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
An adaptive procedure for detecting replicated signals with $k$-family-wise error rate control
本文提出AdaFilter-AdaBon方法，通过在AdaFilter-Bon程序中引入过滤后零假设比例估计来降低保守性，在保持渐近k-FWER控制的同时提高检测重复信号的统计功效。
2025-08-21 stat.ME
A Distribution-Free Framework for Rewrite-Based Human-text Detection via Knockoff Filtering
Prorata.ai
提出一种无分布统计框架，将任意基于重写的检测器转化为具有有限样本FDR保证的检测器，无需重新训练，通过将重写检测视为具有knockoff结构的多重假设检验问题实现。
2026-05-29 cs.AI stat.AP 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
Multiple Testing of Partial Conjunction Hypotheses for Assessing Replicability Across Dependent Studies
University of Bremen（不来梅大学）；University of Kansas（堪萨斯大学）；Indian Institute of Management, Calcutta（印度管理学院加尔各答分校）；Indian Institute of Technology, Hyderabad（印度理工学院海德拉巴分校）
e-Filter通过e值理论有效控制FWER和FDR，适用于依赖研究的多重检验，提升GWAS可重复性分析的统计效能。
2025-12-29 stat.AP stat.ME
Gaining power in multiple testing of interval hypotheses via conditionalization
本文提出一种通过设定阈值过滤并放大p值后再应用多重检验程序的条件化方法，证明其在p值独立时有效，并展示在区间假设零假设p值膨胀情形下可显著提升检验功效。
2017-12-30 stat.ME
Gaussian Rank Verification
本研究利用选择性推断思想，首次针对不等方差高斯数据提出秩验证方法，设计假设检验验证最大观测值秩且避免多重检验功效损失，并扩展至正确排序均值识别与前K集合验证，在NHANES数据上得到验证。
2025-07-11 stat.ME
A procedure for multiple testing of partial conjunction hypotheses based on a hazard rate inequality
本文提出CoFilter两步法，先筛选PC p值再对条件PC p值做多重检验，并以风险率序不等式证明其有效性。
2024-06-13 stat.ME
Leveraging the group structure of hypotheses for more powerful multiple testing with FDR control for the filtered rejection set
本文提出加权Focused BH方法，利用群组或DAG结构及数据依赖权重提升过滤后FDR控制下的多重检验功效，并通过模拟和真实数据验证其稳健性与实用性。
2025-09-18 math.ST stat.ME 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
Multiple testing with the structure adaptive Benjamini-Hochberg algorithm
在同时测试大量假设的多重检验问题中，错误发现率（FDR）控制可以用众所周知的Benjamini-Hochberg过程来实现，该过程适应于数据中存在的信号量。已经提出了对该过程的许多修改，以提高假设被组织成组或层次结构以及其他结构化设置的场景中的功效。在这里，我们介绍SABHA，“结构自适应Benjamini-Hochberg算法”，作为这些自适应测试方法的推广。SABHA结合了关于假设列表内的信号和空值的位置模式中的任何预定类型的结构的先验信息，以数据自适应的方式重新加权p值。这通过在信号似乎更常见的地区进行更多的发现来提高功率。我们的主要理论结果证明，SABHA控制FDR在一个水平，这是最多略高于目标FDR水平，只要自适应权重被充分约束，以便不过拟合太多的数据有趣的是，多余的FDR可以相关的拉德马赫复杂度或高斯宽度的类，我们选择我们的数据自适应权重。我们将这个一般框架应用于各种结构化设置，包括有序，分组和低总变差结构，并获得每个特定设置的FDR上的界限。我们还研究了SABHA对fMRI活动数据和基因/药物反应数据以及模拟数据的经验表现。
2017-09-13 stat.ME
Calibration without labels in multiple testing
Department of Statistics, University of Michigan（密歇根大学统计学系）
针对多重检验中无法观测真实标签的难题，利用有序p值间距构造伪标签，实现局部错误发现率的校准，并揭示q值在心理学和神经科学文献中可能严重失准。
2026-06-19 stat.ME stat.ML
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
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
Hierarchical Testing in the High-Dimensional Setting with Correlated Variables
我们提出了一种方法来测试是否层次序群的潜在相关变量是显着的解释在一个高维线性模型的响应。在存在高度相关的变量，是非常常见的高维数据，它似乎是必不可少的超越的方法推断个人回归系数，我们发现，检测最小的变量组（MTD：最小的真实检测）是现实的。由于变量组之间的层次结构，强大的多重测试调整是可能的，这导致数据驱动的选择的分辨率水平的组。我们的程序，基于重复的样本分裂，渐近控制的familywise差错率，我们提供的模拟和实际数据，补充理论分析的经验结果。本文的补充材料在参考文献之后。
2014-09-03 math.ST stat.TH
A Graphical Framework for Testing Hierarchically Structured Hypothesis Families
Insmed；Syndax Pharmaceuticals；New Jersey Institute of Technology（新泽西理工学院）
本文提出一种图形化方法，统一了分层假设家族的检验策略，通过图表示实现显著性水平的分配与传播，有效控制FWER并提升可解释性。
2026-04-13 stat.AP stat.ME
Bootstrap tuning in ordered model selection
在模型选择的问题，为一个给定的家庭的线性估计，其方差排序，我们提供了一个新的“最小接受”的方法，激励Lepski的方法和多重检验理论。该过程选择最小的模型，满足验收规则的基础上与所有较大的模型进行比较。该方法是完全数据驱动的，不使用任何先验信息的方差结构的噪声：其参数调整到潜在的可能异构的噪声通过所谓的“传播条件”，使用野生自助法。证明了自举校准的有效性，有限的样本与一个明确的误差界。我们提供了一个全面的理论研究的方法，并详细描述了一组可能的值的选择器\( \hat{m} \)。我们还建立了相应的估计量\( \hatθ = \tildeθ_{\hat{m}} \)的精确预言误差界，它同样适用于整个参数向量，某些子向量或线性映射的估计，以及线性泛函的估计。
2015-07-17 math.ST stat.TH
Maximal Invariants Over Symmetric Cones
本文考虑一类Wishart分布族的假设检验问题，其中样本空间和参数空间均为对称锥。对于这类检验问题，我们首先导出了广义Wishart分布有序特征值的联合密度，并提出了一个类似于经典多元统计的检验统计量，用于检验协方差阵的同方差性.在这个推广的巴特利特的测试的平等的方差假设真正的，复杂的，四元数，洛伦兹和八元数类型的协方差结构。
2012-01-02 math.PR math.ST 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
On Procedures Controlling the FDR for Testing Hierarchically Ordered Hypotheses
复杂的大规模研究，例如与微阵列数据和功能磁共振成像研究相关的研究，通常涉及测试多个层次有序的假设。然而，大多数现有的错误发现率（FDR）控制程序不利用内在的层次结构之间的测试假设。在本文中，我们首先提出了一个广义的逐步程序，推广通常的逐步程序的情况下，每个假设进行了测试与一组不同的临界常数。这个过程有助于创建一个通用的框架，在这个框架下，我们的分层测试程序被开发出来。然后，我们提出了几个层次的测试程序，控制FDR下的各种形式的依赖，如正相关和块相关。我们的模拟研究表明，这些提出的方法在某些情况下可能比诸如Yekutieli的分层测试程序（Yekutieli，\emph{JASA} \textbf{103}（2008）309-316）的替代方法更强大。最后，我们将我们提出的程序应用到一个真实的数据集，涉及不同生态环境中微生物的丰度。
2016-12-14 math.ST stat.ME stat.TH
Filtering the rejection set while preserving false discovery rate control
各种应用中的科学假设具有特定领域的结构，例如国际疾病分类（ICD）的树结构，基因本体（GO）的有向无环图结构，或全基因组关联研究中的空间结构。在多重检验的背景下，假设之间的关系可能会在拒绝中产生冗余，从而阻碍可解释性。这导致了对从多重检验过程中获得的拒绝集进行过滤的做法，这反过来又可能使它们的推理保证无效。我们提出了聚焦BH，一个简单的，灵活的，原则性的方法来调整任何预先指定的过滤器的应用。我们证明了集中BH控制错误发现率在各种条件下，包括当过滤器满足直观的单调性属性和p值是正相关的。我们在模拟中表明，集中BH在各种设置中表现良好，并说明这种方法的实际效用，通过分析真实的数据集的基础上ICD和GO。
2020-04-11 stat.ME
Wild Bootstrapping Rank-Based Procedures: Multiple Testing in Nonparametric Split-Plot Designs
裂区或重复测量设计经常用于生命科学或社会科学中的计划实验。典型的例子包括随着时间的推移比较不同的治疗，其中两个因素可能拥有一个额外的因子结构。对于此类设计，统计分析通常包括几个步骤。如果全局空值被拒绝，通常会执行多次比较。一般的析因重复测量设计通常由经典的线性混合模型推导。常见的基本假设，如正态性或方差齐性，在实际数据中往往不符合。此外，为了处理，例如，有序或有序分类数据，应使用适当的效应量。在这里，多重对比测试和一般析因裂区设计的同步置信区间的开发和配备了一种新的渐近正确的野生自助方法。由于监管机构通常要求计算置信区间，因此本工作还为单个对比和有意义效应中不同对比的比值提供了同步置信区间。进行了大量的模拟，以促进理论研究结果。最后，两个不同的数据集验证了新方法的适用性。
2017-10-12 math.ST stat.TH
Testing for Structural Breaks via Ordinal Pattern Dependence
我们提出了新的概念，以分析和建模之间的依赖结构的两个时间序列。我们的方法完全依赖于数据点的顺序结构。因此，该方法在时间序列的单调变换下是稳定的，并且对小扰动或测量误差是鲁棒的。有序模式依赖性可以由四个参数来表征。我们提出了这些参数的估计，我们计算他们的渐近分布。此外，我们推导出一个测试的依赖结构内的结构断裂。所有的结果都补充了模拟研究和实证例子。对于获得不同值的三个连续数据点，有六种可能性可以对其值进行排序。这些可能性称为有序模式。我们的第一个想法是简单地计算两个时间序列中模式的重合次数，并将其与独立情况下的预期次数进行比较。如果我们检测到很多重合的模式，这意味着上下行为是相似的。因此，我们的概念可以被看作是一种衡量非线性“相关性”的方法。在最后一节中，我们展示了如何推广这个概念，以捕获各种其他类型的依赖。
2015-01-29 math.PR math.ST stat.TH
Hierarchical testing designs for pattern recognition
我们探索的理论基础的“20个问题”的方法来模式识别。分析的对象是计算过程本身，而不是概率分布（贝叶斯推断）或决策边界（统计学习）。我们的配方是出于应用场景的解释，其中有很多可能的解释的数据，一个（“背景”）是统计上占主导地位的，它是必要的，以限制密集的计算真正的模糊区域。这里的重点是模式过滤：给定一个可能的模式或解释的大集合Y，将真实的一个Y缩小到"检测到的“模式的一个小（随机）子集\hat Y \subsetY，以进行进一步的，更密集的处理。为此，我们考虑Y \in A与非特异性替代物Y \in A^c的假设检验族。每个测试具有空的I型错误，并且候选集合A \subsetY被布置在嵌套分区的层级中。这些测试的特点是范围（|A|），功率（或II型错误）和算法成本。我们考虑顺序测试策略，其中的决策是迭代的，根据过去的结果，关于下一步执行哪个测试以及何时停止测试。然后，将集合\hat Y视为未被所执行的测试排除的模式的集合。策略的总成本是“测试成本”和“后处理成本”的总和（与|\hat Y|），并分析了相应的最优化问题。
2005-07-21 math.ST stat.TH
Multiple Hypotheses Testing For Variable Selection
已经开发了许多方法来估计稀疏线性模型Y= XB+e中的相关变量集，其中B的维数p可以远大于Y的长度n。在这里，我们提出了两个新的方法，基于多个假设检验，无论是有序或无序的变量。我们的方法受到Baraud等人（2003）提出的测试方法的启发。新的程序被证明是强大的在一定条件下的信号和他们的性质是非渐近的。他们在估计相关变量集方面比错误发现率（FDR）和Lasso都给出了更好的结果，无论是在普通情况下（p<n）还是在高维情况下（p>n）。
2012-06-10 math.ST stat.ME stat.TH
Adaptive Critical Value for Constrained Likelihood Ratio Testing
我们提出了一种新的方法来测试有序假设对所有的替代品，压倒了经典的方法，无论是在简单性和统计功效。我们的新方法测试的约束似然比统计量对一个且只有一个卡方随机变量的分位数与数据相关的自由度，而不是卡方的混合。我们的新测试被证明有一个有效的有限样本的显着性水平$α$，并提供了更多的权力，特别是稀疏的替代品（那些与几个或中等数量的空约束违反）相比，经典的方法。我们的方法也更容易使用比经典的方法，需要计算或模拟一组复杂的权重。两种特殊情况下，考虑了更多的细节，即测试orthants $μ_1<0, \cdots, μ_n<0$的情况下，和测试$μ_1<μ_2<μ_3$对所有替代品的等渗情况。这些例子显示了功率差的轮廓，表明了我们新方法的兴趣。
2018-06-25 stat.ME
Conditional Local Independence Testing for Itô processes with Applications to Dynamic Causal Discovery
School of Computer Science, Peking University（北京大学计算机学院）；School of Data Science, Fudan University（复旦大学数据科学学院）
本文针对Itô过程提出条件局部独立性假设检验，基于半鞅分解构造鞅检验统计量，并证明其一致性，应用于动态因果发现及脑fMRI数据。
2025-10-08 cs.LG stat.ME
Spatial autocorrelation approaches to testing residuals from least squares regression
在统计学中，Durbin-Watson检验常用于检测最小二乘回归分析中残差序列相关性的存在。然而，Durbin-Watson统计量仅适用于有序时间或空间序列。如果变量包括来自空间随机抽样的横截面数据，则Durbin-Watson统计量将无效，因为Durbin-Watson统计量的值取决于数据点排列的顺序。基于空间自相关的思想，本文提出了两种新的检验基于空间样本的最小二乘回归残差序列相关性的统计量。通过类比新形式的莫兰指数，自相关系数被定义为标准化的残差向量和归一化的空间权重矩阵。然后，类比的Durbin-Watson统计量，序列相关指数的构造。作为案例，将这两个统计量应用于中国29个地区的空间样本。这些结果表明，新的空间自相关模型可以用来检验回归分析残差的序列相关性。在实际应用中，新的统计量可以弥补Durbin-Watson检验的不足。
2015-03-15 physics.soc-ph stat.ME
Testing conditional independence under isotonicity
Carnegie Mellon University（卡内基梅隆大学）；University of Michigan（密歇根大学）；University of Chicago（芝加哥大学）；University of Cambridge（剑桥大学）
本文提出在X对Z单调性假设下检验X和Y在Z给定下的条件独立性，通过随机交换有序对中的X值来确定统计量的显著性，提供灵活的测试方法并保证有限样本I类错误控制和高统计效力。
2026-04-23 math.ST stat.ME stat.TH
Sequential estimation of quantiles with applications to A/B-testing and best-arm identification
我们提出了置信序列-序列的置信区间，这是有效的，随着时间的推移均匀-任何分布的分位数在一个完整的，全序集，基于流的独立同分布。意见。我们给出了跟踪固定分位数和同时跟踪所有分位数的方法。具体来说，我们提供了明确的表达式与小常数的间隔，其宽度以最快的可能的$\sqrt{t^{-1} \log\log t}$率收缩，随着时间的推移，以相同的速率均匀地举行的经验分布函数的非渐近浓度不等式。后者加强了Smirnov的经验过程律的重对数和扩展的Dvoretzky-Kiefer-Wolfowitz不等式保持一致的时间。我们给出了一个新的算法和样本的复杂性界选择一个近似最好的分位数在多臂强盗框架的手臂。在模拟中，我们的方法需要的样本比现有方法少五到五十倍。
2022-07-07 math.PR math.ST stat.ME
