Permutation-based simultaneous confidence bounds for the false discovery proportion
基于置换的错误发现比例同时置信界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与错误发现比例控制，没有所列领域细分的直接应用依据。
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
基于置换的错误发现比例同时置信界
- 研究问题
- 多重检验后，如何对所有拒绝阈值同时给出错误发现比例的置信上界，从而支持事后选择阈值并保持概率保证？
- 方法与思路
- 作者利用置换反映数据中的依赖结构，构造同时置信上界，并扩展方法以允许用户选择界的形状、调整功效侧重。
- 材料陈述的贡献
- 摘要称提出精确方法并一致改进既有置换程序，且若干已有置换检验可作为其推广的特殊情形纳入统一框架。
- 阅读关注点
- 应核对置换所需条件、同时保证覆盖的阈值或假设集合、精确性与一致改进的定义，以及界形状选择的限制。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断任意事后子集是否都受保证；错误发现比例的置信界也不能直接等同于错误发现率控制。
原文摘要
Summary When multiple hypotheses are tested, interest is often in ensuring that the proportion of false discoveries is small with high confidence. In this paper, confidence upper bounds for the false discovery proportion are constructed, which are simultaneous over all rejection cut-offs. In particular, this allows the user to select a set of hypotheses post hoc such that the false discovery proportion lies below some constant with high confidence. Our method uses permutations to account for the dependence structure in the data. So far only Meinshausen (2006) has developed an exact, permutation-based and computationally feasible method for obtaining simultaneous false discovery proportion bounds. We propose an exact method which uniformly improves that procedure. Further, we provide a generalization of the method that lets the user select the shape of the simultaneous confidence bounds; this gives the user more freedom in determining the power properties of the method. Interestingly, several existing permutation methods, such as significance analysis of microarrays and the maxT method of Westfall & Young (1993), are obtained as special cases.