Dependency and false discovery rate: Asymptotics
依赖性与错误发现率：渐近分析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：摘要研究一般依赖多重检验，统计依赖本身不足以归入经济网络或干扰效应。
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…
依赖性与错误发现率：渐近分析
- 研究问题
- 当检验统计量在原假设下可交换且存在依赖时，线性逐步上升程序的期望错误率和错误发现率如何随检验数增长变化？
- 方法与思路
- 作者通过 p 值经验分布与 Simes 拒绝曲线的最大交点分析极限错误率，并具体研究等相关正态和 t 分布模型。
- 材料陈述的贡献
- 摘要称建立了交点与极限错误率的联系，给出特定模型的理论及数值计算，并发现这些模型趋向独立时的特殊极限行为。
- 阅读关注点
- 应核对极端参数配置、可交换性和相关结构的要求，区分两类错误率的定义，并检查趋向独立时不同极限的处理。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；未给出显式公式或特殊极限的数值，不能推断任意依赖结构下均能控制错误发现率。
原文摘要
Some effort has been undertaken over the last decade to provide conditions for the control of the false discovery rate by the linear step-up procedure (LSU) for testing $n$ hypotheses when test statistics are dependent. In this paper we investigate the expected error rate (EER) and the false discovery rate (FDR) in some extreme parameter configurations when $n$ tends to infinity for test statistics being exchangeable under null hypotheses. All results are derived in terms of $p$-values. In a general setup we present a series of results concerning the interrelation of Simes’ rejection curve and the (limiting) empirical distribution function of the $p$-values. Main objects under investigation are largest (limiting) crossing points between these functions, which play a key role in deriving explicit formulas for EER and FDR. As specific examples we investigate equi-correlated normal and $t$-variables in more detail and compute the limiting EER and FDR theoretically and numerically. A surprising limit behavior occurs if these models tend to independence.