False discovery control with p-value weighting
通过p值加权控制错误发现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：摘要属于一般多重检验与错误发现控制，未明确应用于所列领域细分。
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…
通过p值加权控制错误发现
- 研究问题
- 多重假设检验中，如何通过p值权重引入先验信息，同时控制错误发现率，并评估权重配置对检验功效的影响？
- 方法与思路
- 作者提出加权p值的多重检验程序，并讨论权重与非零假设的关联如何影响功效，同时提供控制错误发现超越概率的类似方法。
- 材料陈述的贡献
- 摘要称有利的权重关联可提高功效，但接近满功效时例外；权重不太大时，不良配置仅小幅降低功效，并可控制超越概率。
- 阅读关注点
- 应核对权重的归一化、先验信息来源和检验依赖条件，以及功效改善、小幅损失与超越概率控制的精确定义。
- 阅读边界
- 仅据OpenAlex索引摘要，稿件版本未注明；摘要未说明权重大小限制、依赖条件或数据生成权重的规则，不能无条件套用控制结论。
原文摘要
We present a method for multiple hypothesis testing that maintains control of the false discovery rate while incorporating prior information about the hypotheses. The prior information takes the form of p-value weights. If the assignment of weights is positively associated with the null hypotheses being false, the procedure improves power, except in cases where power is already near one. Even if the assignment of weights is poor, power is only reduced slightly, as long as the weights are not too large. We also provide a similar method for controlling false discovery exceedance.