Large-Scale Multiple Testing under Dependence
依赖结构下的大规模多重检验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：摘要聚焦依赖下的多重检验，未提供将其归入所列经济计量细分方向的充分依据。
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
依赖结构下的大规模多重检验
- 研究问题
- 当多个检验假设之间存在依赖时，如何在控制错误发现率的同时降低错误未发现率，并识别成簇出现的非零信号？
- 方法与思路
- 作者在复合决策框架下，以两状态隐马尔可夫模型描述数据，提出利用假设间依赖结构的理想程序与数据驱动程序。
- 材料陈述的贡献
- 摘要称所提程序控制错误发现率并具有特定最优性，利用依赖结构可改善检验表现，尤其有助于识别成簇非零信号。
- 阅读关注点
- 应核对隐马尔可夫模型的条件、未知参数的估计方法，以及错误发现率控制和渐近最优性各自成立的具体范围。
- 阅读边界
- 仅据 Crossref 摘要；模型条件、有限样本保证和数值改进幅度未说明，不能将所述优势推广至任意依赖结构。
原文摘要
Summary The paper considers the problem of multiple testing under dependence in a compound decision theoretic framework. The observed data are assumed to be generated from an underlying two-state hidden Markov model. We propose oracle and asymptotically optimal data-driven procedures that aim to minimize the false non-discovery rate FNR subject to a constraint on the false discovery rate FDR. It is shown that the performance of a multiple-testing procedure can be substantially improved by adaptively exploiting the dependence structure among hypotheses, and hence conventional FDR procedures that ignore this structural information are inefficient. Both theoretical properties and numerical performances of the procedures proposed are investigated. It is shown that the procedures proposed control FDR at the desired level, enjoy certain optimality properties and are especially powerful in identifying clustered non-null cases. The new procedure is applied to an influenza-like illness surveillance study for detecting the timing of epidemic periods.