An Empirical Bayes Approach to Controlling the False Discovery Exceedance
控制错误发现比例超限概率的经验贝叶斯方法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：摘要核心是通用多重检验的错误发现控制，异常股票交易策略应用未明确涉及资产定价、收益预测或金融尾部风险。
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…
控制错误发现比例超限概率的经验贝叶斯方法
- 研究问题
- 在大规模多重检验中，当错误发现比例波动较大时，如何控制其超过给定阈值的概率，并在约束下提高检验功效？
- 方法与思路
- 作者在独立两组模型和满足可交换性的相关高斯模型下，研究按局部错误发现率排序与阈值化的预言规则，再构造经验贝叶斯程序。
- 材料陈述的贡献
- 摘要称预言规则在错误发现超限概率约束下最大化功效，并提出带计算简化的数据驱动近似，结合模拟和异常股票交易策略应用评估。
- 阅读关注点
- 应核对超限概率的定义、最优性所需模型条件、局部错误发现率估计，以及数据驱动程序是否具有相应的控制保证。
- 阅读边界
- 仅据所给 OpenAlex 摘要，预言最优性不能自动赋予估计后程序；摘要未说明其完整误差控制条件，交易应用也不构成收益预测证据。
原文摘要
In large-scale multiple hypothesis testing problems, the false discovery exceedance (FDX) provides a desirable alternative to the widely used false discovery rate (FDR) when the false discovery proportion (FDP) is highly variable. We develop an empirical Bayes approach to control the FDX. We show that, for independent hypotheses from a two-group model and dependent hypotheses from a Gaussian model fulfilling the exchangeability condition, an oracle decision rule based on ranking and thresholding the local false discovery rate (lfdr) is optimal in the sense that the power is maximized subject to the FDX constraint. We propose a data-driven FDX procedure that uses carefully designed computational shortcuts to emulate the oracle rule. We investigate the empirical performance of the proposed method using both simulated and real data and study the merits of FDX control through an application for identifying abnormal stock trading strategies.