Weighted False Discovery Rate Control in Large-Scale Multiple Testing
大规模多重检验中的加权错误发现率控制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：摘要研究通用多重检验及基因组关联应用，未明确涉及所列经济学或金融计量方向，故保留空分类。
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…
大规模多重检验中的加权错误发现率控制
- 研究问题
- 如何在大规模多重检验中引入先验领域知识，在约束加权错误发现率的同时，最大化预期真阳性发现数量？
- 方法与思路
- 作者在决策理论框架下构造知道相关信息的理想程序与数据驱动程序，并分析其渐近有效性、最优性和模拟表现。
- 材料陈述的贡献
- 摘要称，所提程序具有渐近有效性与最优性，模拟中控制名义错误率，并在多种设定下获得较大的功效增益。
- 阅读关注点
- 应核对权重的定义和来源、加权错误发现率的目标、渐近最优性的比较范围，以及数据估计权重时需要的条件。
- 阅读边界
- 仅据版本未注明的索引摘要；摘要未说明权重估计、检验依赖结构与具体功效增益，不能推出普遍的有限样本保证。
原文摘要
The use of weights provides an effective strategy to incorporate prior domain knowledge in large-scale inference. This paper studies weighted multiple testing in a decision-theoretic framework. We develop oracle and data-driven procedures that aim to maximize the expected number of true positives subject to a constraint on the weighted false discovery rate. The asymptotic validity and optimality of the proposed methods are established. The results demonstrate that incorporating informative domain knowledge enhances the interpretability of results and precision of inference. Simulation studies show that the proposed method controls the error rate at the nominal level, and the gain in power over existing methods is substantial in many settings. An application to a genome-wide association study is discussed.