Asymptotic minimaxity of false discovery rate thresholding for sparse exponential data
Asymptotic minimaxity of false discovery rate thresholding for sparse exponential data
复制标题
DOI：
10.1214/009053606000000920
复制
发表时间：
2006-12-01
影响因子：
4.5
通讯作者：
Jin, Jiashun
中科院分区：
文献类型：
--
作者：
Donoho, David;Jin, Jiashun
我们将FDR阈值化应用于坐标为Xi，i = 1，.，n与单个平均值mu（i）是独立指数。向量mu =（mu（i））被认为是稀疏的，大多数坐标为1，但有一小部分明显大于1;粗略地说，大多数坐标只是“噪音”，但有一小部分包含“信号”。我们在log（mu（i））的恢复过程中用全坐标均方误差来度量风险，并研究了log（mu（i）），1/n Sigma（n）（i=1）log（p）（mu（i））的全坐标p-范数约束下的参数空间上的Minimax估计
We apply FDR thresholding to a non-Gaussian vector whose coordinates X-i, i = 1,..., n, are independent exponential with individual means mu(i). The vector mu = (mu(i)) is thought to be sparse, with most coordinates 1 but a small fraction significantly larger than 1; roughly, most coordinates are simply 'noise,' but a small fraction contain 'signal.' We measure risk by percoordinate mean-squared error in recovering log(mu(i)), and study minimax estimation over parameter spaces defined by constraints on the per-coordinate p-norm of log(mu(i)), 1/n Sigma(n)(i=1) log(p) (mu(i))