FarmTest: Factor-Adjusted Robust Multiple Testing with Approximate False Discovery Control
FarmTest：近似控制错误发现比例的因子调整稳健多重检验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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要研究跨学科多重检验，金融仅为应用领域举例，未明确对应具体金融因子研究。
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…
FarmTest：近似控制错误发现比例的因子调整稳健多重检验
- 研究问题
- 在检验统计量相关且数据重尾的大规模检验中，如何稳健估计并控制错误发现比例，同时维持有用的检验功效？
- 方法与思路
- 作者提出 FarmTest，通过稳健因子调整处理共同依赖与重尾问题，分析错误发现比例估计，并研究稳健 U 型协方差估计量。
- 材料陈述的贡献
- 摘要称，论文给出错误发现比例估计一致性的条件与协方差谱范数偏差界，数值实验展示重尾场景下的优势，并提供 R 实现。
- 阅读关注点
- 应核对错误发现比例控制的准确含义、因子估计和尾部条件，以及一致估计如何支持检验阈值选择和功效比较。
- 阅读边界
- 所据为 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未说明完整控制条件，不能据此认定任意有限样本均获精确控制。
原文摘要
Large-scale multiple testing with correlated and heavy-tailed data arises in a wide range of research areas from genomics, medical imaging to finance. Conventional methods for estimating the false discovery proportion (FDP) often ignore the effect of heavy-tailedness and the dependence structure among test statistics, and thus may lead to inefficient or even inconsistent estimation. Also, the commonly imposed joint normality assumption is arguably too stringent for many applications. To address these challenges, in this paper we propose a Factor-Adjusted Robust Multiple Testing (FarmTest) procedure for large-scale simultaneous inference with control of the false discovery proportion. We demonstrate that robust factor adjustments are extremely important in both controlling the FDP and improving the power. We identify general conditions under which the proposed method produces consistent estimate of the FDP. As a byproduct that is of independent interest, we establish an exponential-type deviation inequality for a robust $U$-type covariance estimator under the spectral norm. Extensive numerical experiments demonstrate the advantage of the proposed method over several state-of-the-art methods especially when the data are generated from heavy-tailed distributions. The proposed procedures are implemented in the R-package FarmTest.