Size, power and false discovery rates
检验大小、功效与错误发现率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：摘要聚焦通用多重检验与经验贝叶斯分析，所述应用不足以对应给定经济计量细分方向。
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
检验大小、功效与错误发现率
- 研究问题
- 论文研究大规模同时检验中如何评估错误发现率与检测功效，并解释真实非零信号为何可能未进入显著发现名单。
- 方法与思路
- 作者采用经验贝叶斯方法，推导估计错误发现率的精度公式，比较局部与尾部方法及不同零分布估计方式。
- 材料陈述的贡献
- 摘要称，给出闭式精度公式和功效诊断，并以两个微阵列数据集及模拟评估方法，展示真实信号可能被遗漏的原因。
- 阅读关注点
- 应核对错误发现率的定义、经验贝叶斯建模前提、零分布估计方法，以及精度公式和功效诊断的适用条件。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明。“较少建模假设”不等于无假设；摘要未给出公式条件或数据与模拟的数值结果。
原文摘要
Modern scientific technology has provided a new class of large-scale simultaneous inference problems, with thousands of hypothesis tests to consider at the same time. Microarrays epitomize this type of technology, but similar situations arise in proteomics, spectroscopy, imaging, and social science surveys. This paper uses false discovery rate methods to carry out both size and power calculations on large-scale problems. A simple empirical Bayes approach allows the false discovery rate (fdr) analysis to proceed with a minimum of frequentist or Bayesian modeling assumptions. Closed-form accuracy formulas are derived for estimated false discovery rates, and used to compare different methodologies: local or tail-area fdr’s, theoretical, permutation, or empirical null hypothesis estimates. Two microarray data sets as well as simulations are used to evaluate the methodology, the power diagnostics showing why nonnull cases might easily fail to appear on a list of “significant” discoveries.