有序假设检验中 FDR 控制的积累测试
这篇论文研究了在线控制 FDR 的问题,提出了一种广义的 Alpha-investing 过程,并证明了在规定条件下其能控制 FDR 同时也能控制假阳性探查率,并进一步开发了一组修改版的程序,以控制异常假发现的问题。
Mar, 2016
本篇论文介绍了一种新的自适应多重检验方法,它依靠真空假设数量的估计,并控制有限样本大小下的误差发现率,其中采用了广义 Storey 估计和加权版本,结果发现相应的自适应上升和下降测试控制了 FDR,该结果还包括使用新的广义 Storey 估计器的数据相关加权的特定动态自适应阶梯测试。同时,本文也阐述了 Benjamini Hochberg(1995)定理的反转。
Oct, 2014
本文提出了两种在线控制多重假设检验中虚阳性比例期望和虚假发现数期望比例以及解决相关关联问题的方法 LOND 和 LORD, 并通过混合模型的下限对总发现率进行了比较,在合成数据和现实数据中表现良好,仅控制 mFDR 的 alpha-investing 规则、Benjamin-Hochberg 方法和 Bonferroni 程序与 LOND 和 LORD 相比。
Feb, 2015
本研究针对有限数量的假设,研究了一种自适应的步下过程,该过程源于 BH 线性步上过程对误发现率的重复使用,并利用临界常数 iq/[(m+1-i (1-q)],其中 i=1,...,m。在对独立检验统计量的 FDR 控制下,我们证明了该步下程序在水平 q 处控制了 FDR,与其他两种 FDR 控制已经在独立性方面得到证明的程序相比,我们在独立性和 FDR 控制方面进行了数值比较。
Mar, 2009
提出了一种用最佳臂多臂老虎机 (MAB) 的连续监控替代 A/B 测试的新框架,利用在线虚警率控制算法和顺序 p 值,同时实现了样本优化、强大的能力和低虚假发现率 (FDR)。
Jun, 2017
对广义 α 投资算法(GAI)算法类进行了四个方面的改进:(a)通过为每个拒绝授予更多的 α 财富,统一提高整个单调 GAI 程序的功率;(b)演示如何将先前的权重纳入考虑;(c)允许为错误发现指定不同的处罚;(d)定义了一种称为 mem-FDR 的新数量,它可以在真正的时间应用中更有意义,并减轻我们描述并称之为 “piggybacking” 和 “alpha-death” 的问题。 最后,我们还描述了一种基于估计的假阳性发现比例推导新的在线 FDR 规则的简单方法。
Oct, 2017
本文提出了对于控制多重假设检验中假阳性发现率的差分隐私算法,并且在某些条件下基本没有损失。方法是通过对一种众所周知的 Benjamini-Hochberg 过程进行改进,使其每一步都是差分隐私的。同时,还开发了一种新的算法,称为 “top-k”,用于解决在隐私保护中的 “最受欢迎的 k 个爱好” 问题,并在不损失准确性的情况下提高算法速度。
Nov, 2015
在这篇论文中,我们提出了一种新的同时 FDP(假发现比例)边界类,该类针对嵌套拒绝集序列进行了量身定制。我们的有限样本、闭合形式边界是基于改变每个以上环节的假阳性发现率(FDR)控制程序中的 FDP 估计的。
Mar, 2018
在多重检验问题中,通过引入结构适应的 Benjamini-Hochberg 算法,利用数据自适应权重重塑 P 值,可以更精确地控制错误发现率。
Jun, 2016