Estimating the false discovery rate using the stochastic approximation algorithm
利用随机逼近算法估计错误发现率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：摘要属于通用多重检验与错误发现率方法，未提供所列经济或金融细分的直接应用依据。
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…
利用随机逼近算法估计错误发现率
- 研究问题
- 多重检验统计量具有较强依赖时，如何估计错误发现率，并改善主要依据独立性假设建立的方法在此类情形下的表现？
- 方法与思路
- 作者以随机逼近算法最小化密度之间的 Kullback–Leibler 距离，参数化估计检验分数密度，再用集成平均估计错误发现率。
- 材料陈述的贡献
- 摘要称方法适用于检验统计量的一般依赖，并在模拟与真实数据比较的几乎所有考察情形中，实现更准确的错误发现率控制。
- 阅读关注点
- 应核对密度模型、依赖条件和算法收敛要求，尤其区分错误发现率估计的准确性与检验程序控制错误发现率的保证。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；一般依赖的技术范围及数值场景未说明，比较结论不能视为所有依赖结构下的保证。
原文摘要
Testing of multiple hypotheses involves statistics that are strongly dependent in some applications, but most work on this subject is based on the assumption of independence. We propose a new method for estimating the false discovery rate of multiple hypothesis tests, in which the density of test scores is estimated parametrically by minimizing the Kullback–Leibler distance between the unknown density and its estimator using the stochastic approximation algorithm, and the false discovery rate is estimated using the ensemble averaging method. Our method is applicable under general dependence between test statistics. Numerical comparisons between our method and several competitors, conducted on simulated and real data examples, show that our method achieves more accurate control of the false discovery rate in almost all scenarios.