LAWS: A Locally Adaptive Weighting and Screening Approach to Spatial Multiple Testing
LAWS：空间多重检验的局部自适应加权与筛选方法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：摘要研究空间多重检验与图像分析，未提供对应所列经济计量细分方向的充分依据。
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…
关注这篇论文的作者
LAWS：空间多重检验的局部自适应加权与筛选方法
- 研究问题
- 在存在空间模式的大规模多重检验中，如何利用局部信号稀疏程度，提高发现能力并保持错误发现率控制？
- 方法与思路
- 作者提出局部自适应加权与筛选规则，根据估计的局部稀疏程度构造稳健、适应空间结构的权重，形成数据驱动的检验框架。
- 材料陈述的贡献
- 摘要称该方法在一定依赖条件下渐近控制错误发现率，模拟显示其功效有所提高，并以二维和三维图像分析展示应用。
- 阅读关注点
- 应核对局部稀疏程度的估计方式、权重与筛选的配合机制，以及依赖条件、渐近控制和有限样本比较各自适用的范围。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，不能推断刊本变化；摘要未说明依赖条件的具体形式，也不能据此认定有限样本普遍控制错误发现率。
原文摘要
Exploiting spatial patterns in large-scale multiple testing promises to improve both power and interpretability of false discovery rate (FDR) analyses. This article develops a new class of locally adaptive weighting and screening (LAWS) rules that directly incorporates useful local patterns into inference. The idea involves constructing robust and structure-adaptive weights according to the estimated local sparsity levels. LAWS provides a unified framework for a broad range of spatial problems and is fully data-driven. It is shown that LAWS controls the FDR asymptotically under mild conditions on dependence. The finite sample performance is investigated using simulated data, which demonstrates that LAWS controls the FDR and outperforms existing methods in power. The efficiency gain is substantial in many settings. We further illustrate the merits of LAWS through applications to the analysis of two-dimensional and three-dimensional images. Supplementary materials for this article are available online.