将 BH 过程适配于假设的一向与双向分类结构

多重检验文献中包含了大量关于控制按单一准则分类假设（我们称之为单向分类假设）的错误发现的研究。尽管按两种不同准则对假设同时分类从而形成双向分类假设在科学研究中经常发生，但据我们所知，在此结构下尚无此类研究。本文给出了在 oracle 与数据自适应两种形式下、用于控制所有假设总体错误发现率（FDR）且有效捕捉底层单向或双向分类结构的步骤。它们通过更一般形式下与加权 Benjamini-Hochberg（BH）过程相关的结果获得，并就如何通过适当选取权重将原始 BH 过程适配于底层单向或双向分类结构提供了指导。我们所提 oracle 形式步骤在零 $p$-值子集上的正回归依赖（PRDS）下、数据自适应形式步骤在 $p$-值独立性下非渐近地维持 FDR。我们通过模拟考察了数据自适应步骤在涉及相关 $p$-值的某些情景中可能的 FDR 控制。我们所提步骤优于当代做法的事实已通过其在模拟情景与真实数据集上的应用得到证明。此处为双向分类假设提出的步骤是全新的，而为单向分类假设得到的数据自适应步骤是 Hu 等（2010）所提步骤的替代方案，且通常功效更高。