A Bayesian Discovery Procedure
一种贝叶斯发现程序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：摘要主要讨论通用多重比较与基因表达分析，空间依赖本身不足以归入经济网络与干扰。
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…
一种贝叶斯发现程序
- 研究问题
- 在多重比较问题中，如何用真阳性与假阳性计数构造决策损失，并据此建立利用聚类收缩的贝叶斯发现规则？
- 方法与思路
- 作者从决策论推导备择后验概率阈值规则，在半参数模型中研究最优发现程序的近似，并通过聚类收缩改进近似。
- 材料陈述的贡献
- 摘要称提出贝叶斯发现程序，展示模拟与肿瘤微阵列比较，并讨论损失修改带来的阈值统计量及空间依赖应用。
- 阅读关注点
- 应核对损失函数如何决定阈值、半参数模型和聚类收缩的构造，以及近似误差与依赖数据处理的条件。
- 阅读边界
- 仅据所给Crossref摘要，无法判断频率学错误率控制、比较数值或普遍优势；空间依赖应用的具体设定未说明。
原文摘要
Summary We discuss a Bayesian discovery procedure for multiple-comparison problems. We show that, under a coherent decision theoretic framework, a loss function combining true positive and false positive counts leads to a decision rule that is based on a threshold of the posterior probability of the alternative. Under a semiparametric model for the data, we show that the Bayes rule can be approximated by the optimal discovery procedure, which was recently introduced by Storey. Improving the approximation leads us to a Bayesian discovery procedure, which exploits the multiple shrinkage in clusters that are implied by the assumed non-parametric model. We compare the Bayesian discovery procedure and the optimal discovery procedure estimates in a simple simulation study and in an assessment of differential gene expression based on microarray data from tumour samples. We extend the setting of the optimal discovery procedure by discussing modifications of the loss function that lead to different single-thresholding statistics. Finally, we provide an application of the previous arguments to dependent (spatial) data.