A unified treatment of multiple testing with prior knowledge using the p-filter
利用 p-filter 统一处理含先验知识的多重检验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：摘要是一般多重检验框架，分组和依赖结构本身不足以认定网络与干扰研究。
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…
利用 p-filter 统一处理含先验知识的多重检验
- 研究问题
- 如何在多重检验中同时使用假设可信度、误发现的重要性、可重叠分组及依赖结构知识，并控制错误发现率？
- 方法与思路
- 作者提出 p-filter 统一算法框架，将先验权重、误发现惩罚、多重分组与依赖信息共同纳入检验程序。
- 材料陈述的贡献
- 摘要称该框架用于全局零假设检验和错误发现率控制，可同时容纳四类先验知识，并以既有算法为特殊情形。
- 阅读关注点
- 应核对不同层级的错误发现率定义、权重与惩罚的约束、重叠分组处理，以及各依赖结构下控制成立的条件。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；未说明先验知识如何获得、具体控制条件或功效结果，不能断言必然增效。
原文摘要
There is a significant literature on methods for incorporating knowledge into multiple testing procedures so as to improve their power and precision. Some common forms of prior knowledge include (a) beliefs about which hypotheses are null, modeled by nonuniform prior weights; (b) differing importances of hypotheses, modeled by differing penalties for false discoveries; (c) multiple arbitrary partitions of the hypotheses into (possibly overlapping) groups and (d) knowledge of independence, positive or arbitrary dependence between hypotheses or groups, suggesting the use of more aggressive or conservative procedures. We present a unified algorithmic framework called p-filter for global null testing and false discovery rate (FDR) control that allows the scientist to incorporate all four types of prior knowledge (a)–(d) simultaneously, recovering a variety of known algorithms as special cases.