Large-Scale Simultaneous Hypothesis Testing
大规模同时假设检验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：摘要研究通用多重检验与经验贝叶斯方法，应用为基因组学，缺乏所列领域的直接证据。
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
大规模同时假设检验
- 研究问题
- 面对成百上千个同时检验，如何利用检验集合估计合适的零假设分布，并评估理论零分布选择对错误发现推断的影响？
- 方法与思路
- 作者发展经验贝叶斯分析方案，从大量检验中估计经验零分布，借助局部错误发现率讨论推断问题，并考察两个基因组学例子。
- 材料陈述的贡献
- 摘要称，经验零分布可能比逐项检验采用的理论零分布更分散；文章通过分析方案及实例说明正确选择零分布的重要性。
- 阅读关注点
- 应核对经验零分布的估计与识别条件、检验间依赖的处理，以及局部错误发现率与整体错误发现控制之间的关系。
- 阅读边界
- 依据稿件版本未注明的 OpenAlex 索引摘要；零分布估计步骤、依赖条件和错误控制保证未说明，不能推断普遍控制结论。
原文摘要
Current scientific techniques in genomics and image processing routinely produce hypothesis testing problems with hundreds or thousands of cases to consider simultaneously. This poses new difficulties for the statistician, but also opens new opportunities. In particular, it allows empirical estimation of an appropriate null hypothesis. The empirical null may be considerably more dispersed than the usual theoretical null distribution that would be used for any one case considered separately. An empirical Bayes analysis plan for this situation is developed, using a local version of the false discovery rate to examine the inference issues. Two genomics problems are used as examples to show the importance of correctly choosing the null hypothesis.