一种控制错误发现超越率的经验贝叶斯方法
An Empirical Bayes Approach to Controlling the False Discovery Exceedance
AI总结：
针对FDP高度可变时的多重检验问题，提出一种经验贝叶斯FDX控制方法，通过计算捷径模拟最优lfdr先知规则，并在模拟、真实数据及异常股票交易策略识别中验证其性能。
摘要：
在大规模多重假设检验问题中，当错误发现比例（FDP）高度可变时，错误发现超越率（FDX）为广泛使用的错误发现率（FDR）提供了一种理想的替代方案。我们开发了一种经验贝叶斯方法来控制FDX。我们证明，对于来自两组模型的独立假设，以及来自满足可交换性条件的高斯模型的相关假设，基于对局部错误发现率（lfdr）进行排序和阈值化的先知决策规则是最优的，即在满足FDX约束的条件下使功效最大化。我们提出了一种数据驱动的FDX程序，该程序使用精心设计的计算捷径来模拟先知规则。我们利用模拟数据和真实数据研究了所提方法的实证性能，并通过识别异常股票交易策略的应用研究了FDX控制的优点。
英文摘要：
In large-scale multiple hypothesis testing problems, the false discovery exceedance (FDX) provides a desirable alternative to the widely used false discovery rate (FDR) when the false discovery proportion (FDP) is highly variable. We develop an empirical Bayes approach to control the FDX. We show that, for independent hypotheses from a two-group model and dependent hypotheses from a Gaussian model fulfilling the exchangeability condition, an oracle decision rule based on ranking and thresholding the local false discovery rate (lfdr) is optimal in the sense that the power is maximized subject to the FDX constraint. We propose a data-driven FDX procedure that uses carefully designed computational shortcuts to emulate the oracle rule. We investigate the empirical performance of the proposed method using both simulated and real data and study the merits of FDX control through an application for identifying abnormal stock trading strategies.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
