LARGE-SCALE MULTIPLE TESTING FOR MATRIX-VALUED DATA UNDER CROSS-DEPENDENCY

Zhang, Shiyu

doi:10.5705/ss.202021.0406

LARGE-SCALE MULTIPLE TESTING FOR MATRIX-VALUED DATA UNDER CROSS-DEPENDENCY

2026-04-01

0

PRE

AI

DOI：10.5705/ss.202021.0406

原文链接

原文求助

摘要

En 中文

基于矩阵值数据的高维推断在现代统计研究中已引起越来越多的关注，但在为此类数据集分析而特别设计的大规模多重检验方面尚未取得显著进展。受此启发，本文考虑了一项产生矩阵值数据的脑电图（EEG）实验，并提出了一系列针对此类实验的新型基于矩阵值数据的多重检验方法。矩阵形式中出现的观察值的行列交叉依赖性（称为交叉依赖性）是开发此类方法的主要挑战之一。我们通过假设每个独立矩阵数据点的观察值服从矩阵正态分布来解决这一挑战。这使我们能够通过行和列协方差矩阵捕获潜在的交叉依赖性，并开发出可能优于通过向量化每个数据点（从而忽略交叉依赖性）所获得相应方法的方法。在给定固定阈值程序和未知交叉协方差矩阵的情况下，我们考虑用统计精度逼近捕获潜在交叉依赖性的错误发现比例，并提出了两种实现方法。其中一种方法是在交叉依赖性下的一般方法，另一种则为更高维度提供了更高的计算效率。广泛的数值研究说明了所提出方法相对于Fan和Han（2017）的主因子近似方法的优越性能。所提出的方法已进一步应用于前述EEG数据。

Keyword:

Cross dependency

electroencephalogram

false discovery proportion

large-scale multiple testing

matrix-valued data

LARGE-SCALE MULTIPLE TESTING FOR MATRIX-VALUED DATA UNDER CROSS-DEPENDENCY

摘要

期刊

机构

引用论文