A Stepwise Resampling Method of Multiple Hypothesis Testing
多重假设检验的逐步重抽样方法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：摘要研究通用多重检验及离散结局的重抽样理论，未明确关联因果、面板、时间序列或金融等给定细分方向。
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
多重假设检验的逐步重抽样方法
- 研究问题
- 比较两组的多个结局时，若数据离散且无法取得精确调整后的 p 值，逐步重抽样能否实现目标整体第一类错误控制？
- 方法与思路
- 作者结合序贯多重检验与重抽样结构，利用数据的协方差信息，将已有连续数据下的逐步下降结果推广到离散情形。
- 材料陈述的贡献
- 摘要称在两组多结局比较中，即使缺少精确调整后的 p 值，该方法仍可渐近达到控制整体第一类错误的目标水平。
- 阅读关注点
- 应核对重抽样机制、逐步检验规则及渐近成立条件，区分整体错误控制的渐近保证与有限样本中的实际表现。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未说明完整有效性条件，不能将其表述为任意分布下的有限样本精确控制。
原文摘要
This article introduces a method of multiple hypothesis testing that combines the idea of sequential multiple testing procedures with the structure of resampling methods. The method can be seen as an alternative to the analytic method of Dunnett and Tamhane, which requires a specific distributional form. Resampling incorporates the covariance structure of the data without the need for distributional assumptions. Recent work by Westfall and Young has shown that a step-down resampling method is asymptotically consistent when adjusted p values can be obtained exactly for continuous data. This article shows that in the case of a comparison of two groups on multiple outcomes, those results are generalizable to discrete data where exact adjusted p values are not available. It is shown that the method asymptotically attains the desired level for controlling the experimentwise probability of a type I error.