False Discovery Rate Control Under General Dependence By Symmetrized Data Aggregation
通过对称化数据聚合控制一般依赖下的错误发现率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：摘要研究通用多重检验及依赖下错误发现控制，未提供所列经济学细分领域的直接依据。
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…
通过对称化数据聚合控制一般依赖下的错误发现率
- 研究问题
- 多个检验之间存在一般依赖时，如何利用依赖信息构造分布无关的多重检验规则，并兼顾错误发现控制与检验功效？
- 方法与思路
- 作者提出对称化数据聚合，通过样本分割、筛选和信息汇集构造具有全局对称性的排序统计量，再选择数据驱动阈值。
- 材料陈述的贡献
- 摘要称给出一般依赖下实际 FDR 的有限样本上界，并在正则条件下建立 FDR 与错误发现比例的渐近控制及数值比较。
- 阅读关注点
- 应核对全局对称性的来源、筛选和分割的要求，区分有限样本上界与目标水平控制，并检查渐近条件及功效比较设置。
- 阅读边界
- 仅依据 OpenAlex 索引摘要，稿件版本未注明；不能将有限样本上界等同于任意依赖下的精确目标控制，软件状态未核验，亦不能推断刊本变化。
原文摘要
We develop a new class of distribution-free multiple testing rules for false discovery rate (FDR) control under general dependence. A key element in our proposal is a symmetrized data aggregation (SDA) approach to incorporating the dependence structure via sample splitting, data screening, and information pooling. The proposed SDA filter first constructs a sequence of ranking statistics that fulfill global symmetry properties, and then chooses a data-driven threshold along the ranking to control the FDR. The SDA filter substantially outperforms the Knockoff method in power under moderate to strong dependence, and is more robust than existing methods based on asymptotic p-values. We first develop finite-sample theories to provide an upper bound for the actual FDR under general dependence, and then establish the asymptotic validity of SDA for both the FDR and false discovery proportion control under mild regularity conditions. The procedure is implemented in the R package sdafilter. Numerical results confirm the effectiveness and robustness of SDA in FDR control and show that it achieves substantial power gain over existing methods in many settings.