具有统一虚假发现率控制的分组竞争检验
Grouped Competition Test with Unified False Discovery Rate Control
AI总结：
本文提出了一种基于竞争检验框架的分组方法，通过校正竞争程序来控制全局FDR，适用于具有强异质性或依赖结构的数据。
摘要：
本文讨论了近年来提出的几种无需p值的多重假设检验方法，并通过引入一个称为竞争检验的统一框架对它们进行组织。尽管现有的竞争检验在控制虚假发现率(FDR)方面是有效的，但它们在处理具有强异质性或依赖结构的数据时存在困难。基于这一框架，本文提出了一种新的方法，将具有特定结构的数据进行分组，并应用校正的竞争程序来整合各组的结果。利用竞争检验的有利性质，本文提出了一定定理，证明这种方法能够控制全局FDR。我们进一步表明，尽管校正参数可能导致一定的统计功效损失，但这种损失通常是微不足道的。通过模拟实验和质谱数据分析，我们展示了该方法的灵活性和有效性。
英文摘要：
This paper discusses several p-value-free multiple hypothesis testing methods proposed in recent years and organizes them by introducing a unified framework termed competition test. Although existing competition tests are effective in controlling the False Discovery Rate (FDR), they struggle with handling data with strong heterogeneity or dependency structures. Based on this framework, the paper proposes a novel approach that applies a corrected competition procedure to group data with certain structure, and then integrates the results from each group. Using the favorable properties of competition test, the paper proposes a theorem demonstrating that this approach controls the global FDR. We further show that although the correction parameters may lead to a slight loss in power, such loss is typically minimal. Through simulation experiments and mass spectrometry data analysis, we illustrate the flexibility and efficacy of our approach.
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。
