Selective Inference for Hierarchical Clustering
层次聚类的选择后推断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：摘要聚焦聚类后的统计检验，未提供因果推断或其他所列细分方向的直接证据。
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
层次聚类的选择后推断
- 研究问题
- 当比较的两组由数据聚类产生时，如何检验簇间均值差异，并控制因数据同时决定检验假设而产生的第一类错误膨胀？
- 方法与思路
- 作者提出选择后推断，将簇及零假设的数据驱动选择纳入检验，并为多种连接准则下的凝聚层次聚类计算精确 p 值。
- 材料陈述的贡献
- 摘要称程序控制选择性第一类错误，并指出使用独立数据分别聚类和检验仍可能存在问题；方法以模拟及单细胞数据展示。
- 阅读关注点
- 应核对所条件化的选择事件、精确 p 值的分布假设、支持的连接准则，以及独立数据分组仍导致错误膨胀的具体机制。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，不能推断刊本变化；摘要未说明模型假设及选择性错误控制与其他错误率的关系。
原文摘要
Classical tests for a difference in means control the Type I error rate when the groups are defined a priori. However, when the groups are instead defined via clustering, then applying a classical test yields an extremely inflated Type I error rate. Notably, this problem persists even if two separate and independent datasets are used to define the groups and to test for a difference in their means. To address this problem, in this article, we propose a selective inference approach to test for a difference in means between two clusters. Our procedure controls the selective Type I error rate by accounting for the fact that the choice of null hypothesis was made based on the data. We describe how to efficiently compute exact p-values for clusters obtained using agglomerative hierarchical clustering with many commonly used linkages. We apply our method to simulated data and to single-cell RNA-sequencing data. Supplementary materials for this article are available online.