Optimal false discovery rate control for large scale multiple testing with auxiliary information
利用辅助信息的大规模多重检验最优错误发现率控制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：摘要聚焦通用多重检验并以遗传学数据说明，未提供所列计量领域细分的直接证据。
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
利用辅助信息的大规模多重检验最优错误发现率控制
- 研究问题
- 如何将反映假设结构关系的辅助信息纳入大规模多重检验，在控制平均错误发现率的同时增加预期真阳性数量？
- 方法与思路
- 作者构建原假设先验概率随辅助信息变化的两组混合模型，施加形状约束，并针对有序结构用稳健EM算法联合估计。
- 材料陈述的贡献
- 摘要称提出最优拒绝规则，在理论和经验分析中兼顾错误发现率控制与功效改善，并以模拟及全基因组关联数据说明。
- 阅读关注点
- 应核对平均错误发现率的定义、形状约束与依赖条件，以及先验概率和备择分布估计误差如何影响控制与最优性。
- 阅读边界
- 依据版本未注明的 OpenAlex 索引摘要。摘要未给出控制条件、比较方法配置或改善幅度，不能认定对所有检验问题均更优。
原文摘要
Large-scale multiple testing is a fundamental problem in high dimensional statistical inference. It is increasingly common that various types of auxiliary information, reflecting the structural relationship among the hypotheses, are available. Exploiting such auxiliary information can boost statistical power. To this end, we propose a framework based on a two-group mixture model with varying probabilities of being null for different hypotheses a priori, where a shape-constrained relationship is imposed between the auxiliary information and the prior probabilities of being null. An optimal rejection rule is designed to maximize the expected number of true positives when average false discovery rate is controlled. Focusing on the ordered structure, we develop a robust EM algorithm to estimate the prior probabilities of being null and the distribution of p-values under the alternative hypothesis simultaneously. We show that the proposed method has better power than state-of-the-art competitors while controlling the false discovery rate, both empirically and theoretically. Extensive simulations demonstrate the advantage of the proposed method. Datasets from genome-wide association studies are used to illustrate the new methodology.