Conditional calibration for false discovery rate control under dependence
依赖情形下控制错误发现率的条件校准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：摘要属于一般依赖多重检验；统计量之间的依赖不足以说明存在经济网络或干扰，因此不归入所列细分。
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
依赖情形下控制错误发现率的条件校准
- 研究问题
- 当多个检验统计量具有已知依赖结构时，如何在有限样本中控制错误发现率，并减少最坏情形依赖修正造成的功效损失？
- 方法与思路
- 作者分别为各假设条件校准数据依赖的拒绝阈值，并提出依赖调整的BH程序，对每个假设的BH调整后p值进行阈值化。
- 材料陈述的贡献
- 摘要称dBH在正回归依赖下统一优于BH、一般情况下统一优于BY，并报告相对BY的功效增益及与knockoffs的比较。
- 阅读关注点
- 应核对已知依赖结构如何进入校准、有限样本FDR控制的条件、统一优势的定义，以及模拟和knockoffs比较的适用设定。
- 阅读边界
- 仅据版本未注明的OpenAlex索引摘要；优势结论需结合依赖已知等条件，摘要未说明结构误设的影响，不能推断对任意未知依赖有效。
原文摘要
We introduce a new class of methods for finite-sample false discovery rate (FDR) control in multiple testing problems with dependent test statistics where the dependence is known. Our approach separately calibrates a data-dependent p-value rejection threshold for each hypothesis, relaxing or tightening the threshold as appropriate to target exact FDR control. In addition to our general framework, we propose a concrete algorithm, the dependence-adjusted Benjamini–Hochberg (dBH) procedure, which thresholds the BH-adjusted p-value for each hypothesis. Under positive regression dependence, the dBH procedure uniformly dominates the standard BH procedure, and in general it uniformly dominates the Benjamini–Yekutieli (BY) procedure (also known as BH with log correction), which makes a conservative adjustment for worst-case dependence. Simulations and real data examples show substantial power gains over the BY procedure, and competitive performance with knockoffs in settings where both methods are applicable. When the BH procedure empirically controls FDR (as it typically does in practice), the dBH procedure performs comparably.