Hierarchical False Discovery Rate–Controlling Methodology
控制错误发现率的层级检验方法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：摘要属于通用层级多重检验，假设树状组织不等于经济网络或干扰结构。
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
控制错误发现率的层级检验方法
- 研究问题
- 大规模研究中，假设按树状层级划分为多个互不重叠的子家族时，如何进行层级检验并控制最终发现的错误发现率？
- 方法与思路
- 作者在树状假设家族上分层使用 BH 程序，推导独立检验统计量下的多家族错误发现率近似，并研究整体错误率上界。
- 材料陈述的贡献
- 摘要给出层级发现的通用错误发现率上界，并称当数据具有层级结构时，该方法在模拟中可比普通 BH 程序具有更高功效。
- 阅读关注点
- 应核对家族进入检验的规则、最终发现集合的定义，以及独立性在近似结果中的作用和通用上界的准确适用范围。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；错误率近似与上界不能视为同一保证，具体条件和模拟功效幅度未说明，不能推断刊本变化。
原文摘要
We discuss methodology for controlling the false discovery rate (FDR) in complex large-scale studies that involve testing multiple families of hypotheses; the tested hypotheses are arranged in a tree of disjoint subfamilies, and the subfamilies of hypotheses are hierarchically tested by the Benjamini and Hochberg FDR-controlling (BH) procedure. We derive an approximation for the multiple family FDR for independently distributed test statistics: q, the level at which the BH procedure is applied, times the number of families tested plus the number of discoveries, divided by the number of discoveries plus 1. We provide a universal bound for the FDR of the discoveries in the new hierarchical testing approach, 2 × 1.44 × q, and demonstrate in simulations that when the data has an hierarchical structure the new testing approach can be considerably more powerful than the BH procedure.