Penalized likelihood and multiple testing
Penalized likelihood and multiple testing
复制标题
惩罚可能性和多重测试
DOI：
10.1002/bimj.201700196
复制
发表时间：
2018
影响因子：
1.7
通讯作者：
Sackrowitz, Harold B.
中科院分区：
文献类型：
--
作者：
Cohen, Arthur;Kolassa, John;Sackrowitz, Harold B.
经典的多重检验模型仍然是统计学的一个重要实践领域，新的方法仍在开发中。在本文中，我们开发了一个新的多重测试程序的启发，有时在一个不同的焦点问题中使用的方法。即模型选择后的推理问题。我们注意到，该问题的解决方案往往是通过使用惩罚似然函数来实现的。一个典型的例子是贝叶斯信息准则（BIC）方法。在本文中，我们构造了一个广义的BIC方法，并评估其性质作为一个多重测试过程。该程序适用于各种统计模型，包括回归、对比、治疗与对照、变点等。数值计算表明，特别是对于稀疏模型，新的广义BIC将优于现有的多个测试程序。
The classical multiple testing model remains an important practical area of statistics with new approaches still being developed. In this paper we develop a new multiple testing procedure inspired by a method sometimes used in a problem with a different focus. Namely, the inference after model selection problem. We note that solutions to that problem are often accomplished by making use of a penalized likelihood function. A classic example is the Bayesian information criterion (BIC) method. In this paper we construct a generalized BIC method and evaluate its properties as a multiple testing procedure. The procedure is applicable to a wide variety of statistical models including regression, contrasts, treatment versus control, change point, and others. Numerical work indicates that, in particular, for sparse models the new generalized BIC would be preferred over existing multiple testing procedures.
登录
查看更多内容
影响因子：
--
作者：
T. Matthes;D. R. Truax
通讯作者：
D. R. Truax
影响因子：
4.5
作者：
Cohen, A;Sackrowitz, HB
通讯作者：
Sackrowitz, HB
影响因子：
4.5
作者：
T. W. Anderson;John B. Taylor
通讯作者：
T. W. Anderson;John B. Taylor
影响因子：
4.5
作者：
Lockhart R;Taylor J;Tibshirani RJ;Tibshirani R
通讯作者：
Tibshirani R
融合多元智能理论、以真实体验理解为目标的科学学习
DOI：
--
发表时间：
2010
期刊：
日本教科教育学会第36回全国大会論文集
影响因子：
--
作者：
Ryoko KODAMA;Miho KATO;Mariko ISHIGURO;玉村かおり・松本伸示
通讯作者：
玉村かおり・松本伸示