Multiple testing via FDRL for large-scale imaging data
面向大规模成像数据的 FDRL 多重检验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：邻域信息用于成像多重检验，材料未研究经济网络或个体间干扰，故不据此归入网络方向。
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
面向大规模成像数据的 FDRL 多重检验
- 研究问题
- 当大规模成像信号稀疏但具有空间聚集性时，传统 FDR 程序为何可能难以发现显著信号，邻域信息能否改善检测？
- 方法与思路
- 作者用标量刻画缺乏识别现象，通过局部聚合邻近位置的 p 值构造 FDRL，并研究弱依赖下的理论、模拟及脑成像应用。
- 材料陈述的贡献
- 摘要称 FDRL 缓解传统程序的缺乏识别现象；模拟显示检测敏感度提高而特异度损失较小，并以真实 fMRI 数据示例。
- 阅读关注点
- 应核对局部聚合规则、弱依赖条件和控制水平的解释，以及敏感度与特异度比较所用的信号结构和模拟设定。
- 阅读边界
- 版本未注明的索引摘要未列出误发现率保证的完整条件、检测增益数值或邻域选择规则，不能认定任意空间数据均受益。
原文摘要
The multiple testing procedure plays an important role in detecting the presence of spatial signals for large-scale imaging data. Typically, the spatial signals are sparse but clustered. This paper provides empirical evidence that for a range of commonly used control levels, the conventional FDR procedure can lack the ability to detect statistical significance, even if the p-values under the true null hypotheses are independent and uniformly distributed; more generally, ignoring the neighboring information of spatially structured data will tend to diminish the detection effectiveness of the FDR procedure. This paper first introduces a scalar quantity to characterize the extent to which the “lack of identification phenomenon” (LIP) of the FDR procedure occurs. Second, we propose a new multiple comparison procedure, called FDRL, to accommodate the spatial information of neighboring p-values, via a local aggregation of p-values. Theoretical properties of the FDRL procedure are investigated under weak dependence of p-values. It is shown that the FDRL procedure alleviates the LIP of the FDR procedure, thus substantially facilitating the selection of more stringent control levels. Simulation evaluations indicate that the FDRL procedure improves the detection sensitivity of the FDR procedure with little loss in detection specificity. The computational simplicity and detection effectiveness of the FDRL procedure are illustrated through a real brain fMRI dataset.