Testing partial conjunction hypotheses under dependency, with applications to meta-analysis
在许多统计问题中，假设被自然地分成组，研究者有兴趣进行组水平的推断，可能还有对单个假设的推断。我们考虑的目标是发现组包含$u$或更多的信号与组级错误发现率（FDR）控制。我们考虑部分合取$p$ -值是组内$u=1.$-值的组合的情况，并且获得关于（1）组内和组间$p$-值之间的依赖性，（2）用于获得部分合取$p$ -值的组合方法，以及（3）用于获得对部分合取发现的FDR控制的多重测试过程。我们单独考虑在荟萃分析设置中遇到的依赖性，其中多个功能在几个独立的研究中进行测试，并且每个研究中的$p$值可能是依赖的。基于这种情况下的结果，我们推广了Benjamini，Heller和Yekutieli（2009）的程序，用于评估研究中信号的可复制性，并扩展了他们关于FDR控制的理论结果。
2021-05-19 math.ST stat.TH
A Rejection Principle for Sequential Tests of Multiple Hypotheses Controlling Familywise Error Rates
我们提出了一个统一的方法，顺序（或流）数据的多重检验程序，通过给一个顺序的多重检验程序，以控制familywise错误率（FWER）的充分条件，扩展到顺序域的工作Goeman和Solari（2010年）谁完成了这一固定样本量程序。我们把这些条件统称为“序贯试验的拒绝原则”，然后将其应用于一些现有的序贯多重检验程序，以简化对FWER控制的理解。其次，应用该原理推导出两个新的具有可证明FWER控制的序贯多重检验程序，一个用于按序检验假设，另一个用于封闭检验假设。这些新的程序的例子是通过将它们应用到染色体畸变数据集，并找到最大的安全剂量的治疗。
2015-02-24 stat.AP stat.ME
Multistage tests of multiple hypotheses
传统的多重假设检验使用逐步上升、逐步下降或封闭检验方法来控制总体错误率。我们将讨论将这些方法与自适应多级抽样规则和停止规则相结合，以在序贯试验设计中进行有效的多重假设检验。其结果是一个多级步降过程，自适应地测试多个假设，同时保持家庭明智的错误率，并扩展霍尔姆（1979年）的步降过程的顺序设置，产生大量的节省样本量的功率损失很小。
2011-07-11 math.ST stat.ME stat.TH
50 shades of Bayesian testing of hypotheses
假设检验和模型选择是统计推断的典型问题，而贝叶斯范式似乎非常适合回答这些问题，它面临着自己的困难，从事先建模校准，数值实现。这个c
2022-06-14 stat.ME
Testing Imprecise Hypotheses
Carnegie Mellon University（卡内基梅隆大学）；Massachusetts Institute of Technology（麻省理工学院）
本文研究了容忍测试中邻域大小与测试效力的信息论权衡，探讨了Gaussian序列模型中的最优权衡及非参数回归和密度模型中的相关问题。
2026-01-27 math.ST stat.ME stat.TH
Mirror bootstrap method for testing hypotheses of one mean
假设检验的自助法或排列法的一般原理是通过生成抽样分布来模拟检验统计量的变化，该抽样分布假设原假设为真，并且样本中的数据在某种程度上代表了总体。这种哲学不适用于检验单个参数（如总体平均值）的假设，因为这两个假设是矛盾的（例如，我们如何假设总体的平均值是$μ_0,$，并且样本中具有平均值$M \ne μ_0$的个体代表总体？）。镜像引导程序解决了这个难题。镜像Bootstrap方法检验关于一个总体参数的假设的原理是，我们假设原假设为真，并且我们样本中的个体尽可能具有代表性，而不假设比观察到的更极端的情况。例如，用于检验一个均值假设的镜像Bootstrap方法使用生成的对称分布，该对称分布是通过在假设的总体均值$μ_0$周围反映原始样本而构建的。镜像Bootstrap的性能测试的一个平均值的模拟表明，虽然该方法是稍微保守的一面非常小的样本，其有效性和权力迅速接近广泛使用的t检验。镜像Bootstrap的原理足够通用，可以用于测试有关其他参数的假设;这种探索留待将来研究。
2012-05-17 stat.ME
Asymptotics in Multiple Hypotheses Testing under Dependence: beyond Normality
本文在一般相关框架下研究多重假设检验的渐近行为，证明Bonferroni程序及逐步向下程序在广泛分布类中FWER渐近趋于零，并给出正极限的反例，推广了正态情形下的既有结果。
2024-11-18 math.ST stat.ME stat.TH
A unified treatment of multiple testing with prior knowledge using the p-filter
有大量文献介绍了将知识纳入多重检验程序以提高其功效和精度的方法。先验知识的一些常见形式包括（a）关于哪些假设为空的信念，由非均匀先验权重建模;（b）不同的假设重要性，由对错误发现的不同惩罚建模;（c）假设的多个任意划分，（可能重叠）组;和（d）假设或组之间的独立性、正相关性或任意相关性的知识，表明使用更积极或保守的程序。我们提出了一个统一的算法框架，称为p-过滤器的全球零测试和错误发现率（FDR）的控制，允许科学家将所有四种类型的先验知识（a）-（d）同时，恢复各种已知的算法作为特殊情况。
2019-08-06 math.ST stat.ME stat.ML
Testing hypotheses via orthogonalization
University of Washington（华盛顿大学）
提出一种通过添加对称移位族噪声并正交化数据分块来检验假设的通用框架，可自然扩展到选择后推断场景，无需预选机制或特定分布假设。
2026-06-29 math.ST stat.ME stat.ML
Optimal testing of equivalence hypotheses
在本文中，我们考虑建设的最佳测试的等价假设。具体地，假设X_1，...，X_n是i.i.d.分布P_θ，θ \in R^k。设g（θ）是某个感兴趣的实值参数。原假设断言g（θ）\notin（a，b）与备选g（θ）\in（a，b）。例如，这种假设出现在生物等效性研究中，人们可能希望表明两种药物，一种品牌名称和一种拟议的仿制药，具有相同的治疗效果。小的最优理论是这样的测试问题，这是本文的目的是提供一个渐近最优理论。因此，我们提供了什么是可实现的渐近上界，以及渐近一致最大功效检验建设，达到的界限。渐近理论是基于勒卡姆的概念渐近正常的实验。为了用极限正态问题逼近一般问题，得到了检验多元正态均值均值的UMP等价性检验。
2005-07-21 math.ST stat.TH
Noisy Hypotheses in the Age of Discovery Science
我们提请注意由Ioannelyt（2005）提出的一个具体问题，即在给定的调查领域中测试的许多假设。为了更好地隔离在这种（大规模的）多重测试场景中出现的问题，我们考虑一个乌托邦式的设置，在这个设置中，假设在没有额外偏差的情况下进行测试。我们表明，由于被测试的假设的数量变得比要做出的发现大得多，因此不可能可靠地识别真正的发现。这一现象，在多重检验领域工作的统计学家们都很熟悉，它使（纯）发现科学中任何天真的追求都处于危险之中。
2016-11-09 math.ST stat.TH
Testing a Large Number of Composite Null Hypotheses Using Conditionally Symmetric Multidimensional Gaussian Mixtures in Genome-Wide Studies
本文提出条件对称多维高斯混合模型（csmGmm），用于统一遗传研究中中介、多效性和重复性分析的复合原假设检验，并证明其能使lfdr与z统计量检验规则保持一致，在肺癌遗传关联数据上验证了方法的稳健性和可解释性。
2023-09-22 stat.AP stat.ME
Hypothesis Testing over Observable Regimes in Singular Models
本文研究了奇异模型中假设检验的可行性，指出非识别参数的假设导致检验障碍，而基于可识别可观测值的假设则回归经典检验理论。
2026-02-27 math.ST stat.ML 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
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
Compositional Covariate Importance Testing via Partial Conjunction of Bivariate Hypotheses
本文针对成分协变量在回归中因总和约束导致传统条件独立性检验失效的问题，提出将相关协变量概念转化到成分数据设定中，并基于双变量条件独立性检验与部分合取假设检验开发了新的重要性检验和变量选择方法，同时给出理论保证和实验验证。
2024-12-31 math.ST stat.ME stat.TH
The Covering Principle: A New Approach to Address Multiplicity in Hypotheses Testing
在过去的三十年里，闭包和划分原则被用来建立各种多重检验程序。这两个原则的实质是基于参数空间划分。本文从样本空间中拒绝区域覆盖的角度提出了一种新的方法--覆盖原理。覆盖原理是指在假设检验中存在决策优先权时，将整个原假设族划分为几个相互重叠的子族。我们已经证明，由覆盖原理构造的多重检验程序强烈地控制了familywise错误率，只要每个子族的多重检验强烈地控制了第一类错误。我们已经说明了覆盖原理可以用来解决一般的看门问题。
2017-07-20 stat.ME
Adaptive Bootstrap Tests for Composite Null Hypotheses in the Mediation Pathway Analysis
针对中介路径分析中复合零假设导致现有检验过于保守且功效不足的问题，提出自适应自助法检验框架，应用于系数乘积检验和联合显著性检验，在控制第一类错误的同时显著提升统计功效。
2023-10-17 math.ST stat.ME stat.TH
On efficient estimators of the proportion of true null hypotheses in a multiple testing setup
我们考虑在多重检验背景下估计真零假设的比例$θ$的问题。该设置是经典的建模通过半参数混合两个组件：一个均匀分布的间隔$[0,1]$与先验概率$θ$和非参数密度$f$。我们讨论了渐近有效性的结果，并建立了两种不同的情况下发生是否$f$消失的集合上的非空Lebesgue测度或没有。在第一种情况下，我们展示估计收敛于参数率，计算最佳渐近方差和猜想，没有估计是渐近有效的（即达到最佳渐近方差）。在第二种情况下，我们证明了任何估计的二次风险不收敛于参数率。我们用模拟数据说明了这些结果。
2013-01-08 stat.AP
Optimal e-value testing for properly constrained hypotheses
本文研究了基于 e-variables 的序贯假设检验，通过限制 e-variable 池来简化策略设计，扩展了 Clerico(2024) 的结果，刻画了有限正则约束下非参数检验的最优 e-variable 集合，并应用于算法均值估计。
2025-05-29 math.ST stat.TH
On the expected runtime of multiple testing algorithms with bounded error
考虑在所有假设的p值未知的情况下测试多个假设，因此必须使用Monte Carlo模拟进行近似。在文献中发表的一类算法，这种情况下，通过计算所有近似p值的置信度声明，提供了保证其测试结果的正确性。本文主要关注这类算法的预期运行时间，并推导出各种有限和无限的预期运行时间结果。
2020-06-12 math.ST stat.TH
Hypotheses Testing from Complex Survey Data Using Bootstrap Weights: A Unified Approach
标准的统计方法，没有考虑到调查设计的复杂性，可能会导致错误的推论时，应用于调查数据，由于不平等的选择概率，聚类，和其他设计功能。特别是，使用标准方法进行假设检验的实际第一类错误率可能远大于标称显著性水平。在检验假设时考虑调查设计特征的方法已经被提出，包括Wald检验和涉及参数估计的估计协方差阵的准得分检验。本文通过构造加权似然比似然比统计量的Bootstrap近似，给出了一种不需要计算协方差阵的统一的假设检验方法，并建立了Bootstrap检验的渐近有效性.此外，我们还考虑了分类数据的假设检验，并提出了一个bootstrap过程来检验双向表中的简单拟合优度和独立性。在仿真研究中，与朴素似然比检验和拟得分检验相比，该方法的第一类错误率更接近其名义显著性水平。一个应用程序，从教育调查的数据下的逻辑斯谛回归模型。
2021-03-03 stat.ME
Some Permutationllay Symmetric Multiple Hypotheses Testing Rules Under Dependent Set up
本文研究了当各个假设对应的检验统计量可能相关时的同时假设检验问题。具体来说，我们考虑的情况下，当检验统计量一起有一个多元正态分布（每对之间的相关性相等）与一个未知的均值向量和我们的目标是决定哪些组件的均值向量是零，哪些是非零的。Bogdan等人（2011年）在检验统计量为独立正态分布时，较早讨论了这个问题。本文研究了贝叶斯决策理论意义下的渐近最优性，刻画了最优预编码的特征，并由此建立了一些著名过程的最优性。依赖项下的情况被作为一个具有挑战性的开放问题留下。我们从理论上和大量的模拟中研究了这个问题，并给出了一些置换不变规则。虽然在Bogdan等人（2011）中，渐近推导是在非零均值的稀疏性的背景下完成的，但我们的结果不需要稀疏性假设，并且在更一般的设置下成立。
2019-01-10 math.ST stat.TH
An adaptive significance threshold criterion for massive multiple hypotheses testing
本研究涉及大量的多重假设检验。首先将多重检验看作是在适当的总体模型下的估计问题，引入了一个与错误发现率（FDR）相关的误差度量--错误拒绝率（ERR）。ERR是一种在精神上类似于FDR的误差度量，它大大简化了对多个测试过程的误差特性的分析研究。其次，提出了一种改进的真零假设比例估计和数据自适应显著性阈值准则。在最近的应用中广泛满足的分布假设下，建立了显着阈值准则的一些渐近误差性质。模拟研究提供了明确的证据表明，提出的估计的比例真实的零假设优于现有的估计这一重要参数在大规模的多重检验。分析和模拟研究表明，所提出的显着性阈值标准可以提供一个合理的假阳性和假阴性错误之间的平衡，从而补充和扩展各种FDR控制程序。S-plus/R代码可向作者索取。
2006-10-27 math.ST stat.TH
A Generalization of the Savage-Dickey Density Ratio for Testing Equality and Order Constrained Hypotheses
Savage-Dickey密度比是贝叶斯因子的一个具体表达，当检验一个精确的（等式约束）假设对一个不受限制的替代方案时。该表达式大大简化了贝叶斯因子的计算，但代价是在精确假设下假设先验的特定形式作为无限制先验的函数。Verdinelli和Wasserman（1995）提出了一种推广，使得先验可以在两种假设下自由指定，同时保持计算优势。本文提出了一个扩展的推广时，假设有平等以及顺序约束的参数的兴趣。该方法用于使用JZS贝叶斯因子的约束多变量t检验和多项式模型下的约束假设检验。
2020-07-14 stat.ME
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
On distinguishability of hypotheses
我们考虑了独立样本的概率测度、不适定问题的解、反卷积问题和Poisson均值测度的假设检验问题。对于所有这些设置的必要条件和充分条件的假设集的可验证性。在关于概率测度和Poisson平均测度的假设检验的情况下，给出了关于所有Borel集的弱拓扑和弱收敛拓扑的结果.本文还研究了假设的可验证性问题。在另一些情况下，当假设集是$L_2$中的有界集时，给出了可解性的充要条件.
2013-10-23 math.ST stat.TH
Sequential multiple testing with multiple hypotheses and prior information on the hypothesis configuration
School of Mathematical Sciences, Tongji University（同济大学数学科学学院）
针对多个独立序贯观测数据流中每个流有多个候选假设的问题，利用假设配置的先验信息，设计了一种可靠、计算高效且渐近最优的序贯检验程序。
2026-05-30 stat.ME
Hypothesis testing by convex optimization
我们讨论了一个一般的方法来处理“多个假设”测试的情况下，当一个特定的假设状态，确定观测分布的参数向量属于一个凸紧集与假设。通过我们的方法，这个问题简化为成对测试假设。我们的中心结果是一个测试的一对假设的概述类型，在适当的假设下，可证明是接近最优的。测试是由一个凸规划问题的解决方案，使我们的建设承认计算效率的实现。我们进一步证明，我们的假设是满意的几个重要和有趣的应用程序。最后，我们展示了我们的方法可以应用到一个相当一般的检测问题，包括几个经典的统计设置，如检测信号的突然变化，尖点检测和多传感器检测。
2016-02-23 math.ST stat.TH
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
A Family-Level Graphical Gatekeeping Procedure with Iterative Retesting
Insmed；Department of Mathematical Sciences, New Jersey Institute of Technology（新泽理工学院数学系）；Department of Statistics, Operations and Data Science, Temple University（天普大学统计、运营与数据科学系）
该研究针对确证性临床试验的多目标问题，提出带迭代重测的家族级图形守门程序，可控制强全局家族式错误率，模拟与临床示例验证其优势与应用。
2026-11-13 stat.AP stat.ME
FDR Controlled Multiple Testing for Union Null Hypotheses: A Knockoff-based Approach
错误发现率（FDR）控制过程为基于多假设检验的信号识别的可重复性提供了重要的统计保证。在许多研究领域，FDR控制程序用于高维（HD）分析，以发现与结果真正相关的特征。在最近的一些应用中，在多个不同的研究中独立地收集关于同一组候选特征的数据。例如，在不同的设施和不同的队列中收集基因表达数据，以鉴定多种类型癌症的遗传生物标志物。这些研究为我们提供了通过联合考虑来自不同来源（具有潜在异质性）的信息来识别信号的机会。本文研究如何为条件独立性的并零假设检验提供FDR控制保证。我们提出了一种基于敲除的变量选择方法（\textit{Simultaneous knockoffs}），以确定相互信号从多个独立的数据集，有限的样本设置下提供精确的FDR控制保证。此方法可用于非常一般的模型设置和检验统计量。我们证明了这种方法的性能与广泛的数值研究和两个实际数据的例子。
2022-10-03 stat.ME
Data-adaptive statistics for multiple hypothesis testing in high-dimensional settings
目前天文学、基因组学和市场营销等领域的统计推断问题通常涉及同时测试数千甚至数百万个零假设。对于高维多变量分布，这些假设可能涉及广泛的参数，变量之间具有复杂和未知的依赖结构。在分析这样的假设检验过程中，可以通过在检验之前对假设集合执行变量缩减来实现效率和功效的增益。我们在本文中提出了一种方法，使用数据自适应多重检验，正是服务于这一目的。这种方法应用数据挖掘技术，通过交叉验证筛选整个样本的等大小分区上的全部协变量。这种广义筛选过程用于创建协变量的平均秩，然后用于生成简化的（子）假设集，从中计算检验统计量，随后进行标准多重检验校正。这种方法的主要优点在于它提供了有效的统计推断，而不需要\textit{a priori}指定要检验哪些假设。在这里，我们提出了这种方法的理论细节，通过模拟研究确认其有效性，并通过将其应用于microRNA差异表达数据的分析来验证其使用。
2017-04-24 stat.ME stat.ML
Empirical phi-divergence test statistics for testing simple and composite null hypotheses
本文的主要目的是首先介绍一个新的家庭的经验检验统计量测试一个简单的原假设时，通过一组特定的无偏估计函数定义的参数向量。该检验统计量族基于两个概率向量之间的距离，其中第一概率向量通过使参数向量上的经验似然最大化而获得，并且第二向量在简单的原假设下从参数的固定向量定义。为此目的所考虑的距离是φ-发散度量。然后推导出该族检验统计量的渐进分布。所提出的方法是说明通过著名的数据Newcomb的测量光的通过时间。模拟研究进行比较其性能与经验的似然比检验时，置信区间构造的基础上，小样本量。结果表明，“经验修正的似然比检验统计量”是经验似然比检验统计量的一种有竞争力的替代方法，并且在数据中存在污染的情况下比经验似然比检验统计量更稳健.最后，我们提出了经验的Φ发散检验统计量测试复合原假设，并提出了一些渐近以及模拟结果，这些测试程序的性能进行评估。
2014-08-17 math.ST stat.ME stat.TH
Rejection Odds and Rejection Ratios: A Proposal for Statistical Practice in Testing Hypotheses
许多科学都是由假设检验驱动的（不管是对是错）。即使在假设检验范式是正确的情况下，仅根据p值进行推断的常见做法也受到了50多年的强烈批评。我们建议，作为一种替代方案，使用正确拒绝原假设的几率不正确的拒绝。考虑了实验前版本（涉及把握度和第一类错误）和实验后版本（取决于实际数据）。提供的实现范围从仅取决于p值到考虑完整的贝叶斯分析。令人惊讶的是，所有的实现--甚至是完整的贝叶斯分析--都有完整的频率论理由。我们的建议版本可以实施，只需要对现有做法进行微小的修改，但克服了一些最严重的缺点。
2015-12-28 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
Randomized p-values for multiple testing and their application in replicability analysis
我们关心的是同时测试多个终点的可重复性假设。这构成了一个复合零假设的多重检验问题。传统的$p$值是在最不利的参数配置下计算的，在复合零假设的情况下过于保守。如在先前的工作中所示，这在多重检验背景下构成了严峻的挑战，特别是当统计分析的一个目标是估计真实零假设的比例$π_0$时。已提出随机化$p$值来解决此问题。在目前的工作中，我们讨论了随机$p$ -值在可重复性分析中的应用。特别是，我们介绍了一个通用类的统计模型，有效的，随机的$p$值可以很容易地计算。通过计算机模拟，我们表明，它们的使用通常会导致一个更准确的估计$π_0$。最后，我们将我们提出的方法应用于基因组学的一个真实数据示例。
2020-02-25 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
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
Type I error rate control for testing many hypotheses: a survey with proofs
本文综述了多重检验方法中第一类错误率控制的一些最新进展。我们考虑控制$k$ -族式错误率（kFWER，使$k$错误发现或更多的概率）和错误发现比例（FDP，错误发现在发现中的比例）的问题。FDP通过其期望值（即所谓的错误发现率（FDR））或通过其上尾分布函数来控制。我们的目标是得到一般和统一的结果，简洁和简单的数学证明。此外，虽然本文主要是一个调查文件，一些新的贡献，控制kFWER和上尾分布函数的FDP。特别是，我们推导出一个新的程序的基础上的分位数的二项分布，控制FDP下的独立性。
2011-03-14 stat.ME
Adjusted inference for multiple testing procedure in group sequential designs
针对成组序贯设计中同时调整多重假设检验与多次分析的研究空白，提出调整序贯p值及交集假设序贯p值，通过加权Bonferroni和加权参数检验控制族系I类错误率进行推断。
2023-11-27 stat.ME
An estimation method for the chi-square divergence with application to test of hypotheses
我们提出了一个新的定义卡方分布之间的分歧。基于凸性和对偶性，这个版本的χ^2非常适合于χ^2在列联表分析中的经典应用，也适合于参数模型的统计检验，对于参数模型，它一直被提倡对内点具有鲁棒性。我们在测试中提出了两个应用程序。在第一个中，我们处理有限和无限数量的线性约束的测试，而在第二个中，我们应用χ^2-方法的参数测试对污染。
2011-01-23 math.ST stat.TH
A Change-Point Approach to Estimating the Proportion of False Null Hypotheses in Multiple Testing
本文提出一种基于变点的 $λ$ 选择方法，通过分段线性逼近 $p$ 值图来估计虚假零假设比例，模拟显示其 RMSE 较小，并扩展至超均匀 $p$ 值情形。
2024-05-05 stat.ME
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
Large-Scale Multiple Testing of Composite Null Hypotheses Under Heteroskedasticity
针对异方差下复合零假设多重检验的功效损失与第一类错误失控问题，提出整合方差辅助信息、基于改进非参数经验贝叶斯反卷积的HAMT流程，理论证明其FDR控制渐近有效最优，仿真与移动游戏用户检测应用验证其功效更优。
2024-10-23 stat.ME
Testing Hypotheses by Regularized Maximum Mean Discrepancy
IDSIA/SUPSI；Università della Svizzera Italiana（瑞士意大利语区大学）；Vita-Salute San Raffaele University（圣拉斐尔生命健康大学）；Ruhr-Universität Bochum（波鸿鲁尔大学）；Université de Sherbrooke（舍布鲁克大学）
两个数据样本是否来自不同的分布？最近对这个基本问题的研究集中在将概率分布嵌入到足够丰富的特征再生核希尔伯特空间（RKHS）中，以通过嵌入之间的距离来比较分布。我们发现，正则化最大均值离散度（RMMD），我们的新措施，基于内核的假设检验，即使样本量很小，也会产生实质性的改善，并擅长于假设检验，涉及多重比较与功率控制。我们推导出零假设和备择假设下的渐近分布，并评估功率控制。在以下方面获得了出色的结果：具有挑战性的EEG数据，MNIST，Berkley Covertype和Flare-Solar数据集。
2013-05-02 cs.AI cs.LG stat.ML
Sequential Multiple Testing
我们研究了一个在线的多重测试问题，假设顺序到达流。检验统计量是独立的，并假设在各自的零假设下具有相同的分布。我们研究了由（Javanmard和Montanari，2015）提出的两个程序LORD和LOND，它们被证明可以在线控制FDR。在某些（静态）模型中，我们证明了LORD在某种渐近意义上是最优的，特别是在第一渐近阶上与（静态）Benjamini-Hochberg过程一样强大。我们还量化了LOND的性能。一些数值实验补充了我们的理论。
2017-05-25 math.ST stat.TH
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
When to adjust alpha during multiple testing: A consideration of disjunction, conjunction, and individual testing
科学家经常在原假设显著性检验过程中调整他们的显著性阈值（α水平），以考虑多重检验和多重比较。在科学复制危机的背景下，这种阿尔法调整变得特别重要。本文考虑的条件下，这种阿尔法调整是适当的，在哪些条件下，它是不适当的。区分三种类型的多重检验：分离检验、连接检验和单独检验。有人认为，α调整是唯一适当的情况下，分离测试，其中至少有一个测试结果必须是显着的，以拒绝相关的联合原假设。在联合检验的情况下，α调整是不合适的，其中所有相关结果必须是显著的，以便拒绝联合原假设。在个体检验的情况下，α调整也是不合适的，其中每个个体结果必须是显著的，以便拒绝每个相关的个体原假设。检查了这三种类型的多重检验中每一种的保证条件。结论是研究人员不应该自动（无意识地）假设α调整是必要的，在多重检验。提供了关于联合研究假设和联合多因素方差分析假设的说明。
2021-07-06 math.ST stat.ME stat.TH
Admissible online closed testing must employ e-values
University of Bremen（不来梅大学）；Carnegie Mellon University（卡内基梅隆大学）
本文提出了一种基于e值的在线闭合检验方法，通过使用任何时间有效的检验，为数据自适应选择的拒绝集中的真实发现提供下界保证。
2025-12-15 stat.ME
Testing hypotheses in the Birnbaum-Saunders distribution under type-II censored samples
双参数Birnbaum-Saunders分布已成功地用于模拟疲劳失效时间。虽然删失是典型的可靠性和生存的研究，很少有工作已发表的分析删失数据的这种分布。本文研究了在II型右删失样本下Birnbaum-Saunders分布的两个参数的检验推断问题。似然比统计量和最近提出的统计量，梯度统计量，提供了一个方便的框架，统计推断在这种情况下，因为他们不需要获得，估计或反转的信息矩阵，这是一个优点，在涉及删失数据的问题。为了研究和比较似然比和梯度检验的有限样本性能，进行了广泛的蒙特卡罗模拟研究。我们的数值结果表明，梯度测试应该是首选。三个经验的应用。
2010-09-10 stat.ME
Safe hypotheses testing with application to order restricted inference
University of Haifa（海法大学）
本文提出安全检验方法，用于在顺序限制推断中避免第三类错误，通过有效性证书确保推断的可靠性。
2026-02-17 stat.ME
A layman's note on a class of frequentist hypothesis testing problems
据观察，对于简单假设之间的测试，其中I型和II型错误的成本可以量化，最好让优化选择测试大小。
2015-02-04 math.ST stat.TH
Cross-screening in observational studies that test many hypotheses
我们讨论的观察性研究，测试许多因果假设，无论是关于许多结果或许多治疗的假设。一项检验许多因果假设的观察性研究要想可信，就必须证明其结论既不是多重检验的伪影，也不是非随机治疗分配的小偏倚。在某种需要仔细定义的意义上，隐藏在非随机分配的敏感性分析中的是对多重检验的巨大修正：在没有偏倚的情况下，单独的多重检验极不可能产生对中度偏倚不敏感的关联。我们提出了一种新的策略，称为“交叉筛选”，不同的，但最近的工作的Bogomolov和海勒的可复制性的动机。交叉筛选将数据随机分成两半，使用前半部分计划在后半部分进行的研究，然后使用后半部分计划在前半部分进行的研究，并报告两项研究中更有利的结论，使用Bonferroni不等式进行校正。如果这两项研究碰巧一致，那么它们就实现了博戈莫洛夫-海勒可复制性;然而，重要的是，可复制性并不是强有力地控制家族错误率所必需的，任何一项研究都足以得出坚定的结论。在假设较少的随机化研究中，与传统的多重性控制方法相比，交叉分裂筛选不是一种有吸引力的方法，但当在观察性研究中对数百或数千个假设进行敏感性分析时，交叉分裂筛选可能会变得有吸引力。我们通过比较食用大量鱼类与很少或没有鱼类的个体中的46种生物标志物来说明该技术。
2017-03-06 stat.AP stat.ME
