Filtering the Rejection Set While Preserving False Discovery Rate Control
在保持错误发现率控制的同时筛选拒绝集合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：摘要中的树和有向图用于假设间结构与多重检验筛选，并非经济网络或干扰效应模型。
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…
在保持错误发现率控制的同时筛选拒绝集合
- 研究问题
- 多重检验后为消除结构性冗余而筛选拒绝集合时，如何保持错误发现率控制，使最终报告结果仍具有推断保证？
- 方法与思路
- 作者提出 Focused BH，对预先指定的筛选器进行调整，并在包括筛选单调性与 p 值正依赖的条件下分析错误发现率。
- 材料陈述的贡献
- 摘要称该方法在若干条件下控制错误发现率，模拟显示多种设置下表现良好，并用疾病分类和基因本体数据展示用途。
- 阅读关注点
- 核对错误发现率针对的最终集合、预先指定筛选器的要求、单调性和依赖条件，以及筛选规则是否使用同一数据确定。
- 阅读边界
- 摘要未完整列出控制条件，不能将预先指定筛选器的保证推广到任意事后筛选。来源为版本未注明的 OpenAlex 索引摘要，不能推断刊本变化。
原文摘要
Scientific hypotheses in a variety of applications have domain-specific structures, such as the tree structure of the international classification of diseases (ICD), the directed acyclic graph structure of the gene ontology (GO), or the spatial structure in genome-wide association studies. In the context of multiple testing, the resulting relationships among hypotheses can create redundancies among rejections that hinder interpretability. This leads to the practice of filtering rejection sets obtained from multiple testing procedures, which may in turn invalidate their inferential guarantees. We propose Focused BH, a simple, flexible, and principled methodology to adjust for the application of any prespecified filter. We prove that Focused BH controls the false discovery rate under various conditions, including when the filter satisfies an intuitive monotonicity property and the p-values are positively dependent. We demonstrate in simulations that Focused BH performs well across a variety of settings, and illustrate this method’s practical utility via analyses of real datasets based on ICD and GO.