Gaussian Graphical Model Estimation with False Discovery Rate Control
研究了高维高斯图模型的估计问题。通常,现有的方法依赖于正则化技术。因此,有必要选择正则化参数。然而,在GGM估计中正则化参数和伪边缘数目之间的精确关系并不清楚。因此,不可能严格地评价它们的业绩。在本文中,我们提出了一种替代方法的多重检验程序。基于我们新的条件相关检验统计量,我们提出了GGM中条件相关的一种同时检验方法。我们的方法可以控制错误发现率(FDR)渐近。所提出的方法的数值性能表明,我们的方法工作得很好。
2013-06-05 stat.ME
Adaptive procedures for directional false discovery rate control
本文研究多重检验中方向性错误风险,证明两种自适应FDR方法在增加符号声明且假设独立时可强控制FDR_dir,尤其适用于真实原假设很少的高功效场景。
2024-01-24 stat.ME
False discovery rate smoothing
我们提出了错误发现率平滑,一个经验贝叶斯方法利用空间结构在大型多测试问题。FDR平滑自动查找显著检验统计量的空间局部区域。然后,它放宽了这些区域内的统计显著性阈值,并在其他地方收紧,以将总体错误发现率控制在给定水平。这导致增加的功率和信号与噪声的更清晰的空间分离。该方法需要解决一个非标准的高维优化问题,其中一个有效的增广拉格朗日算法。在仿真研究中,FDR平滑以适度的计算成本表现出最先进的性能。特别是,它被证明是更强大的比现有的空间相关的多重检验的方法。我们还将该方法应用于空间工作记忆功能磁共振成像实验的数据集,在那里它检测到的模式比标准FDR控制方法检测到的模式更生物学上合理。FDR平滑的所有代码都可以在Python和R中公开获得。
2016-11-14 stat.AP stat.CO stat.ME
A powerful procedure that controls the false discovery rate with directional information
本文提出signed-knockoff程序,利用检验统计量的符号方向信息在有限样本中控制FDR,并通过模拟和实际应用证明其功效优势。
2025-07-21 stat.ME
Online Rules for Control of False Discovery Rate and False Discovery Exceedance
University of Southern California(南加州大学);Stanford University(斯坦福大学)
多重假设检验是统计推断中的一个核心问题,几乎在各个科学领域都有出现。Benjamini和Hochberg在给定一组零假设$\mathcal{H}(n) = (H_1,\dotsc, H_n)$的情况下,引入了假发现率(FDR),即被拒绝的零假设中假阳性的预期比例,并提出了一种将FDR控制在预先指定的显着性水平以下的检验方法。FDR是目前大规模多重假设检验的首选准则。在本文中,我们考虑的问题,控制FDR在一个“在线的方式”。具体地说,我们考虑一个有序的-可能是无穷序列的零假设$\mathcal{H} = (H_1,H_2,H_3,\dots )$,在每一步$i$,统计学家必须决定是否拒绝假设$H_i$只能访问以前的决定。这个模型是由Foster和Stine提出的。我们研究了一类“广义阿尔法投资”的程序,并证明,在这个类中的任何规则控制在线FDR,提供$p$ -值对应于真正的空值是独立于其他$p$ -值。(早期的工作仅建立了mFDR控制。接下来,我们得到的条件下,广义α投资控制FDR在一般$p$值的依赖关系的存在。最后,我们开发了一套修改后的程序,也可以控制错误发现的比例(尾部的错误发现)。数值模拟和分析结果表明,在线程序不会招致大量的损失,在统计功率相对于离线的方法,如Benjamini-Hochberg。
2017-07-06 cs.LG math.ST stat.AP
False discovery rate controlling procedures for discrete tests
Benjamini和Hochberg(1995)提出了错误发现率(FDR)作为多重检验问题中族错误率的替代,并提出了控制FDR的方法。对于离散数据,该过程可能是高度保守的。我们调查替代,更强大的程序,利用离散性的测试,并有FDR水平接近所需的标称水平的幅度。此外,我们开发了一种新的降压过程,占主导地位的降压过程Benjamini和刘(1999)的离散数据。我们考虑应用于药物警戒自发报告系统,用于早期发现上市药物的不良反应。
2014-01-27 stat.ME
Controlling False Discovery Rates under Cross-Sectional Correlations
New York University(纽约大学);Nomura Asset Management Co.(野村资产管理公司);Temple University(天普大学)
我们考虑控制错误发现率来测试许多具有未知横截面相关结构的时间序列。如果有大量的假设,错误和遗漏的发现可能会困扰分析。虽然已经提出了许多程序来控制错误的发现,他们中的大多数要么假设独立的假设或缺乏统计功效。一个特别令人感兴趣的问题是金融资产定价,其目标是确定哪些“因素”导致大量潜在因素的超额回报。我们的贡献是双重的。首先,我们证明了Fama和French的突出方法在多重检验下的一致性。其次,我们提出了一种新的方法,错误发现控制使用双引导。我们实现了优越的统计功效,现有的方法,并证明了错误发现率的控制。仿真和实际数据的应用表明,我们的方法比现有的方法的有效性。
2021-06-09 cs.AI cs.LG stat.ME
Control of the False Discovery Rate Under Arbitrary Covariance Dependence
多重假设检验是高维推理中的一个基本问题,在许多科学领域有着广泛的应用。在全基因组关联研究中,成千上万的测试同时进行,以确定是否有任何基因与某些性状相关,并且这些测试是相关的。当检验统计量相关时,在任意依赖下的错误发现控制变得非常具有挑战性。在本文中,我们提出了一种新的方法的基础上,主因子近似,成功地减去共同的依赖性和显着削弱的相关性结构,以处理任意的依赖结构。本文推导了在大规模多重检验中,当使用公共门限时,错误发现率(FDP)的理论分布,并给出了一致的FDP。这一结果在FDR和FDP的控制中有重要的应用。我们对FDP的估计与Efron(2007)的方法相比毫不逊色,正如模拟示例所示。我们的方法进一步说明了一些实际数据的应用。
2010-12-20 stat.ME
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
Split Knockoffs for Multiple Comparisons: Controlling the Directional False Discovery Rate
针对多重比较中线性变换约束下方向性错误发现率难以控制的问题,提出结合变量分裂与样本分裂的扩展Split Knockoff方法,可有效控制该错误率,且在仿真和阿尔茨海默病分析、年龄比较场景中验证了有效性。
2023-10-11 stat.ME
Weighted False Discovery Rate Control in Large-Scale Multiple Testing
权重的使用提供了一种有效的策略,将先验领域知识的大规模推理。本文在决策理论框架下研究了加权多重检验。我们开发的甲骨文和数据驱动的程序,旨在最大限度地提高预期数量的真阳性加权错误发现率的约束。所提出的方法的渐近有效性和最优性的建立。结果表明,将信息丰富的领域知识,提高了结果的可解释性和推理的精度。仿真研究表明,所提出的方法将错误率控制在名义水平,并且在许多设置中比现有方法的功率增益很大。全基因组关联研究的应用进行了讨论。
2017-05-09 stat.ME
Simultaneous Control of All False Discovery Proportions in Large-Scale Multiple Hypothesis Testing
封闭检验程序通常用于族错误率(FWER)控制,但它们也可以用于获得所有假设子集中错误发现比例(FDP)的同时置信界限。在本文中,我们研究了封闭测试的特殊情况下,Simes本地测试。我们构建了一个新的快速和准确的捷径,我们用它来研究这种方法的权力时,假设的数量趋于无穷大。我们表明,如果存在最少量的信号,在任何期望的FDP水平检测假假设的平均功率不会消失。此外,我们证明了FDP的置信界是真实的FDP的相合估计量的每个非零子集。对于有限数量的假设的情况下,我们之间的连接Simes为基础的封闭测试和Benjamini和Hochberg的程序。
2017-10-23 stat.ME
Optimal False Discovery Rate Control for Large Scale Multiple Testing with Auxiliary Information
大规模多重检验是高维统计推断中的一个基本问题。越来越普遍的是,各种类型的辅助信息,反映假设之间的结构关系,可用。利用这些辅助信息可以提高统计功效。为此,我们提出了一个框架的基础上,两组混合模型与不同的概率为空不同的假设先验,其中形状约束的关系之间施加的辅助信息和先验概率为空。在控制平均错误发现率的情况下,设计了一个最优拒绝规则,以最大化真阳性的期望数量。针对有序结构,我们提出了一种稳健的期望最大化算法,用于同时估计在备择假设下的先验概率为零概率和$p$ -值的分布.我们表明,所提出的方法具有更好的权力比国家的最先进的竞争对手,同时控制错误发现率,经验和理论。大量的仿真实验证明了该方法的优越性。来自全基因组关联研究的数据集被用来说明新的方法。
2021-03-29 stat.ME
Marginal false discovery rate control for likelihood-based penalized regression models
惩罚回归在高维数据分析中的流行导致了对这些模型的新推理工具的需求。错误发现率控制被广泛应用于高维假设检验,但最近才被认为是在惩罚回归的背景下。然而,几乎所有这些工作都集中在lasso惩罚的线性回归上。在本文中,我们得到了一个通用的方法来控制边际错误发现率,可以应用于任何惩罚似然模型,如逻辑斯谛回归和Cox回归。我们的方法是快速的,灵活的,可以使用各种惩罚函数,包括套索,弹性网,MCP和MNet。我们得出的理论结果,所提出的方法是有效的,并使用模拟研究表明,该方法是合理的鲁棒性,虽然略有保守,当这些假设被违反。尽管是保守的,我们表明,我们的方法往往提供更多的权力,选择因果关系的重要功能比现有的方法。最后,该方法的实际效用证明了基因表达数据集与二进制和时间到事件的结果。
2019-01-22 stat.ME
Adaptive False Discovery Rate Control for Heterogeneous Data
努力开发更有效的多个假设检验程序的错误发现率(FDR)控制的重点是纳入真实的零假设的比例估计(这种程序被称为自适应)或利用异质性通过一些最佳的加权方案测试。本文结合这些方法使用加权自适应多决策函数(WAMDF)的框架。导出了一个灵活随机效应模型的最优权值,并给出了在原假设下,当检验统计量独立时,控制任意加权方案FDR的WAMDF.渐近和数值评估表明,弱相关下,建议WAMDFs提供更有效的FDR控制,即使最佳的权重是错误的。所提出的方法的鲁棒性和灵活性,有利于开发更有效的,但实际的,FDR程序的异构数据。为了说明,两种不同的加权自适应FDR方法的异质样本量的开发和应用数据。
2017-02-10 stat.ME
Empirical Bayes methods for controlling the false discovery rate with dependent data
错误发现率(FDR)已被广泛用作大规模多重检验问题中的错误度量,但该领域的大多数研究都集中在基于独立检验统计量的FDR控制过程或具有某些类型的随机相关性的检验统计量的FDR控制过程的性质。基于Tang和Zhang(2005)提出的方法,本文进一步发展了经验贝叶斯方法,用于控制具有相关数据的FDR。我们在时间序列模型中实施了我们的方法,并报告了模拟研究的结果,以证明经验贝叶斯方法的优势。
2007-08-07 stat.ME
False Discovery Rate Adjustments for Average Significance Level Controlling Tests
University of Southern California(南加州大学)
研究在平均显著性水平控制下,Benjamini-Hochberg过程仍能渐近控制FDR,并证明某些依赖调整在有限样本中有效,为高维非参数设置提供FDR控制方法。
2026-06-12 stat.ME
Local False Discovery Rate Based Methods for Multiple Testing of One-Way Classified Hypotheses
本文继续刘等发起的研究路线。(2016)开发了一种新的框架,用于使用特定于假设的局部错误发现率(LFDR)对以单向分类形式分组的假设进行多重检验。它是建立在标准的两类混合模型从单一到多组的扩展,定义假设特定的LFDR作为假设的条件LFDR的函数,因为它是在一个重要的组和LFDR组本身,并涉及一个新的参数,测量分组效应。这个定义比标准的两类混合模型更有效地捕捉了属于一个组的假设的潜在组结构。两个新的LFDR为基础的方法,具有有意义的最优性,产生在他们的预言形式。一个,旨在控制错误的发现在整个集合的假设,提出了一个强大的替代方案,简单地汇集所有的假设到一个单一的组,并使用常用的LFDR为基础的方法下的标准单组两类混合模型。另一个是Benjamini和Bogomolov(2014)的选择性推理方法的Lfdr模拟。它控制与选择组相关的基于Lfdr的错误发现测量,同时控制所选组内的组内错误发现比例的平均值。仿真研究和实际数据应用表明,我们提出的方法往往比他们的相关竞争对手更强大。
2022-11-20 stat.ME
StaRQR-K: False Discovery Rate Controlled Regional Quantile Regression
National Cancer Institute, National Institutes of Health(美国国家癌症研究所,美国国立卫生研究院);Konkuk University(建国大学);Michigan State University(密歇根州立大学)
StaRQR-K通过控制虚假发现率实现区域分位数回归,用于检测基因组特征与结果分布特定分位数区域的关联。
2025-11-26 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
Nonparametric methods controlling the median of the false discovery proportion
Econometric Institute, Erasmus University Rotterdam(伊拉斯姆斯大学鹿特丹计量经济研究所)
本文提出了一种非参数多重检验方法,用于控制虚假发现比例的中位数,适用于多种参数假设检验场景。
2026-02-27 stat.ME
An Optimal False Discovery Rate Controlling Procedure for Changepoint Detection
Stanford University(斯坦福大学)
针对独立观测序列变点检测问题,提出LBD-FDR方法,可控制错误发现率,在高斯序列等场景下达最优检测性能,模拟中与五种现有方法对比验证有效性。
2026-08-04 stat.ME
False Discovery Rate Computation: Illustrations and Modifications
错误发现率(FDR)是统计推断的重要组成部分,代表观察结果出错的倾向。FDR估计值应伴随观察结果,以帮助用户了解调查结果的相关性和潜在影响。本文介绍了一种新的用户友好的R软件包,用于计算FDR和调整FDR控制的p值。这些工具考虑了特定发现的调整后p值和估计FDR之间的关键差异,这有时在数值上相同,但在实践中经常混淆。新增加的方法估计零的调查结果的比例-FDR估计过程的一个重要组成部分-提出和评估。该软件包范围广泛,包括各种FDR估计和FDR控制方法,并包括绘图功能,便于显示结果。通过大量的例证,我们强烈鼓励更广泛地报告观察到的发现的错误发现率。
2020-10-09 stat.CO stat.ME
False Discovery Rate for Functional Data
自从Benjamini和Hochberg在他们的开创性论文中引入了错误发现率(FDR),这已经成为一个非常流行的方法来解决多重比较问题。函数数据分析中越来越流行的主题是局部推理,即,沿着域的原假设的连续统计检验。这个主题的主要问题是无限数量的测试假设,这可以被视为多重比较问题的极端情况。在本文中,我们定义和讨论的概念,错误发现率在一个非常一般的功能数据设置。此外,一个连续版本的Benjamini-Hochberg过程中引入了调整的p值函数的定义。一些一般的条件下,功能Benjamini-Hochberg程序提供控制的功能FDR。两种不同的模拟研究,第一项研究有一个一维域和比较与另一个国家的最先进的方法,第二项研究有一个平面的二维域。最后,将该方法应用于卫星测量地球温度。详细地说,我们的目标是确定在过去几十年中温度显著上升的地球区域。调整后,大面积仍然显著。
2019-08-13 stat.ME
Testing over a continuum of null hypotheses with False Discovery Rate control
我们认为统计假设检验同时在一个相当普遍的,可能是无限的,一组零假设,假设一个合适的单一测试(和相应的$p$值)是已知的每个单独的假设。我们将错误发现率(FDR)的概念扩展到该设置,作为第一类错误的度量。我们的主要结果研究的具体程序的基础上观察的$p$值的过程。在标称水平的FDR的控制下,确保任意依赖的$p$值,或在假设的有限维分布的$p$值过程具有正相关的特定类型(弱PRDS)。这两种情况都推广了有限环境下已有的结果。它的兴趣表现在几个非参数的例子:测试的平均值/信号在高斯白噪声模型,测试强度的泊松过程和测试的c.d. f。关于I.I.D.随机变量。
2014-02-06 stat.ME
False Discovery Control in Multiple Testing: A Brief Overview of Theories and Methodologies
本文综述了多重检验中错误发现率(FDR)控制方法的最新进展,并提出了一个概念框架以梳理相关文献、阐释核心思想,为研究者在方法应用与开发上提供指导。
2024-11-16 math.ST stat.AP stat.ME
Estimation of False Discovery Proportion with Unknown Dependence
在许多科学研究中,经常会遇到检验统计量高度相关的大规模多重检验。近年来,在估计错误发现率时,相关性信息的提取越来越受到关注。当检验统计量的协方差阵已知时,Fan,Han & Gu(2012)给出了任意相依结构下错误发现率(FDP)的相合估计。然而,在许多应用中,协方差阵通常是未知的,并且必须在估计FDP之前估计这种依赖性信息(Efron,2010)。估计精度会严重影响FDP算法的收敛性,甚至破坏其一致性。在本文中,我们提供了方法的修改和理论研究的估计FDP未知协方差。首先,我们开发的特征值和特征向量的估计,这样我们就可以得到一个相合估计的FDP的要求。其次,我们给出了依赖结构的条件,使得FDP的估计是相容的。这种相关结构包括稀疏的协方差阵,这在当代随机矩阵理论中已被广泛考虑。当数据从近似因子模型中采样时,它包含了大多数实际情况,我们通过利用这种特定的依赖结构提供了FDP的相合估计。仿真研究和实际数据应用进一步证明了这一结果。
2019-03-26 stat.ME
Model-free High Dimensional Mediator Selection with False Discovery Rate Control
针对高维中介变量具有复杂相关结构的选择难题,本文将其转化为复合零假设检验,提出一种温和假设下的FDR控制方法,理论证明与模拟验证了其效力和性能,并在ADNI数据中成功识别出关键脑区中介变量。
2025-09-15 stat.ME
Nonparametric estimation of the density of the alternative hypothesis in a multiple testing setup. Application to local false discovery rate estimation
在多重检验的背景下,我们考虑一个半参数混合模型与两个组件,其中一个组件是已知的,并对应于$p$ -值的分布下的原假设和其他组件$f$是非参数的,并代表下的分布备择假设。出于本地错误发现率估计的问题,我们在这里集中在混合物中的非参数未知成分$f$的估计,依赖于真实零假设的未知比例$θ$的初步估计。我们提出并研究了这个未知分量的两个不同的估计的渐近性质。第一估计器是随机加权核估计器。我们建立了它的逐点二次风险的上界,展示了经典的非参数收敛速度在一类Hölder密度。据我们所知,这是第一个结果建立收敛以及相应的速度估计未知成分在这个非参数混合。第二个估计量是最大平滑似然估计量。它是通过一个迭代算法计算的,为此我们建立了一个下降性质。此外,这些估计器用于多重检验过程中,以估计本地错误发现率。他们各自的表现,然后比较合成数据。
2013-04-03 stat.AP
PAPRIKA: Private Online False Discovery Rate Control
Georgia Institute of Technology(佐治亚理工学院);University of Waterloo(滑铁卢大学)
在假设检验中,当由于样本中的噪声而错误地拒绝假设时,会发生错误发现。当自适应地测试多个假设时,错误发现的概率随着执行更多的测试而增加。因此,错误发现率(FDR)控制的问题是找到一个程序,用于测试多个假设,考虑这种影响,在确定一组假设拒绝。目标是最小化错误发现的数量(或分数),同时保持高的真阳性率(即,正确的发现)。本文研究了样本差异隐私约束下多假设检验中的错误发现率控制问题。与以前在这个方向上的工作不同,我们专注于在线设置,这意味着必须在执行测试后立即做出关于每个假设的决定,而不是像离线设置那样等待所有测试的输出。我们提供了新的私人算法的基础上,国家的最先进的非私人在线FDR控制的结果。我们的算法对隐私和统计性能具有强有力的可证明保证,这些性能由FDR和功率来衡量。我们还提供了实验结果来证明我们的算法在各种数据环境中的有效性。
2020-10-21 cs.CR cs.DS cs.LG
False discovery rate control for multiple testing based on p-values with càdlàg distribution functions
对于基于càdlàg分布函数的p值的多重检验,我们提出了一个具有证明保守性的FDR程序“BH+”。BH+在应用于超一致p值时至少与BH过程一样强大。此外,当应用于中间p值时,BH+比应用于常规p值更强大。这是一个容易验证的必要和充分条件。BH+可能是第一个适用于中间p值的保守FDR程序。BH+应用于甲基化研究、HIV研究和临床安全性研究中基于离散p值的多重检验,在这些研究中,BH+比BH程序有更多的发现。
2018-03-16 stat.ME
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
Online Control of the False Discovery Rate under "Decision Deadlines"
在线测试程序旨在控制一系列假设测试中错误发现的程度,允许早期测试结果影响后期测试假设的选择。通常,在线方法假设在进行下一个测试之前,必须做出关于当前测试的永久决定(拒绝或不拒绝)。相反,我们假设每个假设都需要立即做出初步决定,但也允许我们在预设的最后期限之前更新该决定。粗略地说,这让我们可以在假设的移动窗口上应用Benjamini-Hochberg类型的过程,其中即将到来的测试的阈值参数可以基于初步结果来确定。我们的方法控制的错误发现率(FDR)在每个阶段的测试,以及在自适应选择的停止时间。这些结果甚至适用于任意p值依赖结构。
2021-10-15 stat.ME stat.ML
Identifying the Complete Correlation Structure in Large-Scale High-Dimensional Data Sets with Local False Discovery Rates
本文提出一种基于样本相干矩阵、自助法和局部错误发现率的新方法,在不假设先验相关结构的前提下,对高维少样本多数据集进行双重错误发现率控制,从而识别完整相关结构,并能应对分布不确定性、重尾噪声和离群值。
2023-06-01 eess.SP stat.ME
Conformal link prediction for false discovery rate control
针对图链接预测中缺失边难以直接分类为真实边或不存在边的问题,提出基于保形推断的新方法以控制错误发现率,并考虑图结构引起的复杂数据依赖性,在模拟与真实数据上均验证了有效性。
2024-03-24 stat.ME stat.ML
False Discovery Variance Reduction in Large Scale Simultaneous Hypothesis Tests
假设之间的统计相关性对大规模多假设检验的稳定性提出了重大挑战。忽略它通常会导致假阳性比例的不可接受的大范围,即使平均值是可以接受的[21,39,40,49]。然而,数据的统计依赖结构往往是未知的。使用一个通用的信号处理模型,贝叶斯多重检验,和模拟,我们表明,即使在未知的短程依赖的假阳性比例的方差可以大大减少。我们这样做是通过建模的数据生成过程中嵌入在嘈杂的观察平稳遍历二进制信号的过程。通过将附近的观测值合并到二阶泰勒级数近似中,我们得到了贝叶斯多重检验所需的条件概率。在一般条件下进行仿真,以评估该方法的有效性和方差减少。在此过程中,我们解决了随机马尔可夫矩阵的采样问题,指定的平稳分布和上绝对特征值的下界,这是在其本身的权利感兴趣。
2018-10-12 stat.ME
Semi-Penalized Inference with Direct False Discovery Rate Control in High-Dimensions
提出了一种新的高维线性回归变量选择和置信区间构造方法--直接错误发现率控制的半惩罚推理(SPIDR). SPIDR首先使用半惩罚方法来构造回归系数的估计量。我们证明了SPIDR估计是理想的,在这个意义上说,它等于一个理想的最小二乘估计具有高概率的稀疏性和其他适当的条件下。因此,SPIDR估计量是渐近正态的。SPIDR在此基础上,通过直接控制错误发现率来确定选择规则。这提供了对选择错误的明确评估。这也自然地导致具有适当置信声明的所选系数的置信区间。我们进行模拟研究,以评估其有限样本的性能,并证明其在乳腺癌基因表达数据集上的应用。我们的模拟研究和数据实例表明,SPIDR是一个有用的方法,在实践中的高维统计推断。
2013-11-29 math.ST stat.ME stat.TH
False discovery rate envelopes
针对函数型多重检验中高度相关假设的 FDR 控制与可视化问题,提出基于重抽样的两类自适应单阈值图形包络方法,并用模拟和三个实例验证。
2022-06-24 stat.ME
Average Power and $λ$-power in Multiple Testing Scenarios when the Benjamini-Hochberg False Discovery Rate Procedure is Used
我们讨论了几种方法来定义权力的研究设计的Benjamini-Hochberg(BH)错误发现率(FDR)的程序。我们主要关注\textit{average power}和$λ$ - \textit{power},分别是预期的真阳性分数和真阳性分数超过$λ$的概率。我们证明了正调用分数(PCF),真阳性分数(TPF)和假发现分数(FDF)的强相合性和渐近正态性的结果。其相应的期望值的收敛,包括平均功率的收敛结果,作为推论。在回顾了已知的关于插件程序的误差分布的依分布收敛(Genovese,2004)之后,我们使用停止随机过程的结果证明了PCF,TPF和FDF的完全经验版本的中心极限定理。TPF的中心极限定理(CLT)用于获得$λ$ -幂的近似表达式,而FDF的中心极限定理用于引入用于确定适当小的标称FDR的近似过程,该过程导致FDF上具有规定的高概率的特定界限。该文件还包含了一个大型模拟研究的结果,涵盖了相当大的一部分空间的可能的输入遇到的应用程序的结果在设计的生物标志物研究,微阵列实验和GWAS研究。
2018-08-13 stat.ME
Estimating the local false discovery rate under an unknown symmetric null
University of Chicago(芝加哥大学);University of California, Berkeley(加利福尼亚大学伯克利分校);University of Michigan(密歇根大学);Hebrew University of Jerusalem(耶路撒冷希伯来大学)
针对零分布仅对称于零的双组模型,提出基于逻辑回归和自然三次样条的局部错误发现率估计方法,并证明该估计可渐近控制多重检验的局部错误发现率。
2026-06-11 stat.ME
Finding Distributions that Differ, with False Discovery Rate Control
Department of Statistics and Data Science, The Wharton School, University of Pennsylvania(宾夕法尼亚大学沃顿学院统计与数据科学系)
本文提出了一种分布无关的多重检验方法,用于识别与参考分布不同的分布,并通过模拟和实际数据验证其有效性。
2025-11-25 stat.ME
Optimal weighting for false discovery rate control
如何衡量Benjamini-Hochberg程序?在多个假设检验的背景下,我们提出了一个新的逐步过程,控制错误发现率(FDR),我们证明它是更强大的比任何加权Benjamini-Hochberg程序。有限样本和渐近结果。此外,我们说明了我们的程序在模拟和基因组学应用程序的良好性能。这项工作在异构$p$值分布的情况下特别有用。
2009-07-13 math.ST stat.TH
Conditional calibration for false discovery rate control under dependence
我们介绍了一类新的方法有限样本错误发现率(FDR)的控制在多重检验问题的依赖检验统计量的依赖是完全或部分已知。我们的方法分别校准每个假设的数据依赖性p值拒绝阈值,适当放宽或收紧阈值以实现精确的FDR控制。除了我们的一般框架,我们提出了一个具体的算法,依赖调整Benjamini-Hochberg(dBH)的过程,自适应阈值的q值为每个假设。在正回归依赖下,dBH过程一致地优于标准BH过程,并且通常它一致地优于Benjamini-Yekutieli(BY)过程(也称为具有对数校正的BH)。仿真和实际数据的例子说明了竞争的FDR控制方法的依赖下的功率增益。
2020-07-20 math.ST stat.ME stat.TH
False discovery rates in somatic mutation studies of cancer
癌症基因组测序研究的目的是确定典型癌症中存在的改变的性质和类型,并发现高频率突变的基因。在这篇文章中,我们讨论了这些研究中产生的体细胞突变频率数据分析的统计方法。我们特别强调Sjöblom等人介绍的两阶段研究设计[Science 314(2006)268- 274]。在这种情况下,我们描述和比较统计方法构建的分数,可用于优先考虑候选基因进行进一步调查,并评估由此确定的候选人的统计学意义。早期癌症基因组研究中使用的近似值所提供的错误发现率估计值的可靠性一直存在争议。为了解决这些问题,我们开发了一个半参数贝叶斯模型,提供了一个准确的数据拟合。我们使用这个模型来生成大量的现实场景,并评估这个集合的替代方法。我们的评估是公正的,因为用于生成数据的模型没有被任何比较的方法使用。并且是客观的,因为场景是由适合数据的模型生成的。我们的研究结果量化的保守控制的错误发现率与Benjamini和Hockberg方法相比,经验贝叶斯方法和多重检验方法提出的Storey [J. R. Stat. Soc. Ser. B Stat.美沙酮64(2002)479- 498]。模拟结果还显示,对于Sjöblom等人[Science 314(2006)268- 274]中使用的方法,与目标错误发现率的偏离可以忽略不计。
2011-07-25 stat.AP
False Discovery Rate Control For Structured Multiple Testing: Asymmetric Rules And Conformal Q-values
本文提出 PLIS 程序,通过仅要求零假设共形分数成对可交换,突破对称规则限制,实现结构化多重检验中的有限样本 FDR 控制与功效提升。
2024-06-17 stat.ME
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
Null-free False Discovery Rate Control Using Decoy Permutations
传统的多假设检验中的错误发现率控制方法通常基于检验统计量的零分布。然而,所有类型的零分布,包括理论的、基于置换的和经验的零分布,都有一些固有的缺点。例如,由于对样本分布的不正确假设,理论空值可能会失败。在这里,我们提出了一个零分布自由的方法来FDR控制多个假设检验。这种方法被称为目标-诱饵过程,简单地建立在测试的排序上,通过一些统计量或分数,其空分布不需要已知。竞争性诱饵测试是从原始样本的排列构造的,并用于估计假目标发现。我们证明了这种方法控制FDR时,统计量是独立的不同的测试。仿真表明,它比现有的两种流行方法更稳定、更强大。并在真实数据集上进行了评价。
2021-04-12 math.ST stat.ME stat.TH
Controlling the False Discovery Rate in Complex Multi-Way Classified Hypotheses
在这篇文章中,我们提出了一个广义加权版本的著名Benjamini-Hochberg(BH)过程。我们的方法所使用的严格的加权方案,使它能够编码的结构信息,同时多路分类以及分层分区的假设成组,规定,以适应重叠的群体。该方法被证明可以控制错误发现率(FDR)时,涉及的p值是正回归依赖于空p值的子集(PRDS)。提出了一种数据自适应版本的方法。仿真结果表明,我们提出的方法控制FDR在所需的水平,是更强大的比现有的可比多重检验程序,当p值是独立的或满足一定的依赖条件。我们应用这种数据自适应方法来分析神经成像数据集,并了解酒精中毒对人类大脑的影响。神经成像数据通常具有复杂的分类结构,这在先前提出的多重检验过程的后续推断中没有被充分利用。通过灵活的加权方案,我们的方法准备从数据中提取更多信息,并使用它来执行更明智和有效的假设测试。
2021-05-23 stat.ME
Permutation-based simultaneous confidence bounds for the false discovery proportion
当测试多个假设时,人们的兴趣通常是确保错误发现(FDP)的比例很小,并且具有很高的置信度。在本文中,置信上界的FDP构造,这是同时在所有拒绝截止。特别地,这允许用户事后选择一组假设,使得FDP以高置信度低于某个常数。我们的方法使用排列来解释数据中的依赖结构。到目前为止,只有Meinshausen提供了一个精确的,基于置换和计算上可行的方法同时FDP界。我们提供了一个精确的方法,统一改进这个过程。此外,我们提供了一个推广的这种方法。它允许用户选择同时置信界限的形状。这为用户在确定该方法的功率特性方面提供了更大的自由度。有趣的是,几个现有的排列方法,如显着性分析的微阵列(SAM)和Westfall和杨氏的maxT方法,作为特例。
2018-08-16 stat.ME
False Discovery Rate Control Under General Dependence By Symmetrized Data Aggregation
本文提出了一类新的控制一般依赖下错误发现率(FDR)的无分布多重检验规则。在我们的建议中的一个关键因素是一个对称的数据聚合(SDA)的方法,通过样本分割,数据筛选和信息池的依赖结构。SDA滤波器首先构造一个满足全局对称性的排序统计序列,然后沿着排序选择一个数据驱动的阈值来控制FDR。SDA滤波器在中等到强依赖性下在功率方面大大优于敲除方法,并且比基于渐近$p$值的现有方法更鲁棒。我们首先发展有限样本理论,在一般相依性下给出了实际FDR的上界,然后在温和的正则条件下,建立了SDA对FDR和错误发现比例(FDP)控制的渐近有效性。该过程在R包\texttt{SDA}中实现。数值结果证实了SDA在FDR控制中的有效性和鲁棒性,并表明它在许多设置中实现了比现有方法更大的功率增益。
2021-05-26 math.ST stat.ME stat.TH
Estimating False Discovery Proportion Under Arbitrary Covariance Dependence
多重假设检验是高维推理中的一个基本问题,在许多科学领域有着广泛的应用。在全基因组关联研究中,同时进行数万次测试,以确定是否有任何SNP与某些性状相关,并且这些测试是相关的。当检验统计量相关时,在任意依赖下的错误发现控制变得非常具有挑战性。在本文中,我们提出了一种新的方法的基础上,主因子近似,成功地减去了共同的依赖性和显着削弱的相关性结构,以处理一个任意的依赖结构。本文推导了在大规模多重检验中,当采用公共门限时,错误发现率的近似表达式,并给出了实现错误发现率的相合估计。这一结果在FDR和FDP的控制中有重要的应用。我们对实现的FDP的估计与Efron(2007)的方法相比毫不逊色,如模拟示例所示。我们的方法进一步说明了一些实际数据的应用。我们还提出了一个依赖调整的过程,这是更强大的比固定阈值的过程。
2011-11-15 math.ST stat.ME stat.TH
Transfer Learning in Large-scale Gaussian Graphical Models with False Discovery Rate Control
研究了高维高斯图模型(GGM)的迁移学习,目的是利用相似和相关辅助研究的数据来估计目标GGM。目标图和每个辅助图之间的相似性由发散矩阵的稀疏性来表征。一种估计算法,跨CLIME,提出并证明,以达到更快的收敛速度比最小最大速率在单一的研究设置。此外,一个去偏的trans-CLIME估计被引入,并证明是逐元素渐近正态的。它被用来构建一个多重检验过程的边缘检测与错误发现率控制。所提出的估计和多重检验程序在模拟中表现出优越的数值性能,并通过利用来自多个其他脑组织的基因表达来推断目标脑组织中的基因网络。观察到预测误差的显著减少和链路检测功率的显著增加。
2020-10-21 stat.ME stat.ML
Estimating and Controlling the False Discovery Rate for the PC Algorithm Using Edge-Specific P-Values
PC算法允许研究人员从有限数据集估计一个完整的部分有向无环图(CPDAG),但很少有研究小组研究用于估计和控制CPDAG中边的错误发现率(FDR)的策略。在本文中,我们介绍了PC与p值(PC-p),一个快速算法,鲁棒地计算边缘特定的p值,然后估计和控制FDR的边缘。PC-p专门使用许多条件独立性检验返回的p值来上限更复杂的边缘特定假设检验的p值。然后,该算法使用有界p值和Benjamini-Yekutieli FDR程序来估计和控制FDR。对原始PC算法的修改也有助于PC-p准确地计算上界,尽管非零第二类错误率。实验表明,与其他方法相比,PC-p在各种CPDAG中产生更准确的FDR估计和边缘控制。
2017-05-10 stat.ME stat.ML
The False Discovery Rate for Statistical Pattern Recognition
错误发现率(FDR)和错误未发现率(FNDR)在多重测试的文献中受到了相当大的关注。这些性能指标也适用于分类,在这项工作中,我们开发了泛化误差分析FDR和FNDR时,从标记的训练数据学习分类。与更常规的分类性能测量不同,经验FDR和FNDR不是二项式随机变量,而是二项式的比率,这引入了常规分析中未解决的挑战。我们开发的分布自由的一致偏差界,并应用这些有限样本界和强的普遍一致性。
2009-01-27 math.ST stat.TH