Large-scale multiple testing of composite null hypotheses under heteroskedasticity
异方差下复合原假设的大规模多重检验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：摘要讨论通用多重检验与经验贝叶斯方法，用户检测应用未明确对应所列经济计量细分方向。
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
异方差下复合原假设的大规模多重检验
- 研究问题
- 当检验统计量异方差且目标参数与方差相关时，如何避免标准化造成的信息损失，同时控制错误发现率并提高检验功效？
- 方法与思路
- 作者直接将方差信息纳入多重检验，借助改进的非参数经验贝叶斯反卷积估计，刻画目标参数与统计量方差的依赖。
- 材料陈述的贡献
- 摘要称建立了错误发现率控制的渐近有效性与最优性，并报告多个模拟设置中的功效收益及手机游戏用户检测应用。
- 阅读关注点
- 应核对复合原假设的形式、反卷积估计所需条件、最优性的比较范围，以及检验间依赖如何影响错误发现率控制。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断渐近结论的具体条件或有限样本保证；功效优势来自所述模拟，刊本变化未提供。
原文摘要
Summary Heteroskedasticity poses several methodological challenges in designing valid and powerful procedures for simultaneous testing of composite null hypotheses. In particular, the conventional practice of standardizing or rescaling heteroskedastic test statistics in this setting may severely affect the power of the underlying multiple testing procedure. Additionally, when the inferential parameter of interest is correlated with the variance of the test statistic, methods that ignore this dependence may fail to control the Type I error at the desired level. We propose a new heteroskedasticity-adjusted multiple testing procedure that avoids data reduction by standardization and directly incorporates the side information from the variances into the testing procedure. Our approach relies on an improved nonparametric empirical Bayes deconvolution estimator that offers a practical way of capturing the dependence between the inferential parameter of interest and the variance of the test statistic. We develop theory to establish that the proposed procedure is asymptotically valid and optimal for false discovery rate control. Simulation results demonstrate that our method outperforms existing procedures, with substantial power gains across many settings at the same false discovery rate level. The method is illustrated with an application involving the detection of engaged users on a mobile game app.