈值上的有限样本FWER的影响。我们推导出功率最大化选择阈值，并表明它很好地近似于Wang et al.（2016）的自适应阈值。我们在模拟研究中研究了所提出的程序的性能，并将其应用于病例对照研究，研究鱼类摄入量对结直肠腺瘤风险的影响。
2019-11-03 stat.ME
On Testing Marginal versus Conditional Independence
我们考虑在三变量高斯设置中测试边缘独立性与条件独立性。这两个模型是非嵌套的，它们的交集是两个边缘独立性的并集。我们考虑两个序列的这样的模型，一个从每种类型的独立性，这是最接近彼此在Kullback-Leibler意义上，因为他们接近的交集。如果由两个相关参数的乘积测量的信号强度比标准参数速率下降得更快，则它们变得无法区分。在这样的速度下，我们证明了似然比的渐近分布取决于在哪里以及如何当地的替代办法的交叉点。为了处理这种非均匀性，我们研究了一类“包络”分布的渐近累积分布函数的逐点上确界。我们发现，这些包络分布是良好的行为，并导致无速率一致误差保证和接近最佳功率的模型选择程序。为了控制误差，即使当两个模型是不可区分的，而不是坚持一个二分法的选择，所提出的程序将选择一个或两个模型。
2020-01-10 math.ST stat.ME stat.TH
