Permutation-based true discovery guarantee by sum tests
基于置换与求和检验的真实发现比例保证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，脑影像与基因组实例不足以对应所列计量领域细分。
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
基于置换与求和检验的真实发现比例保证
- 研究问题
- 多重检验中，如何为任意假设子集同时给出真实发现比例的置信下界，并允许研究者在观察数据后选择关注的子集？
- 方法与思路
- 作者将求和型全局检验嵌入闭合检验，利用置换适应未知联合分布，并通过分支定界的迭代捷径减少计算负担。
- 材料陈述的贡献
- 摘要称，该程序提供所有子集的同时置信下界，无需额外调整显著性水平；捷径即使提前停止，仍保留所述比例保证。
- 阅读关注点
- 应核对置换检验有效的条件、同时置信保证的精确定义、求和统计量的选择，以及迭代提前停止时保证与精度的关系。
- 阅读边界
- 仅依据所给 Crossref 摘要；置换成立条件、计算复杂度和模拟数值未说明，高维实例不能直接证明所有应用均适用。
原文摘要
Abstract Sum-based global tests are highly popular in multiple hypothesis testing. In this paper, we propose a general closed testing procedure for sum tests, which provides lower confidence bounds for the proportion of true discoveries (TDPs), simultaneously over all subsets of hypotheses. These simultaneous inferences come for free, i.e., without any adjustment of the α-level, whenever a global test is used. Our method allows for an exploratory approach, as simultaneity ensures control of the TDP even when the subset of interest is selected post hoc. It adapts to the unknown joint distribution of the data through permutation testing. Any sum test may be employed, depending on the desired power properties. We present an iterative shortcut for the closed testing procedure, based on the branch and bound algorithm, which converges to the full closed testing results, often after few iterations; even if it is stopped early, it controls the TDP. We compare the properties of different choices for the sum test through simulations, then we illustrate the feasibility of the method for high-dimensional data on brain imaging and genomics data.