Changepoint estimation: another look at multiple testing problems
变点估计：重新审视多重检验问题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：摘要中的变点用于遗传数据多重检验的信号边界，未明确研究宏观时间序列结构变化。
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
变点估计：重新审视多重检验问题
- 研究问题
- 当大规模多重检验中的信号在局部聚集时，如何利用聚集边界提高检测能力，并处理独立或相依的 p 值？
- 方法与思路
- 作者借用变点分析技术构造边界检测算法，将局部聚集信息纳入多重检验，并分别研究独立与相依 p 值情形。
- 材料陈述的贡献
- 摘要称，方法提高多重检验的准确性；模拟显示现实样本规模下检测能力改善，并应用于血脂全基因组关联数据。
- 阅读关注点
- 阅读全文时应核对信号排列与聚集假设、边界估计对检验校准的影响，以及相依结构、错误率控制和比较指标的定义。
- 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；摘要未说明错误控制类型，变点技术应用于检验信号聚集。
原文摘要
We consider large scale multiple testing for data that have locally clustered signals. With this structure, we apply techniques from changepoint analysis and propose a boundary detection algorithm so that the clustering information can be utilized. Consequently the precision of the multiple testing procedure is substantially improved. We study tests with independent as well as dependent |$p$|-values. Monte Carlo simulations suggest that the methods perform well with realistic sample sizes and show improved detection ability compared with competing methods. Our procedure is applied to a genome-wide association dataset of blood lipids.