Sequential multiple testing with generalized error control: An asymptotic optimality theory
广义错误控制下序贯多重检验的渐近最优性理论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：摘要讨论通用序贯多重检验及错误控制，未指定因果、时间序列或金融对象，不能仅凭序贯观测归入特定领域。
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
广义错误控制下序贯多重检验的渐近最优性理论
- 研究问题
- 在控制至少若干次总体错误，或分别控制若干次假阳性和假阴性的要求下，序贯多重检验需要多少观测才能达到渐近最优？
- 方法与思路
- 作者在不同假设的数据流相互独立、局部对数似然比满足特定强大数律的条件下，刻画最优期望样本量并构造检验程序。
- 材料陈述的贡献
- 摘要称错误概率趋于零时获得最优样本量的一阶近似，新程序对每种信号配置渐近有效，并量化独立同分布流中的样本收益。
- 阅读关注点
- 应核对两类错误指标的准确含义、停止和决策规则、强大数律条件，以及与固定样本方案比较时采用的共同约束。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；结果依赖数据流独立等条件，摘要未说明相关流的处理或有限错误水平下的表现。
原文摘要
The sequential multiple testing problem is considered under two generalized error metrics. Under the first one, the probability of at least $k$ mistakes, of any kind, is controlled. Under the second, the probabilities of at least $k_{1}$ false positives and at least $k_{2}$ false negatives are simultaneously controlled. For each formulation, the optimal expected sample size is characterized, to a first-order asymptotic approximation as the error probabilities go to 0, and a novel multiple testing procedure is proposed and shown to be asymptotically efficient under every signal configuration. These results are established when the data streams for the various hypotheses are independent and each local log-likelihood ratio statistic satisfies a certain strong law of large numbers. In the special case of i.i.d. observations in each stream, the gains of the proposed sequential procedures over fixed-sample size schemes are quantified.