.png){kind=icon}
返回
FDR Control for High-Dimensional Graphical Models via e$$ e $$-Values
.png){kind=icon}
PRE
AI
DOI：10.1002/sta4.70123.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
图模型对于捕捉生物信息学、神经科学和社会科学等领域中高维数据中的复杂依赖关系至关重要。尽管图模型方法取得了显著进展，但由于检验统计量之间存在普遍的依赖性（这违反了传统-p值方法的假设），因此图结构推断中的错误发现率（FDR）控制仍然具有挑战性。在本文中，我们提出了一种基于-p值的高维图模型的新FDR控制方法（GEBH）。通过利用-p值，该方法的关键优势在于能够容纳检验统计量之间的任意依赖结构。基于GEBH，我们进一步开发了利用部分惩罚回归的GEBH-P（GEBH-P），通过放宽潜在图的稀疏性约束，使其适用于更广泛的图模型应用。为这两种方法建立了理论保证，并通过模拟和真实数据分析验证了它们的有效性。
Keyword:
e$$ e $$-values
false discovery rate
graphical models
high-dimensionality
partially penalized regression
期刊
S
IF:
0.8
论文数:
58
被引数:
655
机构
引用论文
Adjusting the Benjamini–Hochberg method for controlling the false discovery rate in knockoff-assisted variable selection.png)
Biometrika
OAAI
BiometrikaIF0
OAAI分享收藏
查看更多内容