Importance Sampling for Estimating p Values in Linkage Analysis
用于连锁分析 p 值估计的重要性抽样AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要涉及遗传连锁分析中的重要性抽样与显著性计算，不能仅凭阈值超越概率归入金融尾部风险。
反馈分类问题正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
用于连锁分析 p 值估计的重要性抽样
- 研究问题
- 如何高效估计随机过程最大值超过高阈值的概率，尤其是在遗传连锁扫描中，给定观测表型评估全基因组显著性水平？
- 方法与思路
- 作者提出重要性抽样算法，计算实验群体和部分信息性标记家系的条件显著性水平，并考察多种参数对 p 值的影响。
- 材料陈述的贡献
- 摘要称在杂交群体加性效应检测、真实显著性水平约为 0.05 的情形下，算法效率约为直接蒙特卡洛的百倍；家系情形差异较大。
- 阅读关注点
- 读全文时应核对抽样分布与权重构造、效率比较指标和计算成本，以及标记间距、多态性、样本量与缺失数据的影响。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；百倍效率属于特定设置，摘要未给出完整误差和成本比较，多维情形仅称讨论了扩展。
原文摘要
Importance sampling methods are proposed for estimating the probability that the maximum of a random process exceeds a high threshold, with particular attention to assessing genome-wide significance levels in linkage analysis. The proposed algorithm is applied to computing the conditional significance level, given observed phenotypes, of scan statistics to map quantitative traits in experimental populations and in extended pedigrees of moderate size with partially informative markers. For detecting an additive effect in an intercross, the importance sampling algorithm is roughly 100 times as efficient as direct Monte Carlo simulation when the true significance level is about .05. For pedigrees with partially informative markers, the efficiency varies greatly with intermarker distance, marker polymorphism, sample size, and missing data. In this case the importance sampling algorithm is used to efficiently explore how p values vary with these parameters. Extensions of the algorithm are discussed for the case of multidimensional statistics that arise when considering dominance effects or searching for multiple loci that may involve interactions.