Covariate-Assisted Ranking and Screening for Large-Scale Two-Sample Inference
大规模两样本推断中的协变量辅助排序与筛选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：摘要研究通用两样本多重检验，应用为卫星图像检测，未提供与所列微观、宏观或金融细分方向直接对应的证据。
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
大规模两样本推断中的协变量辅助排序与筛选
- 研究问题
- 在大规模两样本多重检验中，如何利用压缩为单一 p 值时可能丢失的信息，在控制错误发现率的同时提高检验功效？
- 方法与思路
- 作者构造辅助变量，通过协变量辅助排序与筛选方法 CARS，联合主要变量与辅助变量的信息，形成数据驱动的多重检验程序。
- 材料陈述的贡献
- 摘要称 CARS 具有错误发现率控制的渐近有效性与最优性；数值实验显示功效提升，并提供 R 包及超新星检测应用。
- 阅读关注点
- 阅读全文时应核对辅助变量的构造、联合信息的排序准则、错误发现率控制所需条件，以及最优性对应的目标与比较范围。
- 阅读边界
- 仅依据所给 Crossref 摘要；摘要未说明依赖结构、具体渐近条件和功效提升数值，不能据此判断任意数据下的表现。
原文摘要
Summary Two-sample multiple testing has a wide range of applications. The conventional practice first reduces the original observations to a vector of p-values and then chooses a cut-off to adjust for multiplicity. However, this data reduction step could cause significant loss of information and thus lead to suboptimal testing procedures. We introduce a new framework for two-sample multiple testing by incorporating a carefully constructed auxiliary variable in inference to improve the power. A data-driven multiple-testing procedure is developed by employing a covariate-assisted ranking and screening (CARS) approach that optimally combines the information from both the primary and the auxiliary variables. The proposed CARS procedure is shown to be asymptotically valid and optimal for false discovery rate control. The procedure is implemented in the R package CARS. Numerical results confirm the effectiveness of CARS in false discovery rate control and show that it achieves substantial power gain over existing methods. CARS is also illustrated through an application to the analysis of a satellite imaging data set for supernova detection.