False Discovery Control in Large-Scale Spatial Multiple Testing
大规模空间多重检验中的错误发现控制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：主要内容是空间多重检验；空间位置和臭氧趋势本身不足以归入网络干扰或其他所列细分。
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…
大规模空间多重检验中的错误发现控制
- 研究问题
- 如何在连续空间域的逐点与簇级信号检验中控制不同错误发现指标，并将理论程序转化为大规模数据可实施的方法？
- 方法与思路
- 作者构造控制错误发现率、错误发现超限及错误簇率的 oracle 程序，以数据驱动的有限近似和贝叶斯计算实现空间检验。
- 材料陈述的贡献
- 摘要称，程序具有渐近有效性，数值实验中错误控制与功效优于常规方法，并用于分析美国东部对流层臭氧的时间趋势。
- 阅读关注点
- 应核对三类错误指标及最优性的定义、空间依赖条件、连续域有限近似的误差，以及贝叶斯计算如何实现所述错误控制。
- 阅读边界
- 仅据所给 Crossref 摘要；摘要未说明最优性的比较范围、渐近条件或数值实验设置，不能推断有限样本普遍有效。
原文摘要
Summary The paper develops a unified theoretical and computational framework for false discovery control in multiple testing of spatial signals. We consider both pointwise and clusterwise spatial analyses, and derive oracle procedures which optimally control the false discovery rate, false discovery exceedance and false cluster rate. A data-driven finite approximation strategy is developed to mimic the oracle procedures on a continuous spatial domain. Our multiple-testing procedures are asymptotically valid and can be effectively implemented using Bayesian computational algorithms for analysis of large spatial data sets. Numerical results show that the procedures proposed lead to more accurate error control and better power performance than conventional methods. We demonstrate our methods for analysing the time trends in tropospheric ozone in eastern USA.