An empirical Bayes mixture method for effect size and false discovery rate estimation
许多统计问题涉及到来自成千上万个平行案例的数据。每种情况都有一些相关的效应量，大多数情况下不会有任何影响。估计每个病例的效应量和局部或尾部区域的错误发现率通常很重要。目前大多数方法都是单独进行的，并且大多数都是针对正常数据设计的。本文使用经验贝叶斯混合模型的方法来估计这两个数量一起指数的家庭数据。所提出的方法产生简单，可解释的模型，仍然可以使用非参数。它还可以估计经验零值并将其完全纳入模型。该方法在正常数据模拟中优于现有的效应量和错误发现率估计方法，几乎达到了估计效应量的贝叶斯误差。该方法是在一个R包（mixfdr）中实现的，可以从CRAN免费获得。
2010-10-07 stat.AP
EGMM: an Evidential Version of the Gaussian Mixture Model for Clustering
Northwestern Polytechnical University（西北工业大学）；Université de Technologie de Compiègne（贡比涅技术大学）；Institut Universitaire de France（法国大学研究院）
高斯混合模型（GMM）为聚类提供了一个简单而有原则的框架，具有适合统计推断的属性。在本文中，我们提出了一种新的基于模型的聚类算法，称为EGMM（证据GMM），在理论框架的信念函数，以更好地表征集群成员的不确定性。用一个质量函数来表示每个对象的聚类隶属度，提出了由所需聚类幂集上的分量组成的证据高斯混合分布来建模整个数据集。EGMM中的参数估计由一个专门设计的期望最大化（EM）算法。还提供了允许自动确定簇的适当数目的有效性指数。建议EGMM是简单的经典GMM，但可以产生一个更丰富的证据分区所考虑的数据集。合成数据集和真实数据集的实验结果表明，该EGMM算法的性能优于其他代表性的聚类算法。最后，将其应用于多模态脑图像分割，证明了该方法的优越性。
2022-09-07 cs.LG stat.ML
Flexible Regularized Estimation in High-Dimensional Mixed Membership Models
提出一种高维连续数据混合成员模型的概率框架，通过多元特征近似和收缩先验实现可扩展性，建立条件弱后验一致性，并在自闭症和乳腺癌数据上验证其优势。
2023-10-21 stat.ME
Describing disability through individual-level mixture models for multivariate binary data
在美国，功能性残疾的数据引起了广泛的政策兴趣，特别是在为日益增长的老年人制定医疗保险和社会保障计划方面。我们认为，提取的功能性残疾数据从国家长期护理调查（NLTCS），并试图开发残疾概况使用的会员等级（GoM）模型的变化。我们首先将GoM描述为一个个体级混合模型，该模型允许个体同时在几个混合组分中具有部分成员资格。然后，我们证明了个体水平和人口水平的混合模型之间的等价性，并利用这一性质发展的马尔可夫链蒙特卡罗算法的贝叶斯估计的模型。我们使用我们的方法来分析NLTCS的功能障碍数据。
2007-12-13 stat.AP
A grouped, selectively weighted false discovery rate procedure
结构化假设检验中的错误发现率控制是同时推理中的一个重要课题。大多数现有的方法，旨在利用组结构之间的假设，要么采用groupwise混合模型或加权所有p值或假设。因此，当分组混合模型不合适或大多数组仅包含真零假设时，可以提高它们的功效。出于这一动机，我们提出了一个分组的，选择性加权的FDR程序，我们称之为“sGBH”。具体而言，在不采用分组混合模型的情况下，sGBH识别感兴趣的假设组，仅对每个这样的组中的p值进行加权，并且仅使用加权的p值来测试所选择的假设。sGBH包含标准分组加权FDR程序，我们将其称为“GBH”。我们提供了简单的条件，以确保sGBH的保守性，连同经验证据，其大大提高了GBH的权力。新的程序应用于基因表达研究。
2019-08-14 stat.ME
Detecting False Rumors from Retweet Dynamics on Social Media
众所周知，虚假的谣言对社会有不利影响。为了防止虚假谣言的传播，Twitter等社交媒体平台必须及早发现它们。在这项工作中，我们开发了一种新的概率混合模型，根据潜在的传播过程对真假谣言进行分类。具体来说，我们的模型是第一个正式的自我兴奋的性质的真实与虚假的转发过程。这导致了一种新的混合标记的霍克斯模型（MMHM）。因此，我们的模型避免了特征工程的需要;相反，它直接对传播过程进行建模，以便推断网络谣言是否不正确。我们的评估是基于13,650个转发级联的两个真的。来自Twitter的虚假谣言我们的模型识别虚假谣言的平衡准确率为64.97%，AUC为69.46%。它比最先进的基线（神经和特征工程）有相当大的优势，但同时也是完全可解释的。我们的工作对从业者有直接的影响：它利用传播过程作为一个隐含的质量信号，并在此基础上检测虚假内容。
2022-04-03 cs.SI stat.AP
Differential gene expression analysis via two-component mixture models with a semiparametric skew-normal scale mixture alternative
Pukyong National University（釜庆国立大学）；University of Queensland（昆士兰大学）
本文提出一种半参数混合模型，用于微基因表达分析，通过偏正态尺度混合替代处理偏态和厚尾问题，提高分析精度。
2026-03-17 stat.ME
Learning false discovery rates by fitting sigmoidal threshold functions
错误发现率（FDR）通常从空分布和替代分布的混合来估计。在这里，我们研究了Rice和Spiegelhalter（2008）提出的一种补充方法，该方法使用零模型和局部错误发现率的参数族作为主要量。具体来说，我们考虑半正常衰减和β均匀混合模型作为FDR阈值函数。使用模拟和分析的真实数据，我们比较的水稻Spiegelhalter的方法与竞争FDR估计程序的性能。如果替代模型被错误指定，并且采用经验零分布，则FDR估计的准确性大大降低。因此，虽然是一个非常优雅的形式主义，FDR阈值方法需要在实际应用中特别小心。
2011-04-28 stat.ME
Learning Sparsity and Block Diagonal Structure in Multi-View Mixture Models
科学研究越来越多地收集多种形式的数据，从多个角度调查一种现象。在综合数据分析中，重要的是要了解信息是如何在这些不同的数据源中异构分布的。为此，我们考虑一个参数聚类模型的主题在一个多视图数据集（即多个来源的数据从同一组的主题），其中每个视图轻微地遵循混合模型。在两个视图的情况下，它们之间的依赖性由集群成员矩阵参数捕获，我们的目标是学习这个矩阵的结构（例如零模式）。首先，我们开发了一个惩罚似然方法来估计稀疏模式的聚类成员矩阵。对于块对角结构的特定情况下，我们开发了一个约束似然公式，该矩阵被约束为块对角排列的行和列。为了加强块对角约束，我们提出了一种新的优化方法的基础上对称图拉普拉斯算子。我们通过对癌症遗传学和神经科学数据集的模拟和应用来展示这些方法的性能。这两种方法自然都可以扩展到多个视图。
2020-12-30 stat.ME
Mixture Model Averaging for Clustering
在基于混合模型的聚类应用程序中，通常会从一个系列中拟合多个模型，并仅报告“最佳”模型的聚类结果。在这种情况下，使用模型选择标准（最常见的是贝叶斯信息标准）来实现该最佳模型的选择。除了最好的模型之外，我们没有丢弃所有的模型，而是对在某种意义上接近最好的模型的多个模型进行平均，从而产生聚类结果的加权平均值。两个（加权）平均方法被认为是：平均组件的成员资格概率和平均模型。在这两种情况下，Occam窗口用于确定与最佳模型的接近程度，并且在贝叶斯模型平均范式内计算权重。在某些情况下，我们需要在平均之前合并成分;我们介绍了一种基于调整后的Rand指数合并混合成分的方法。我们的基于模型的聚类平均方法的有效性说明使用一个家庭的高斯混合模型的真实和模拟数据。
2014-07-26 stat.CO stat.ME stat.ML
Covariate-localized False Discovery Rates
Duke University（杜克大学）
本文提出基于非参数高斯混合模型和权重局部化预测递归的协变量局部化错误发现率估计方法，实现更高效、更可控的多重检验。
2026-09-11 stat.ME
PReMiuM: An R Package for Profile Regression Mixture Models using Dirichlet Processes
PReMiuM是最近开发的R包贝叶斯聚类使用Dirichlet过程混合模型。该模型是回归模型的替代模型，通过聚类成员关系将响应向量与协变量数据非参数化地联系起来。该软件包支持Bernoulli、Binomial、Poisson、Normal和分类响应，以及Normal和离散协变量。此外，可以对响应进行预测，并处理协变量的缺失值。几个采样器和标签切换移动与诊断工具一起实施，以评估收敛。还提供了一些用于输出后处理的R函数。除了拟合混合物之外，还可能需要确定哪些协变量主动驱动混合物成分。这在包中作为变量选择实现。
2014-04-25 stat.CO
Modeling EEG Spectral Features through Warped Functional Mixed Membership Models
针对函数数据分析中的时间错位问题，提出基于贝叶斯层次的扭曲函数混合隶属度模型，可估计潜在形状、时间变换函数与隶属度，在ASD儿童脑电数据中验证有效并量化年龄等对PAF位置的影响。
2024-12-11 stat.AP stat.ME
Improving Inference of Gaussian Mixtures Using Auxiliary Variables
将一个低维问题扩展到高维空间，然后投影回来通常是有益的。本文在有限混合模型的背景下严格研究了这一观点，即如何通过使用辅助变量来改进混合模型的推理。尽管大量的文献在混合模型和一些经验的例子，有没有以前的工作，给出了一般的理论理由，包括辅助变量的混合模型，即使在特殊情况下。我们提供了一个理论基础，比较推断的混合多元模型与相应的推断边际单变量混合模型。几种特殊情况下的分析结果建立。我们发现，正确分配混合成员的概率和信息数的主要结果的手段，在一个双变量模型与两个高斯混合物一般大于在每个单变量模型。在一系列的情况下，包括错误指定的模型，进行模拟，以检查改进。该方法在生态学和因果推断中的两个实际应用说明。
2014-11-07 stat.ME
Amortized Bayesian Mixture Models
本文提出一种适用于混合模型的均摊贝叶斯推断框架，通过生成神经网络和分类网络结合，实现参数推断和混合成员识别，支持独立和依赖混合模型，并在合成和真实数据集上进行了验证。
2026-03-16 cs.LG stat.CO stat.ML
Uniformly consistently estimating the proportion of false null hypotheses via Lebesgue-Stieltjes integral equations
在基于双组分混合模型及其扩展的统计建模和推断中，以及在控制和估计错误发现率和错误未发现率中，错误原假设的比例是一个非常重要的量。大多数现有的估计这一比例阈值p值，反卷积的混合模型的约束下，其组件，或严重依赖于位置转移分布的属性。因此，它们通常不一致，适用于非位置偏移分布，或适用于离散统计数据或p值。为了消除这些缺点，我们构造一致的比例估计作为解决方案的Lebesgue-Stieltjes积分方程。特别地，我们分别对分布具有Riemann-Lebesgue型特征函数、形成具有无穷多个支撑的离散自然指数族和形成具有可分离矩序列的自然指数族的随机变量给出了这样的估计.我们提供的收敛速度和一致一致的一致性类，每个这样的估计独立。此外，我们提供了一个一致的估计的比例不能使用我们的技术构建的分布族的例子。
2019-06-04 math.CA math.PR stat.ME
A RAD approach to deep mixture models
Google Brain（谷歌大脑）；DeepMind
基于流的模型（如Real NVP）是一种非常强大的密度估计方法。然而，现有的基于流的模型仅限于将连续输入空间上的连续密度转换为连续潜变量上的类似连续分布。这使得它们不太适合建模和表示数据分布中的离散结构，例如类成员关系或离散对称性。为了解决这个困难，我们提出了一个规范化的流架构，它依赖于域分区使用局部可逆函数，并拥有真实和离散值的潜变量。这种真实和离散（RAD）的方法保留了理想的规范化流特性的精确采样，精确的推理，和分析计算的概率，而在同一时间允许同时建模的连续和离散结构的数据分布。
2020-08-26 cs.LG stat.ML
Gaussian Mixture Models for Stochastic Block Models with Non-Vanishing Noise
社区检测任务在统计学、机器学习和信息理论中受到了广泛的关注，大量的工作集中在随机块模型的理论保证上。最近的一系列工作集中在使用高斯混合模型（GARCH）在缩放机制中对网络的频谱嵌入进行建模，其中检测社区成员的能力随着网络的大小而提高。然而，这些制度并不十分现实。本文提供了易处理的方法，激励新的理论结果的网络与非零噪声。我们提出了一个社区检测的过程中使用Gestival，采用了一定的截断和收缩效应，出现在非零噪声制度。我们使用模拟和真实世界的数据提供这种新的表示的实证验证。
2019-11-05 stat.ME
Flexible Mixture Modeling with the Polynomial Gaussian Cluster-Weighted Model
在混合建模框架下，本文提出了多项式高斯聚类加权模型（CWM）。它扩展了线性高斯CWM，二元数据，在一个双重的方式。首先，通过考虑多项式回归，它允许混合成分中可能的非线性依赖性。其次，它不限于用于基于模型的聚类，仅在最一般的基于模型的分类框架中进行上下文化。使用期望最大化算法导出极大似然参数估计，并使用贝叶斯信息准则（BIC）和综合完全似然（ICL）进行模型选择。本文还研究了多项式高斯CWM的成分隶属度的后验概率与其它已建立的相关混合模型的成分隶属度的后验概率相一致的条件，对于这些模型，多项式高斯CWM应用于本文所考虑的人工数据和真实数据时，都显示出优良的聚类和分类结果。
2012-07-04 stat.CO stat.ME
Robust Fitting of Mixture Models using Weighted Complete Estimating Equations
混合模型考虑了数据中潜在的异质性，被广泛用于分类和聚类问题。混合模型可以使用期望最大化算法进行估计，该算法使用基于混合模型的分层表达的聚类分配的潜在隶属度变量所限定的完整估计方程。然而，当混合成分具有轻尾（light tail）（例如正态分布）时，混合模型可能对离群值敏感。提出了一种混合模型稳健拟合的加权完全估计方程（WCE）方法。我们的WCE引入了权重来完成估计方程，使得权重可以自动降低离群值的权重。权重的构造类似于混合模型的密度幂散度，但在我们的WCE中，它们仅取决于组分分布，而不是整个混合。一种新的期望估计方程（ESTA）算法也被开发来解决WCE。为了说明的目的，一个多元高斯混合，专家的混合物，和一个多元的偏正态混合物被认为是，以及如何实现我们的算法可以为这些特定的模型进行了描述。使用模拟和真实数据集检验了所提出的稳健估计方法的数值性能。
2022-03-17 stat.ME
Covariate Dependent Mixture of Bayesian Networks
Human Technology Institute, The University of Technology Sydney（悉尼科技大学人类技术研究所）；School of Mathematics and Statistics, The University of Sydney（悉尼大学数学与统计学院）；Brain and Mind Centre, The University of Sydney（悉尼大学大脑与心智中心）
针对异质数据下单一贝叶斯网络难以刻画子总体差异的问题，提出组件概率依赖个体特征的贝叶斯网络混合方法，可同时学习网络结构与归属预测因子，并通过模拟和青少年心理健康案例验证其应用价值。
2025-01-10 cs.LG stat.ML
Autoregressive Mixture Models for Serial Correlation Clustering of Time Series Data
将时间序列聚类到相似的组中可以通过组合相似时间序列上的信息来改进模型。虽然有一个发达的机构的文献聚类的时间序列，这些方法往往会产生集群独立的模型训练，这可能会导致穷人的模型拟合。我们提出了一种新的分布式方法，同时集群和适合自回归模型组相似的个人。我们应用Wishart混合模型，以便在对相应的自协方差矩阵建模的同时对个体进行聚类。拟合的Wishart尺度矩阵通过Yule-Walker方程映射到聚类水平的自回归系数，拟合稳健的简约自回归混合模型。这种方法是能够辨别差异的基础自相关变化的时间序列的设置与大型异构数据集。我们证明了我们的集群成员估计量、系数的渐近分布的一致性，并通过模拟以及拟合COVID-19预测模型将我们的方法与竞争方法进行比较。
2022-01-16 stat.ME
Finite Mixtures of Generalized Estimating Equations for Clustering Multivariate Correlated Outcomes
Faculty of Economics, Keio University（庆应义塾大学经济学部）；Research School of Finance, Actuarial Studies and Statistics, The Australian National University（澳大利亚国立大学金融、精算与统计研究学院）
针对多变量相关结局聚类问题，提出MixGEE模型，通过区域特定工作相关结构处理物种间相关性，经模拟验证可靠，应用于凯尔盖朗高原鱼类数据得到三类群落特征。
2026-09-07 stat.ME
A Non-Parametric Bootstrap for Spectral Clustering
University of Toronto（多伦多大学）；Simon Fraser University（西蒙菲莎大学）
针对有限混合模型中EM算法易收敛到次优解的问题，提出两种结合数据矩阵谱分解和非参数自助法抽样的新算法，模拟证明其具有更高的灵活性、计算效率和收敛一致性。
2024-03-20 cs.LG stat.ML
A Spectral Method for Identifiable Grade of Membership Analysis with Binary Responses
本文针对二元响应下的隶属度等级（GoM）模型，提出一种基于奇异值分解的谱方法，利用数据矩阵低秩结构和单纯形几何实现可识别估计，并证明其一致性，兼具高计算效率与可扩展性。
2024-02-15 stat.ME
Growth Mixture Modeling with Measurement Selection
生长混合模型是研究重复测量数据中群体结构的重要工具。与传统的聚类方法不同，它们显式地对观测的重复测量进行建模，并且它们所基于的统计框架允许使用模型选择方法来选择聚类的数量。然而，基本增长混合模型假设数据中的所有测量都具有分组信息/分离聚类。在其他聚类上下文中，已经表明，在聚类过程中包括非聚类变量可能导致在聚类数量和聚类成员/参数方面对组结构的估计不佳。在本文中，我们提出了一个扩展的增长混合模型，允许纳入逐步变量选择的基础上所做的工作Maugis等。（2009）和Raftery和Dean（2006）。仿真研究结果表明，该方法在正确选择聚类变量和提高恢复的集群结构相比，基本的增长混合模型。本文还提出了一个应用模型的临床研究数据集，并得出结论，在这一领域的未来工作的方向进行了讨论和建议。
2017-10-18 stat.ME
A Bayesian Finite Mixture Model with Variable Selection for Data with Mixed-type Variables
University of Florida（佛罗里达大学）；University of Florida Health Cancer Center（佛罗里达大学健康癌症中心）；University of Pittsburgh（匹兹堡大学）
有限混合模型是聚类方法的一个重要分支，可以应用于混合类型变量的数据集。然而，在其应用中存在挑战。首先，它通常依赖于期望最大化算法，该算法可能对初始值的选择敏感。其次，生物标志物受检测限（LOD）的限制在临床数据中是常见的，这将删失变量带入有限混合模型。此外，由于可用于聚类的变量数量越来越多，研究人员最近对变量重要性越来越感兴趣。为了解决这些挑战，我们提出了一个贝叶斯有限混合模型，同时进行变量选择，占生物标志物LOD和获得聚类结果。为了克服期望最大化算法的局限性，我们采用贝叶斯方法来获得参数估计和聚类隶属度。为了解释LOD，我们在吉布斯抽样中增加了一个步骤，以迭代地填充低于或高于LOD的生物标志物值。此外，我们把一个尖峰和平板型的先验对每个变量，以获得变量的重要性。在各种情况下进行模拟，以检查这种方法的性能。还进行了电子健康记录的真实数据应用。
2019-05-09 cs.LG stat.AP stat.ML
Whole-brain substitute CT generation using Markov random field mixture models
PET成像中的衰减校正和放射治疗中的剂量规划需要计算机断层扫描（CT）等效信息。先前的工作已经表明，高斯混合模型可以用于从一组特定的MRI模态生成替代CT（s-CT）图像。这项工作介绍了一个更灵活的类的混合模型的S-CT生成，它结合了空间依赖性的数据，通过马尔可夫随机场前的潜在领域的类成员资格与混合模型。此外，混合分布从高斯分布扩展到正态逆高斯分布（NIG），允许更重的尾部和偏度。训练用于s-CT生成的模型所需的数据量为1亿个体素的量级。因此，参数估计和预测方法的计算效率是至关重要的，特别是当模型中包括空间依赖性时。提出了一种随机期望最大化（EM）梯度算法，以应对这一挑战。的空间模型和NIG分布的优势进行了评估与交叉验证研究的基础上，从14例患者的数据。研究表明，该模型提高了s-CT图像的预测质量，平均绝对误差降低了17.9%。此外，CT值的分布条件的MR图像更好地解释了所提出的模型，使用连续排名的概率得分进行评估。
2016-09-28 stat.AP stat.CO stat.ML
Distributed inference for heterogeneous mixture models using multi-site data
University of Missouri（密苏里大学）；Harvard University（哈佛大学）；Texas A&M University（德克萨斯农工大学）；Cornell University（康奈尔大学）；University of Pennsylvania（宾夕法尼亚大学）
本文提出了一种利用多站点数据的分布式EM算法，用于拟合异质混合模型，通过共享潜在类别的定义和允许异质混合比例，解决跨站点数据的异质性和隐私问题。
2025-12-18 stat.ME
Mixture-of-experts Wishart model for covariance matrices with an application to Cancer drug screening
Norwegian Institute of Public Health（挪威公共卫生研究所）；University of Oslo（奥斯陆大学）
本文提出了一种混合专家Wishart模型，用于分析异质协方差数据，并应用于癌症药物敏感性分析。
2026-02-14 stat.AP stat.CO stat.ME
A Bayesian Adaptive Latent Mixture Model for Zero-Inflated Weighted Brain Connectome Analysis
University of Central Florida（中佛罗里达大学）；School of Data, Mathematical, and Statistical Sciences（数据、数学与统计科学学院）
本文提出一种贝叶斯自适应潜在混合模型，用于处理零膨胀加权网络中的结构零和异质非零边强度，通过共享低秩潜在分数矩阵和hurdle似然分离边存在与条件边强度，实现稳定潜在线性模式和异质主体混合。
2026-05-13 stat.AP stat.CO stat.ME
Classification of molecular sequence data using Bayesian phylogenetic mixture models
在系统发育推断的应用中，分子序列的位点之间的速率变化是常见的。存在几种方法来解释这一特征，但它们通常不能使研究人员以直接的方式查明在一种或另一种进化速率下进化的位点。重点是贝叶斯系统发育混合模型，增加分配变量，作为工具，网站分类和量化的分类不确定性。该方法不依赖于站点对类的成员关系或甚至类的数量的先验知识。此外，它不需要相关位点在序列比对中彼此相邻，不像一些系统发育隐马尔可夫模型或变点模型。在所提出的方法中，混合物成分的数量和类型的模型选择进行模型估计和站点分类之前，踏脚石采样器（SS）是用来选择竞争的混合物模型。灵长类动物的模拟数据和线粒体DNA的应用实例说明通过“增强”贝叶斯系统发育混合物的网站分类。在这两个例子中，所有的混合物优于常用的模型，现场率变化和模型，不考虑率的异质性。这些例子进一步证明了如何从分析输出中容易地获得站点分类。该方法是直接相关的贝叶斯遗传学的分区的选择，其应用可能会导致发现的结构，否则不承认在分子序列比对。贝叶斯系统发育模型估计的计算方面进行了讨论，包括使用简单的马尔可夫链蒙特卡罗（MCMC）移动，有效地混合没有回火的链。
2013-05-22 q-bio.QM stat.AP
Mixture of multilayer stochastic block models for multiview clustering
Université Paris-Saclay（巴黎-萨克雷大学）；CNRS（法国国家科学研究中心）；Univ Evry（埃夫里大学）；ENSIIE（法国信息与能源工程科学学院）
本文提出一种多层随机块模型混合方法，通过共成员矩阵聚合多源聚类，利用变分贝叶斯EM算法估计参数并自动选择最优簇数，在合成数据和全球食品贸易网络分析中表现优异。
2024-01-09 cs.LG math.ST stat.ML
Community Detection on Mixture Multi-layer Networks via Regularized Tensor Decomposition
Hong Kong University of Science and Technology（香港科技大学）
我们研究了多层网络中的社区发现问题，其中节点对可以以多种方式相关。我们引入一个总体框架，即，混合多层随机块模型（MMSBM），它包括许多早期的模型作为特例。我们提出了一个基于张量的算法（TWIST）来揭示节点的全局/局部成员资格和层的成员资格。我们表明，TWIST过程可以准确地检测社区的节点和/或层数的增加，具有小的误分类错误。数值研究证实了我们的理论发现。据我们所知，这是第一个系统的研究混合多层网络使用张量分解。该方法被应用到两个真实的数据集：全球贸易网络和疟疾寄生虫基因网络，产生新的和有趣的发现。
2020-02-10 cs.IT cs.LG cs.SI
On a generalized false discovery rate
$k$-FWER的概念最近受到了很多关注，因为对于某些固定的$k\ge 1$，当人们试图至少控制$k$错误拒绝时，它是用于多次测试的适当差错率。一个不太保守的概念，$k$ -FDR，最近由Sarkar [Ann. Statistist. 34（2006）394--415]，概括了Benjamini和Hochberg的错误发现率[J. Roy.中央集权主义者Soc.Ser.B57（1995）289- 300]。在这篇文章中，我们带来了新的见解$k$ -FDR考虑一个混合模型，涉及独立的$p$值之前，激发一些新的程序，控制它的发展。我们证明了$k$ -FDR控制的建议方法在一个稍微弱的条件下比在混合模型。我们提供了数值证据，所提出的方法优于某些$k$ -FWER和$k$ -FDR方法的功率性能。最后，我们将我们的方法应用到一个真实的数据集。
2009-06-17 math.ST stat.TH
Pooling Sequential Evidence Across Hypotheses: Rate-Optimal Multiple Testing at a Fixed Horizon
H. Milton Stewart School of Industrial；Systems Engineering, Georgia Institute of Technology, e1,e2
本文提出一种在固定时间范围内对未知数量错误假设进行序贯检验的方法，通过先验加权混合和闭合检验实现速率最优的多重检验，并有效控制族系错误率。
2026-09-24 math.ST stat.ME 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
Optimal control of false discovery criteria in the two-group model
在检验大量统计假设时，影响力很大的两组模型假设检验统计量独立于高概率零分布和低概率替代分布的混合分布。在边际错误发现率（mFDR）提供经受mFDR控制的最大功率（预期的真实发现）的意义上，已知通过对局部错误发现率（locFDR）进行阈值化来实现边际mFDR的最优控制，即，假设为零的概率，给定一组检验统计量，具有固定阈值。我们解决的挑战，最佳控制流行的错误发现率（FDR）或积极的FDR（pFDR），而不是mFDR在一般的两组模型，这也允许之间的依赖性的检验统计量。这些准则比mFDR准则保守性更小，因此它们在预期中产生更多的拒绝。我们得到他们的最佳多重检验（OMT）的政策，原来是阈值的locFDR与阈值是一个函数的整个统计。我们开发了一个有效的算法来找到这些政策，并使用它的问题与数千个假设。我们说明这些程序的基因表达研究。
2020-05-27 math.ST stat.ME stat.TH
