Predicting False Discovery Proportion Under Dependence
依赖条件下错误发现比例的预测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：摘要讨论一般多重检验中的依赖和错误发现指标，未直接对应所列经济金融细分。
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
依赖条件下错误发现比例的预测
- 研究问题
- 多重检验的 p 值存在依赖时，如何预测实际错误发现比例及其不确定性，并描述相关的错误发现率指标？
- 方法与思路
- 作者对 p 值的 probit 变换使用多元偏斜正态混合模型，纳入依赖和密度形状约束，以非参数贝叶斯方法及 MCMC 推断。
- 材料陈述的贡献
- 摘要称框架可预测错误发现比例及可信带，推导依赖观测下的正错误发现率表达式，并通过模拟和肾移植数据说明。
- 阅读关注点
- 应核对零假设与备择成分的区分、依赖和形状约束设定，以及错误发现比例、正错误发现率与后验可信带的不同含义。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未说明成分可识别条件或可信带表现，预测错误比例不等同于程序保证错误率控制。
原文摘要
We present a flexible framework for predicting error measures in multiple testing situations under dependence. Our approach is based on modeling the distribution of the probit transform of the p-values by mixtures of multivariate skew-normal distributions. The model can incorporate dependence among p-values and it allows for shape restrictions on the p-value density. A nonparametric Bayesian scheme for estimating the components of the mixture model is outlined and Markov chain Monte Carlo algorithms are developed. These lead to the prediction of false discovery proportion and related credible bands. An expression for the positive false discovery rate for dependent observations is also derived. The power of the mixture model in estimation of key quantities in multiple testing is illustrated by a simulation study. A dataset on kidney transplant is also analyzed using the methods developed.