Stepwise Multiple Testing as Formalized Data Snooping
逐步多重检验：将数据窥探形式化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：摘要围绕通用多重检验、错误率控制与多策略基准比较展开，但未说明策略所处的经济场景，所列领域细分的证据不足。
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
逐步多重检验：将数据窥探形式化
- 研究问题
- 在同时开展多个假设检验、比较多种策略与共同基准时，如何决定拒绝哪些假设，并控制多重检验带来的家族错误率？
- 方法与思路
- 作者提出逐步多重检验程序，利用检验统计量的联合依赖结构，并建议在可行时进行学生化，以渐近控制家族错误率。
- 材料陈述的贡献
- 摘要称，相较相关单步方法，该程序具有更高功效，能够拒绝更多错误假设；模拟与真实数据应用用于展示所述改进。
- 阅读关注点
- 阅读时应核对家族错误率控制所需条件、联合依赖结构的处理方式，以及学生化和逐步拒绝规则如何影响检验功效。
- 阅读边界
- 摘要未说明具体策略、真实数据来源及误差控制条件；渐近有效性与所称功效提升不能据此推定适用于任意有限样本。
原文摘要
In econometric applications, often several hypothesis tests are carried out at once. The problem then becomes how to decide which hypotheses to reject, accounting for the multitude of tests. This paper suggests a stepwise multiple testing procedure that asymptotically controls the familywise error rate. Compared to related single-step methods, the procedure is more powerful and often will reject more false hypotheses. In addition, we advocate the use of studentization when feasible. Unlike some stepwise methods, the method implicitly captures the joint dependence structure of the test statistics, which results in increased ability to detect false hypotheses. The methodology is presented in the context of comparing several strategies to a common benchmark. However, our ideas can easily be extended to other contexts where multiple tests occur. Some simulation studies show the improvements of our methods over previous proposals. We also provide an application to a set of real data.