False Discovery Rate Control With Groups
利用分组结构控制错误发现率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：摘要属于通用多重检验与错误发现率控制，基因组应用未提供对应所列计量领域的直接依据。
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…
利用分组结构控制错误发现率
- 研究问题
- 大规模多重检验中，如何利用假设已有的分组信息及各组相对重要性，在控制错误发现率的同时提高检验功效？
- 方法与思路
- 作者提出利用组别信息的 p 值加权程序，并通过估计真实零假设比例形成数据驱动版本，研究其理论与模拟表现。
- 材料陈述的贡献
- 摘要称加权程序在较弱条件下控制错误发现率，理论和模拟中比经典 Benjamini–Hochberg 程序更有功效；数据驱动版本获得渐近控制。
- 阅读关注点
- 应核对分组与权重的确定方式、所称较弱条件的具体内容，以及真实零假设比例估计和检验间依赖对控制结果的影响。
- 阅读边界
- 仅据所给 OpenAlex 索引摘要，稿件版本未注明；具体依赖条件和功效改善范围未说明，数据驱动版本的渐近控制不等于有限样本保证。
原文摘要
In the context of large-scale multiple hypothesis testing, the hypotheses often possess certain group structures based on additional information such as Gene Ontology in gene expression data and phenotypes in genome-wide association studies. It is hence desirable to incorporate such information when dealing with multiplicity problems to increase statistical power. In this article, we demonstrate the benefit of considering group structure by presenting a p-value weighting procedure which utilizes the relative importance of each group while controlling the false discovery rate under weak conditions. The procedure is easy to implement and shown to be more powerful than the classical Benjamini-Hochberg procedure in both theoretical and simulation studies. By estimating the proportion of true null hypotheses, the data-driven procedure controls the false discovery rate asymptotically. Our analysis on one breast cancer dataset confirms that the procedure performs favorably compared with the classical method.