Efficient estimation of the number of false positives in high-throughput screening
高通量筛查中假阳性数量的有效估计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：摘要中的尾部估计服务于生物医学多重检验，未涉及金融尾部风险或其他所列细分方向。
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
高通量筛查中假阳性数量的有效估计
- 研究问题
- 多重检验采用极低显著性水平、自由度较低且真实零分布可能偏离理论分布时，如何估计假阳性数量？
- 方法与思路
- 作者以极小 p 值的简单多项式模型开展尾部估计，估计条件近似二项分布的参数，并估计和检验真实零分布。
- 材料陈述的贡献
- 摘要称提供了支持模型的渐近分析、估计量性质和模型检查工具，并应用于两个基因组研究及一次脑成像实验。
- 阅读关注点
- 应核对条件二项近似的依据、多项式尾部模型的适用区间，以及检验间依赖和零分布偏离如何影响估计。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；近似精度、依赖条件及实际误差未说明，不能推断刊本变化。
原文摘要
This paper develops tail estimation methods to handle false positives in multiple testing problems where testing is done at extreme significance levels and with low degrees of freedom, and where the true null distribution may differ from the theoretical one. We show that the number of false positives, conditional on the total number of positives, has an approximately binomial distribution, and we find estimators of the distribution parameter. We also develop methods for estimation of the true null distribution, as well as techniques to compare it with the theoretical one. Analysis is based on a simple polynomial model for very small p-values. Asymptotics that motivate the model, properties of the estimators, and model-checking tools are provided. The methods are applied to two large genomic studies and an fMRI brain scan experiment.