A robust method for large-scale multiple hypotheses testing.
A robust method for large-scale multiple hypotheses testing.
复制标题
DOI：
10.1002/bimj.200900177
复制
发表时间：
2010-04
影响因子：
1.7
通讯作者：
Tsui, Kam-Wah
中科院分区：
文献类型：
--
作者：
Han, Seungbong;Andrei, Adin-Cristian;Tsui, Kam-Wah
当绘制大规模的同时推理时，例如在基因组学和成像问题中，应该进行多重性调整，因为，否则，人们将面临膨胀的I型错误。有许多方法可用于估计在大量测试的假设中真实零假设π0的比例。许多方法隐含地假设π0很大，即接近1。然而，在实践中，经常会遇到中等范围的π0值，许多广泛使用的方法往往会产生高度可变或有偏的π0估计值。作为这种情况下的补救措施，我们提出了一个分层贝叶斯模型（HBM），它产生了一个π0的估计，表现出相当少的偏差，更稳定。模拟研究似乎表明，良好的方法性能，即使低到中等相关性之间存在的测试统计。方法的性能进行评估，在模拟环境中，其实际用途是说明在应用程序中的II型糖尿病研究。
When drawing large scale simultaneous inference, such as in genomics and imaging problems, multiplicity adjustments should be made, since, otherwise, one would be faced with an inflated type I error. Numerous methods are available to estimate the proportion of true null hypotheses π0, among a large number of hypotheses tested. Many methods implicitly assume that the π0 is large, that is, close to 1. However, in practice, mid-range π0 values are frequently encountered and many of the widely-used methods tend to produce highly variable or biased estimates of π0. As a remedy in such situations, we propose a hierarchical Bayesian model (HBM) that produces an estimator of π0 that exhibits considerably less bias and is more stable. Simulation studies seem indicative of good method performance even when low to moderate correlation exists among test statistics. Method performance is assessed in simulated settings and its practical usefulness is illustrated in an application to type II diabetes study.
登录
查看更多内容
影响因子：
2.1
作者：
Newton, MA;Noueiry, A;Ahlquist, P
通讯作者：
Ahlquist, P
DOI：
10.1111/j.1467-9868.2004.00439.x
发表时间：
2004-01-01
影响因子：
5.8
作者：
Storey, JD;Taylor, JE;Siegmund, D
通讯作者：
Siegmund, D
DOI：
10.1111/1467-9868.00346
发表时间：
2002-01-01
影响因子：
5.8
作者：
Storey, JD
通讯作者：
Storey, JD
DOI：
10.1111/j.2517-6161.1995.tb02031.x
发表时间：
1995-01-01
影响因子：
5.8
作者：
BENJAMINI, Y;HOCHBERG, Y
通讯作者：
HOCHBERG, Y
影响因子：
5.8
作者：
Pounds, S;Cheng, C
通讯作者：
Cheng, C